[发明专利]面部属性识别方法、装置、存储介质及处理器

权利要求书

1.一种面部属性识别方法，其特征在于，包括步骤：

建立多种面部属性的数据集；

将所述多种面部属性的数据集进行合并，形成所述多种面部属性的数据集集合；

建立多任务的深度卷积神经网络对所述多种面部属性的数据集集合进行训练，得到可以识别所述多种面部属性的多属性网络模型；

运用所述多属性网络模型对待识别图像的面部属性进行多属性预测，以识别所述待识别图像中的多种面部属性。

2.根据权利要求1所述的面部属性识别方法，其特征在于，所述建立多种面部属性的数据集包括：

对所述多种面部属性的数据集进行预处理；

对预处理后的所述多种面部属性的数据集进行归一化处理；以及

对归一化处理后的所述多种面部属性进行标注。

3.根据权利要求1所述的面部属性识别方法，其特征在于，所述将多种面部属性的数据集进行合并，形成所述多种面部属性的数据集集合包括：

将每一个面部属性数据的输入格式设为数组形式D1[n，c，w，h]；

将所述多种面部属性的数据集按照输入数组的第一维，即图片的个数进行合并，假设面部属性的种类个数为m，则合并后生成的数据形式为D2[m×n，c，w，h]；

其中n、c、w、h分别为输入进深度卷积神经网络的所述多种面部属性的数据集图像的个数、通道数、宽度和高度。

4.根据权利要求1所述的面部属性识别方法，其特征在于，所述建立多任务的深度卷积网络对多种面部属性数据集集合进行训练包括：

采用深度残差网络的4个残差模块；

将待识别图像的面部属性数据输入进深度残差网络进行网络训练；

其中深度残差网络的第一个残差模块采用两个小的残差模块表示，第一个小的残差模块结构采用64个卷积核大小为3×3的卷积层连接64个卷积核大小为3×3的卷积层，其恒等映射用64个1×1的卷积，二者做和之后输入第二个小的残差模块，第二个小的残差模块结构与所述第一个小的残差模块相同，第二个小的残差模块的恒等映射用第一个小的残差模块的输出表示，

另外三个残差模块结构和第一个残差模块结构一样，卷积核的个数分别为128、256、512。

5.根据权利要求1所述的面部属性识别方法，其特征在于，所述建立多任务的深度卷积神经网络对所述多种面部属性的数据集集合进行训练，得到可以识别多种面部属性的多属性网络模型包括：

根据训练好的网络模型，在图片识别阶段一次性得到所述多种面部属性的面部各个属性的概率最高的识别结果，即面部属性的多属性值。

6.根据权利要求2所述面部属性识别方法，其特征在于，对所述多种面部属性的数据集进行预处理包括：

使用多任务卷积神经网络算法对图片中的面部进行检测，获得面部图像。

7.根据权利要求6所述面部属性识别方法，其特征在于，所述使用多任务卷积神经网络算法对图片中的面部进行检测，获得面部图像包括：

卷积神经网络采用全连接的方式，利用边界框向量微调候选窗体，从而对面部在图像中的坐标点进行检测，得到面部图像。

8.根据权利要求2所述面部属性识别方法，其特征在于，对所述多种面部属性的数据集进行归一化处理包括：对多种面部属性的数据集面部图像归一化宽高大小为128像素×128像素。

9.根据权利要求2所述面部属性识别方法，其特征在于，所述对面部属性进行标注，包括：标注面部戴眼镜、戴口罩、发型、脸型、年龄、性别属性。