[发明专利]一种人脸属性识别方法和装置

说明书

本发明实施例公开了一种人脸属性识别方法和装置，其中，所述方法包括：生成包含人脸属性标签的人脸属性图像数据集；构建基于多任务的人脸属性识别网络模型，将所述人脸属性图像数据集作为训练样本训练所述人脸属性识别网络模型，获得第一人脸属性识别网络模型；测试基于多任务的所述第一人脸属性识别网络模型，并根据测试结果对所述第一人脸属性识别网络模型的配置参数进行调整，获得第二人脸属性识别网络模型；将所述第二人脸属性识别网络模型嵌入，对采集的人脸数据进行人脸属性识别，基于构建的展示界面输出识别结果。采用本发明所述的方法，能够利用单网络模型同时识别出多个人脸属性，利用属性间潜在的关联关系，提升识别精度，并节省计算资源。

技术领域

本发明实施例涉及计算机视觉领域，具体涉及一种人脸属性识别方法和装置。另外，还涉及一种电子设备和存储介质。

背景技术

近年来，随着互联网信息时代的不断发展，以大数据和人工智能技术为核心的人脸识别技术开始在日常生活中被广泛应用。尤其是深度学习技术因其对复杂对象良好的刻画能力而在不断受到人们的关注，同时在工业界也逐渐被应用于各个方面。卷积神经网络(Convolutional Neural Network，CNN)是一种深度前馈人工神经网络，因为卷积神经网络避免了对图像的复杂前期处理，从而在图像识别领域得到了广泛的应用。计算机视觉是深度学习技术中最先取得突破性进展的领域，而人脸识别技术无疑是其发展的重点，其已经在公共治安、教育教学、刷脸支付等生活的方方面面有着广泛应用。然而，受复杂多变的面部表情、男女性别、不同年龄段以及多种多样的配饰等诸多因素影响，人脸属性识别目前仍然是一个难点问题。

人脸多属性识别是人脸认证、识别和搜索任务中的关键技术。目前，传统的基于深度学习的人脸属性识别算法在进行每一个人脸属性识别任务时，需采用各自独立的识别网络模型分别进行训练，计算难度高，资源消耗多，并且多个任务之间通常相对独立，难以协同，无法提升模型的泛化能力。而多任务学习即多个相关任务同时并行学习，多任务之间可共享底层特征，利用相关性互相促进学习,提升泛化效果。因此，如何设计实现基于单模型多任务的人脸属性识别方案成为当前迫切需要解决的问题。

发明内容

为此，本发明实施例提供一种人脸属性识别方法，以解决现有技术中存在的人脸属性识别方案计算难度高，资源消耗多，并且多个任务之间通常相对独立，无法提升模型的泛化能力的问题。

为了实现上述目的，本发明实施例提供如下技术方案：

本发明实施例提供的一种人脸属性识别方法，包括：生成包含人脸属性标签的人脸属性图像数据集；构建基于多任务的人脸属性识别网络模型，将所述人脸属性图像数据集作为训练样本训练所述人脸属性识别网络模型，获得第一人脸属性识别网络模型；测试基于多任务的所述第一人脸属性识别网络模型，并根据测试结果对所述第一人脸属性识别网络模型的配置参数进行调整，获得第二人脸属性识别网络模型；将所述第二人脸属性识别网络模型嵌入，对采集的人脸数据进行人脸属性识别，基于构建的展示界面输出识别结果。

进一步的，所述生成包含人脸属性标签的人脸属性图像数据集，具体包括：处理面向人脸表情标签的人脸数据集，获得第一人脸数据集；处理面向人脸属性标签的人脸数据集，获得第二人脸数据集；利用所述第一人脸数据集和所述第二人脸数据集，生成针对人脸属性识别网络模型的人脸属性图像数据集。

进一步的，所述构建基于多任务的人脸属性识别网络模型，将所述人脸属性图像数据集作为训练样本训练所述人脸属性识别网络模型，获得第一人脸属性识别网络模型，具体包括：将预设的Resnet18层残差网络结构作为基准网络，按照预设的构建方式在深度学习框架上预先构建基于多任务的人脸属性识别网络，并获得训练所述人脸属性识别网络需要的配置文件；将所述人脸属性图像数据集作为训练样本，训练在深度学习框架上预先构建好的所述人脸属性识别网络，获得第一人脸属性识别网络模型。