[发明专利]图像分类方法、装置、电子设备及存储介质

说明书

本公开是关于一种图像分类方法、装置、电子设备及存储介质，包括：获取待识别的人脸图像；将所述人脸图像输入到颜值判断模型中，对所述人脸图像进行颜值分类；获取所述颜值判断模型输出的所述人脸图像的颜值分类数据。在进行颜值判断时，颜值判断模型通过提取人脸图像不同维度的特征集，然后根据不同维度的特征集对用户的颜值进行判断，通过同一人脸图像的多维度特征提取，能够使颜值判断模型的训练更加的快捷，同时多维度的特征提取能够使模型学习到不同维度的人脸特征，使多维度特征结合判断人脸图像的颜值时，具有更多的判断依据，因此，能够使颜值判断模型鲁棒性强，判断准确率更高。

技术领域

本公开涉及图像处理领域，尤其是一种图像分类方法、装置、电子设备及存储介质。

背景技术

随着深度学习技术的发展，卷积神经网络已经成为提取人脸特征的有力工具，对于模型固定的卷积神经网络而言，最核心的技术是如何设计损失函数，使其能有效地监督卷积神经网络的训练，从而使卷积神经网络具有提取人脸图像中关键点坐标特征的能力。

相关技术的人脸关键点技术领域，传统的方法包括基于形状约束方法，基于级联回归的方法，例如，经典模型有主动形状模型通过训练图像样本获取训练图像样本的特征点分布的统计信息，并且获取特征点允许存在的变化方向，实现在目标图像上寻找对应的特征点的位置。

发明内容

本公开的发明人在研究中发现，通过上述相关技术中的模型训练方法，导致训练神经网络训练时间较长，且模型的鲁棒性较差，判断准确率低。

本公开实施例提供一种通过多通道卷积神经网络模型提高收敛度的人脸图像关键点检测方法、装置、计算机设备及存储介质。

根据本公开实施例的第一方面，提供一种图像分类方法，包括：

获取待识别的人脸图像；

将所述人脸图像输入到颜值判断模型中，对所述人脸图像进行颜值分类，其中，所述颜值判断模型提取所述人脸图像的至少两个不同图像维度的特征集，并根据至少两个特征集对所述人脸图像进行颜值分类；

获取所述颜值判断模型输出的所述人脸图像的颜值分类数据。

可选地，所述颜值判断模型包括第一特征通道、第二特征通道和分类通道；所述将所述人脸图像输入到颜值判断模型中，对所述人脸图像进行颜值分类，包括：

将所述人脸图像的第一维度图像输入到所述第一特征通道内，并获取所述第一特征通道输出的第一特征集；

将所述人脸图像的第二维度图像输入到所述第二特征通道内，并获取所述第二特征通道输出的第二特征集；

将所述第一特征集和第二特征集输入到所述分类通道中进行颜值分类。

可选地，所述第一维度图像为所述人脸图像的原图，所述第一特征通道为卷积神经网络通道；所述将所述人脸图像的第一维度图像输入到所述第一特征通道内，并获取所述第一特征通道输出的第一特征集，包括：

将所述人脸图像的原图输入到所述卷积神经网络通道中；

获取所述卷积神经网络通道输出的第一特征集。

可选地，所述第二维度图像为所述人脸图像的人脸关键点图像，所述第二特征通道为深度神经网络通道；所述将所述人脸图像的第二维度图像输入到所述第二特征通道内，并获取所述第二特征通道输出的第二特征集，包括：

将所述人脸关键点图像的原图输入到所述深度神经网络通道中；

获取所述深度神经网络通道输出的第二特征集。

可选地，所述第一特征集包括：第一权重参数和第一特征信息；所述第二特征集包括：第二权重参数和第二特征信息；所述将所述第一特征集和第二特征集输入到所述分类通道中进行颜值分类，包括：