[发明专利]人脸图像分类方法、装置及服务器

说明书

本发明实施例公开了一种人脸图像分类方法、装置及服务器，包括下述步骤：获取待分类的人脸图像；将所述人脸图像输入到预设的卷积神经网络模型中，并根据所述卷积神经网模型的卷积层输出的中间数据，对所述人脸图像的性别信息进行辨识；根据所述卷积神经网模型的卷积层输出的最终数据，在所述性别信息限定的范围内对所述人脸图像进行预设内容理解分类，以使决定所述卷积神经网络模型输出分类结果的数据中包括区分不同性别的差异属性。卷积神经网络模型采用对应性别独有的特点和常规特征相结合的方式，对人脸图像进行评判或比较，使最终输出的分类结果中性别差异化得以凸显。

技术领域

本发明实施例涉及模型算法领域，尤其是一种人脸图像分类方法、装置及服务器。

背景技术

随着智能移动终端运算能力的提高，智能移动终端能够搭载越来越复杂且功能强大的应用程序。通过对用户面部图像进行拍摄，并将拍摄的面部图像进行数据处理，根据数据处理结果对用户面部图像进行评价或分类。

现有技术中，在对人体面部图像进行比对和应用分类时，采用深度学习的方法，主要的方法流程为：按照预设的工作目的，反复训练卷积神经网络模型至该模型收敛为止，卷积神经网络模型训练完成后，将欲分类或处理的人脸图像输入到训练好的卷积神经网络模型中，卷积神经网络模型根据训练学习到的权重比例，对该人脸图像进行分类或处理，由此能够看出，深度学习的方法通过反复训练，将模型训练成为一个具有一定辨识和判断能力的系统。

本发明创造的发明人在研究中发现，现有技术中通过训练卷积神经网络模型对图像进行处理时，仅限于把人脸图像之间的差别的问题看成单一问题来解决，能够决定人脸图像最终分类的数据中不具有不同种类人类的差异化属性，具有不同类别属性的差异被同质化处理，造成分类精准度有限，卷积神经网络模型输出不稳定的现象出现。

发明内容

本发明实施例提供能够有效提高分类准确率且稳定性较高的人脸分类方法、装置及智能终端。

为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种人脸图像分类方法，包括下述步骤：

获取待分类的人脸图像；

将所述人脸图像输入到预设的卷积神经网络模型中，并根据所述卷积神经网络模型的卷积层输出的中间数据，对所述人脸图像的性别信息进行辨识；

根据所述卷积神经网络模型的卷积层输出的最终数据，在所述性别信息限定的范围内对所述人脸图像进行预设内容理解分类，以使决定所述卷积神经网络模型输出分类结果的数据中包括区分不同性别的差异属性。

具体地，所述卷积神经网络模型包括：第一分类集和第二分类集，所述第一分类集根据所述卷积神经网络模型的卷积层输出的中间数据，对所述人脸图像的性别信息进行辨识，所述第二分类集根据所述卷积神经网络模型的卷积层输出的最终数据，在所述性别信息限定的范围内对所述人脸图像进行内容理解分类。

具体地，所述第一分类集中至少包括两个全连接层和一个分类层，所述第一分类集以所述卷积层中倒数第二个卷积层输出的中间数据作为输入信号；所述第二分类集中包括至少两个全连接层与一个分类层，所述第二分类集以所述卷积层中倒数第一个卷积层输出的中间数据作为输入信号。

具体地，所述卷积神经网络模型通过下述步骤训练形成：

获取标记有性别和期望分类信息的训练样本集；

将所述训练样本集输入到所述卷积神经网络模型中，训练所述第一分类集直至收敛；

当所述第一分类集收敛后，将所述训练样本集输入到所述卷积神经网络模型中，训练所述第二分类集直至收敛；

当所述第二分类集收敛后，将所述训练样本集输入到所述卷积神经网络模型中，采用较小学习率对所述第一分类集和第二分类集进行微调，至所述卷积神经网络模型处于收敛状态时为止。