[发明专利]人脸属性识别方法及装置

说明书

本发明实施例公开了一种人脸属性识别方法及装置，包括：获取人脸图像，并提取人脸图像中的人脸区域；将人脸区域输入至预设网络模型中，输出人脸区域对应的人脸身份及人脸属性；其中，预设网络模型包括主体网络模型及由主体网络模型分支出来的分支网络模型，主体网络模型是基于已标注人脸身份的样本人脸区域训练得到的，分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域训练得到的。由于在用于人脸身份识别的主体网络模型的基础上，可利用分支网络模型，以识别人脸的若干属性，从而通过复用网络的方式可减少对样本数据的需求，在样本数据不充分的情况下也可以得到效果较好的网络模型。另外，还可以减小计算量。

技术领域

本发明涉及人工智能技术领域，具体涉及一种人脸属性识别方法及装置。

背景技术

随着社会的不断发展，人脸属性识别技术在各行各业的需求越来越广泛。人脸属性主要包括：年龄，性别，种族等方面。在购物、饮食、娱乐等方面，通过对人的年龄、性别、穿戴等方面的判断，可以精准的向消费者推荐消费品。在安全领域，人脸属性也可以应用于身份验证、安防系统等。早期的人脸属性识别技术主要是传统方法，基于手工的全局或局部特征，如Haar特征或HOG特征等，利用SVM等传统分类方法进行分类，从而判断出人脸属性。但是，由于人脸面部易受光照、表情、视角等因素影响，导致人脸属性识别准确率大大降低。近年来，随着深度学习的不断发展，越来越多的研究人员将深度学习应用到人脸属性识别方向。深度学习中的卷积神经网络结构非常适合进行图像的分类，且鲁棒性很强。但深度学习的训练过于依赖大量的样本数据，如果没有大量的标注的人脸属性的训练样本，基于深度学习的人脸属性识别也无法发挥出它的优势。

发明内容

为此，本发明实施例提供一种人脸属性识别方法及装置，以解决现有技术中深度学习的训练过于依赖大量的样本数据的问题。

为了实现上述目的，本发明实施例提供如下技术方案：

根据本发明实施例的第一方面，提供一种人脸属性识别方法，包括：

获取人脸图像，并提取所述人脸图像中的人脸区域；

将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性；其中，所述预设网络模型包括主体网络模型及由所述主体网络模型分支出来的分支网络模型，所述主体网络模型是基于已标注人脸身份的样本人脸区域训练得到的，所述分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域训练得到的。

进一步地，所述提取所述人脸图像中的人脸区域，包括：

检测所述人脸图像中的关键点，从所述人脸图像中选取以所述关键点为中心的预设范围区域作为所述人脸区域。

进一步地，所述关键点为鼻尖，所述预设范围区域为以鼻尖为中心，向上下左右各外扩一半两眼间距的区域。

进一步地，所述分支网络模型是基于已标注人脸身份及人脸属性的样本人脸区域，对初始分支网络模型中的参数进行训练后得到的。

进一步地，所述将所述人脸区域输入至预设网络模型中，输出所述人脸区域对应的人脸身份及人脸属性之前，还包括：

对于第n次训练过程，更新第n-1次训练过程得到的分支网络模型中的参数，得到第n次训练过程的分支网络模型，计算第n次训练过程的分支网络模型的损失函数值，若第n次训练过程的损失函数值满足预设条件，则停止训练，并将第n次训练过程得到的分支网络模型作为最终的分支网络模型；其中，n为不小于1的正整数，第0次训练过程得到的分支网络模型为所述初始分支网络模型。

进一步地，所述损失函数值包括每种人脸属性的分类损失函数值及同一人脸身份下相同人脸属性之间的特征向量差值。

进一步地，所述分支网络模型是由所述主体网络模型中的ResNet34网络中第12个残差块分支出来的。