[发明专利]一种基于人脸高维特征的性别预测方法

权利要求书

1.一种基于人脸高维特征的性别预测方法，其特征在于，包括以下步骤：

S1：采用100层的卷积神经网络ResNet作为主干网络，使用百万人脸数据集MS1M进行人脸识别模型的训练，生成一个可以使用的深度人脸模型，并把通过100层的参数权重固定，这样每张人脸照片在通过这100层的主干网络之后，都可以生成一个高维度的向量；所述步骤S1的具体过程是：

S11：使用MTCNN模型将人脸数据集进行人脸提取和裁剪，输入的是原始的人脸照片数据，输出的是每张人脸对应的5个关键坐标点，包括两只眼睛、两个嘴角和一个鼻子，再把这5个点对应的人脸按照112×112的比例进行裁剪，其中使用到的margin值为16；

S12：把裁剪后的人脸以及对应的身份标注输入到100层的卷积神经网络ResNet中，使用基于Arcface的损失函数进行模型的训练，直至学习率降为0.001为学习结束；

S2：基于S1生成的主干网络，使用10万张带有性别标注的人脸照片输入到主干网络中，把通过主干网络生成的高维向量作为特征，训练一个两层的浅层网络，生成一个预测男女的二分类模型；所述步骤S2的具体过程是：

S21：收集了10万张线上各个场景的人脸照片，并且人工对每张照片的性别进行标注，这样就有了10万张有标注信息的数据，将这些照片输入到S1生成的主干网络后，生成10万个512维的特征向量，每个特征向量都有对应的性别标注；

S22：把10万个特征向量按照8:2的比例随机分为两部分，其中8万个作为训练集，使用浅层的两层网络，损失函数采用基于交叉熵的softmax函数，训练一个二分类的性别模型，训练结束后，使用剩下的2万张照片作为性别模型的测试数据；

S3：将S1和S2生成的两个模型部署到服务器中，同时提供人脸识别服务和性别预测服务，实时返回人脸照片对应的身份以及性别属性；

所述步骤S3的具体过程是：

S31：对于S12生成的主干网络进行模型的量化优化，减少对应的计算量，由于当前主流的训练方式使用的是32位的浮点数，所以主要采用了是16位整型的量化方式，在对精度影响非常小的情况下，大幅度减少对应的计算量；

S32：将S31和S22生成的模型部署在线上，当一张照片过来时，首先通过S31的模型得到一个512维的特征向量，通过比对人脸底库中已有人脸向量的相似度，判断其身份，同时把这个向量输入到S22的模型中，返回这张照片对应的性别，同时把识别到的身份信息和性别信息返回到客户端展示。

2.根据权利要求1所述的基于人脸高维特征的性别预测方法，其特征在于，所述步骤S12中，Arcface的损失函数进行模型的batchsize为512，初始学习率设置为0.1，总共迭代18万次，在迭代到10万次时，学习率降为0.01，在迭代到16万次时，学习率降为0.001为学习结束。

3.根据权利要求2所述的基于人脸高维特征的性别预测方法，其特征在于，所述步骤S12中，训练结束后，把最后的全连接层去掉，只剩下主干网络，一张人脸照片经过主干网络的计算后，就得到一个512维的特征向量。