[发明专利]一种基于人脸高维特征的性别预测方法

说明书

本发明提供一种基于人脸高维特征的性别预测方法，该方法基于ResNet100层的CNN网络结构的人脸识别模型衍生出的性别预测方法，首先通过对百万数量级人脸识别数据的训练，得到人脸高维特征表述的方式，再通过十万张标注性别的人脸照片，利用一个浅层的网络，训练出可以通过人脸照片就可以判断出性别的模型；本发明完全复用了人脸识别过程中的高维特征的计算结果，只需要很小的计算量就可以得到性别的预测结果，同时还可以保持非常高的预测精度。

技术领域

本发明涉及图像处理算法领域，更具体地，涉及一种基于人脸高维特征的性别预测方法。

背景技术

人脸识别服务，比如刷脸门禁和刷脸支付等，在人们的日常生活中已经无处不在，可以给用户提供更好的体验。基于人脸的性别预测服务，通常作为人脸识别的子服务，也为人们提供了各种各样的帮助，比如服装零售店通过人脸客流得到的性别占比，可以更好地了解自己的客户，从而去规划自己店内的服饰应该怎么去规划和布局等。因此在具体应用时，除了对人脸进行识别之外，还会返回性别等一些人脸属性。

通常基于人脸进行性别属性的预测有两类方法，一类是通过传统的图像处理方式，提取几个关键点的特征，然后用浅层的方法对提取的特征进行分类，从而预测出具体的性别结果，这类方法的优势是速度较快，但是精度很低；另外一类就是使用深度学习方式，训练一个深层的神经网络模型，使用端到端的方式，将人脸映射到一个高维的空间中去，用高维的特征向量去表示，然后再划分到具体的性别分类中去，这类方法的优势是精度很高，但是由于每张照片都要通过一个多层的卷积神经网络，所以速度很慢。另外，当前商用的人脸识别模型为了保持较高的识别精度，绝大多数也都是使用深层的卷积神经网络进行识别的。同时，由于卷积神经网络绝大部分的计算都需要通过GPU显卡进行加速，相对来说GPU的成本非常高。因此，为了大幅度减少计算成本和降低延时，本发明完全复用了人脸识别过程中的高维特征的计算结果，只需要很小的计算量就可以得到性别的预测结果，也就是说当一张人脸照片传过来后，只需要过一次深层网络，就可以得到身份识别和性别预测两个结果，同时还可以保持非常高的预测精度。

发明内容

本发明提供一种精度较高的基于人脸高维特征的性别预测方法。

为了达到上述技术效果，本发明的技术方案如下：

一种基于人脸高维特征的性别预测方法，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；

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；

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。

进一步地，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，其中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。