[发明专利]面部属性识别方法、装置、存储介质及处理器

说明书

本发明提供了一种面部属性识别方法、装置、存储介质及处理器。其中该方法包括：建立多种面部属性的数据集；将多种面部属性的数据集进行合并形成数据集集合；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，得到可以对多种面部属性进行识别的网络模型；运用得到训练好的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。采用减小网络参数的方法，改变网络模型中某些层如全连接层的参数的个数，减小网络显存占用率，且通过数据合并的方式，将多种属性的数据输入进卷积神经网络，使其在网络中对所有属性进行学习和训练，从而使同一网络快速高效完成所有面部属性的识别。

【技术领域】

本发明涉及图像识别技术领域，更具体地说，涉及一种面部属性识别方法、装置、存储介质及处理器。

【背景技术】

随着计算机视觉技术以及深度学习的蓬勃发展，安防、智能视频监控、城市治安、事故预警等领域中需要不断地对面部进行识别。然而，随着任务需求的不断提高，人们不仅仅是局限于对面部身份的认证，更重要的对面部子属性进行识别认证。这样更加有利于对某人的身份进行识别，同时也更加有利于在安防领域中运用面部信息进行布控。另外，将面部识别和面部属性同时运用在安防领域中，使得任务需求变得更加清晰明了。

面部是一种非常重要的生物特征，具有结构复杂、细节变化多等特点，同时也蕴含了大量的信息，比如性别、种族、年龄、表情等。一个正常的成午人可以轻易的理解面部的信息，但将同样的能力赋予给计算机，并让其代替人类进行类脑思考成为研充学者亟待攻克的科学课题。

现有属性识别的方法中，有的采用训练多个深度卷积神经网络，然后进行分数融合或者特征融合进一步训练。这种方式工作任务繁重复杂，不利于实际应用的技术问题。如有将面部身份认证网络和属性识别网络进行融合形成一个融合网络，采用联合学习的方式同时学习身份特征和面部属性特征，是一个多任务网络；并采用代价敏感的加权函数，使其不依赖于目标域数据分布，而实现在源数据域的平衡训练；且修改后的融合框架仅添加了少量参数，增加了额外计算负荷。

也有提出将多个属性融台进一个网络中完成的，但是其网络结构和损失函数函数过于复杂，不利于网络的训练且仅仅依赖面部属性识别来增加面部识别的准确率。虽然也是多属性网络结构，但其实是将带有多种属性标签的面部图像作为网络结构的输入，相当于是一张图片对应多种标签，不利于网络的训练和学习，同时使用的网络模型为深度残差网络结构，这样造成网络模型过大，对计算资源要求过高，实用性较差。

【发明内容】

本发明所要解决的技术问题是提供一种面部属性识别方法、装置、存储介质及处理器，能够采用减小网络参数的方法，改变网络模型中某些层如全连接层的参数的个数，减小网络显存占用率，且通过数据合并的方式，将多种属性的数据输入进卷积神经网络，使其在网络中对所有属性进行学习和训练，从而使同一网络快速高效完成所有面部属性的识别。

为解决上述技术问题，一方面，本发明一实施例提供了一种面部属性识别方法，其特征在于，包括：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。

优选地，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；对归一化处理后的所述多种面部属性进行标注。