[发明专利]一种人脸多属性识别系统

说明书

本发明公开了一种人脸多属性识别系统，属于人脸识别技术领域。该系统包括：预处理单元，用于确定人脸图像，将人脸图像裁剪成预设尺寸；人脸属性网络单元包括底层特征抽取模块、ARM和CRM，底层特征抽取模块用于抽取底层的神经网络特征，ARM用于发现和捕获多个属性之间的相关性，CRM用于探索不同图像区域之间的上下文关系；训练单元，用于训练一个人脸属性预测网络，通过人脸属性预测网络预测各个属性；预测单元，用于将预处理好的人脸图像输入到训练好的人脸属性预测网络中，得到各个人脸属性的预测值。本发明通过探索人脸多属性识别问题中属性之间相关性和图像区域中的上下文关系，将属性合并到同一个框架中学习，以获得更加精准的人脸属性识别。

技术领域

本发明涉及人脸识别技术领域，特别涉及一种人脸多属性识别系统。

背景技术

人脸属性识别往往需要同时识别几十个属性，比如性别、年龄、太阳镜和发型。在这些属性中，有些是密切相关的，如“发型”属性往往与“女性”属性相关联；眼角的皱纹、胡须属性可以为判断年龄提供一定的信息。针对这样的现象，提高人脸属性识别的有效方法是找到多元人脸属性之间的内在联系。

现有技术中，大多数仅通过简单的多任务学习(multi-task learning，MTL)，来利用多个属性之间的关系框架，仅在共享的低层中允许不同属性之间的信息交换。由于MTL利用损失函数和最后的层来指导其学习，因此不同属性之间的显式信息交换和传播可能不足，因而这样的框架缺乏属性之间关系的全面表示。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种人脸多属性识别系统，所述系统包括：

预处理单元，用于确定人脸图像，并将所述人脸图像裁剪成预设尺寸；

人脸属性网络单元，所述人脸属性网络单元包括底层特征抽取模块、人脸属性关系模块ARM和上下文关系模块CRM，所述底层特征抽取模块用于抽取底层的神经网络特征，所述ARM用于发现和捕获多个属性之间的相关性，所述CRM用于探索不同图像区域之间的上下文关系；

训练单元，用于训练一个人脸属性预测网络，通过所述人脸属性预测网络预测各个属性；

预测单元，用于将预处理好的人脸图像输入到训练好的人脸属性预测网络中，得到各个人脸属性的预测值。

可选地，所述预处理单元具体用于：

输入图像，对所述图像进行人脸检测，判断所述图像中是否包含人脸，如果不包含人脸，则放弃所述图像；

如果所述图像包含人脸，则将所述图像确定为人脸图像，并对所述图像进行关键点定位，得到两眼中心及上嘴唇点的位置；

根据所述两眼中心及上嘴唇点的位置，对图像进行旋转、缩放、对齐，并裁剪成预设尺寸，输出裁剪后的图像。

可选地，所述底层特征抽取模块具体用于：

利用残差网络结构ResNet-50中除最后三个残差单元外的剩余网络作为底层特征抽取模块，抽取底层的神经网络特征。

可选地，所述ARM具体用于：

基于高级特征提取具有S个完全连接层的特定于属性的特征，每个所述完全连接层对应于一个具体属性，所述高级特征在全局平均池化GAP层之后获得，且c＝2048表示特征通道数；

将i^th图像的j^th属性的特定属性的特征表示为x_ij∈R^c，维数为d，从x_ij生成j^th属性的第一预测分数，以确保仅在j^th的监督下学习，具体如下公式(1)所示：