[发明专利]基于多任务卷积神经网络的人脸识别及属性分类方法

权利要求书

1.基于多任务卷积神经网络的人脸识别及属性分类方法，其特征在于，包括以下步骤：

S1、对人脸图像样本进行预处理；

S2、通过设计的多任务卷积神经网络模型对预处理后的人脸图像样本提取出属性特征和人脸全局特征；

S3、基于注意力机制计算不同属性与人脸识别任务的相关度，并根据相关度将属性特征融合进人脸特征中；

S4、多任务卷积神经网络模型同时进行人脸识别任务和属性分类任务，并通过计算损失来训练优化模型；

S5、利用优化后的模型对输入的人脸图像同时进行属性分类和人脸识别任务；

步骤S2中，所述设计的多任务卷积神经网络模型包括基础特征提取层、与基础特征提取层的输出连接的多个属性分类子模型和一个人脸识别子模型、与各个属性分类子模型的输出连接的注意力结构，与所述注意力结构的输出和人脸识别子模型的输出均连接的全连接层；

步骤S2具体包括：

S21、对于输入的每一张人脸图像样本，通过模型的基础特征层提取到其基础特征；

S22、提取得到基础特征后，通过各个子模型学习相应的任务；

S23、通过计算感受野的方式得到不同尺度的人脸全局特征，并将这些特征通过串联方式嵌入到属性分类子模型中，为其提供额外的全局信息与身份信息；

S24、获得属性分类子模型输出的属性特征A_i和人脸识别子模型输出的人脸全局特征F；

步骤S3具体包括：

S31、初始化多任务卷积神经网络模型的模型参数W_i与全连接层FC；

S32、对获得的所有的属性特征A_i都进行映射和归一化操作:V_i＝norm(A_i*W_i),并初始化属性特征A_i与人脸全局特征F的关系度b_i＝0；

S33、通过关系度b_i计算属性特征与人脸全局特征的耦合系数：并且计算加权融合后的属性特征S；其中，e为自然常数，m表示人脸身份的类别数量；

S34、融合属性特征与人脸特征：U＝concatenate(S,F)，并通过全连接映射变换得到包含属性特征中语义信息的人脸特征：FS＝FC(U)；

S35、对所有的属性特征，计算人脸特征与其相似度，并更新关系度,b_i＝b_i+dot(V_i,FS)，dot表示点乘操作；

S36、重复执行步骤S33-S35共n次，获得不同人脸属性对于人脸全局特征的权重和最终包含相关语义信息的人脸特征,其中n为模型总共进行的任务数。

2.如权利要求1所述的基于多任务卷积神经网络的人脸识别及属性分类方法，

其特征在于，步骤S1具体包括：

S11、获取人脸图像样本数据集；

S12、对人脸图像样本数据集中的人脸图像样本进行人脸属性和身份的标注；

S13、将标注后的人脸图像样本按照比例划分为训练数据集和验证数据集；

S14、对所有的人脸图像样本进行人脸检测和对齐，并设置统一大小。

3.如权利要求1所述的基于多任务卷积神经网络的人脸识别及属性分类方法，

其特征在于，步骤S4中，所述通过计算损失来训练优化模型，具体包括：

(1)采用交叉熵损失函数来计算属性分类任务的损失：

y^j表示样本j在属性i上所属于标签，分别用0和1表示负类和正类，y′^j则表示模型在该处预测为正类的可能性，范围在0-1之间，其值越大，可能性就越大；

通过对所有的属性分类任务的损失进行相加，获得人脸属性分类任务的总体损失：

其中，k为属性分类任务的数量；

(2)采用三元组损失函数计算人脸识别任务的损失，该函数通过同时最小化anchor和positive之间的距离并且最大化anchor和negative之间的距离来进行优化，公式为：

其中，α为一个超参数，取值0.2；

(3)多任务卷积神经网络模型最终的损失函数如下：

L＝λ×L_A+L_F

λ是一个超参数，取值0.4；

(4)基于最终的损失函数采用梯度下降算法对模型进行优化。