[发明专利]一种社区监控场景下人脸属性识别方法

权利要求书

1.一种社区监控场景下人脸属性识别方法，其特征在于：包括以下步骤：

步骤1：社区监控场景下获取视频流，并进行解码处理采集行人图像数据集；

步骤2：用部分数据集采用直方图均衡化方法对图像进行增强处理；

步骤3：把图像增强后的数据输入至图像增强网络ReForce-Net进行训练，获取最优网络参数；

步骤4：采用参数最优的ReForce-Net网络模型对行人图像进行基于直方图均衡化算法的去模糊操作；

步骤5：对图像增强后的图像进行像素值归一化处理；

步骤6：对归一化后的部分图像进行关键点标注，进而训练全卷积神经网络FCN，直至得到最优的网络参数；

步骤7：采用参数最优的FCN网络模型对步骤5处理后的目标图像进行关键点定位对齐；

步骤8：首先对部分待识别图像进行人工特征提取作为样本，进而训练卷积神经网络FAR-Net，直至训练得到最优的网络参数；

步骤9：利用训练好的FAR-Net网络模型对待识别的人脸图像进行提取特征进行分类，实现人脸属性识别的目的；

步骤10：采用GPU调度策略进行GPU调度。

2.根据权利要求1所述的社区监控场景下人脸属性识别方法，其特征在于：在所述步骤1中，还包括在社区各处安装高清摄像头或者视频采集装置，选择需要监测的区域，获取该区域下所有的视频流，对视频流进行解码处理分离出图像数据。

3.根据权利要求1所述的社区监控场景下人脸属性识别方法，其特征在于：在所述步骤2中，还包括采用传统的图像增强方法——直方图均衡化处理，利用把原始图像的灰度值范围拉开增大反差的原理使采集的行人图像细节清晰，以达到增强的的目的。

4.根据权利要求1所述的社区监控场景下人脸属性识别方法，其特征在于：在所述步骤3中，还包括把图像增强后的数据输入至图像增强网络ReForce-Net进行训练，获取最优网络参数，因为是对直方图均衡化算法的神经网络化操作，所以网络结构采用一层卷积，目的使缩短图像增强计算过程的时间；训练过程：首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述图像增强网络以预设的效率达到预设的增强效果。

5.根据权利要求1所述的社区监控场景下人脸属性识别方法，其特征在于：在所述步骤5中，还包括对图像增强后的图像进行像素值归一化处理，将输入图像的像素值从[0，255]归一化到[-1，1]，从而消除奇异样本导致后续步骤的不良影响；归一化采用最大最小值归一化方法：

其中x表示图像像素点值，min(x)、max(x)分布表示图像像素的最大值和最小值。

6.根据权利要求1所述的社区监控场景下人脸属性识别方法，其特征在于：在所述步骤6中，还包括选取6个具有人脸代表性的关键点分别为双眼、鼻、嘴以及两嘴角进行标注，进而对全卷积神经网络FCN进行训练，其中全卷积神经网络全程为Fully ConvolutionalNetworks；训练过程：首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到全卷积神经网络以预设的效率达到预设的关键点定位的效果。

7.根据权利要求1所述的社区监控场景下人脸属性识别方法，其特征在于：在所述步骤9中，还包括利用部分标注好人脸属性的样本集对人脸属性识别网络FAR-Net进行训练，训练过程：首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到全卷积神经网络以预设的效率达到预设的效果；利用训练好的FAR-Net网络模型对待识别人脸图像进行特征提取分类，实现人脸属性识别的目的。

8.根据权利要求1所述的社区监控场景下人脸属性识别方法，其特征在于：在所述步骤10中，还包括实时监控GPU处理器集群中的GPU使用情况，采取适当的调度策略对GPU进行实时调度。