[发明专利]基于SE-ResNet网络的人种识别方法、装置及计算机存储介质

权利要求书

1.一种基于SE-ResNet网络的人种识别方法，其特征在于，包括以下步骤：

S1、获取真实人种图像数据为原始数据并采用MTCNN模型对人脸进行检测，根据人脸五官对人脸进行旋转填充矫正并缩放至统一尺寸；

S2、去除人脸侧脸、低头及五官区域大面积遮挡的无特征图像；

S3、对图像数据进行亮度、对比度、清晰度、锐度调整增加图像数据多样性后对图像进行高斯模糊处理；

S4、对图像数据的RGB通道分别进行减值处理，然后对数据集按分类打上标签区分一般人种人脸和特定人种人脸，所述一般人种为除特定人种外的其他人种；

S5、建立SE-ResNet网络，所述SE-ResNet网络依次包括第一卷积模块、第二卷积模块、第一池化层、第一SE残差模块、第三卷积模块、第二池化层、第二SE残差模块、第三SE残差模块、第四卷积模块、第三池化层、第五至第九SE残差模块、第五卷积模块、第四池化层、第十至第十二SE残差模块、第一全连接层、第二全连接层和softmax层，所述第一至第五卷积模块分别包括卷积层+激活层，所述SE残差模块包括分别连接至eltwise层的主路和边路，所述主路依次为第一卷积层+激活层、第二卷积层+激活层、平均池化层、全连接层、激活函数、全连接层和Sigmoid然后连接至所述eltwise层，所述边路直接连接所述eltwise层；

S6、采用步骤S4得到的数据集对所述SE-ResNet网络进行训练；

S7、选取待识别的图片输入至步骤S6训练得到的SE-ResNet网络进行分类识别得到结果。

2.根据权利要求1所述的基于SE-ResNet网络的人种识别方法，其特征在于，所述步骤S4中将打上标签的数据集分为测试集和训练集，所述步骤S6包括S6-1，采用训练集对所述SE-ResNet网络进行训练，然后用测试集对应的原始数据测试经过步骤S6-1训练的SE-ResNet网络，将测试结果中结果正确及结果错误的原始数据对应的测试集数据组成优化训练集；S6-2，采用优化训练集对步骤S6-1训练的SE-ResNet网络进行优化训练。

3.根据权利要求2所述的基于SE-ResNet网络的人种识别方法，其特征在于，所述步骤S6-1训练时，优化器为SGD，损失函数为交叉熵损失函数，初始学习率为0.001，设定训练100000个epoch，学习策略为multistep,20000个epoch学习率衰减到0.0001，40000个epoch学习率衰减到之前的0.00001，动量为0.99；所述步骤S6-2优化训练时，优化器为Adam，损失函数为交叉熵损失函数，初始学习率为0.0001，设定训练50000个epoch，学习策略为step，每5000个epoch学习率衰减到之前的50％，动量为0.99，所述SE-ResNet网络中的第二全连接层学习率与偏置学习率分别扩大10倍进行优化生成网络模型。

4.根据权利要求2所述的基于SE-ResNet网络的人种识别方法，其特征在于，所述步骤S6-2优化训练时，所述优化训练集中步骤S6-1中测试结果错误的原始数据所对应的测试集数据占比为40％～50％。

5.根据权利要求2所述的基于SE-ResNet网络的人种识别方法，其特征在于，所述测试集、训练集以及所述优化训练集中一般人种类别与特定人种类别的数据比例为1：1。