[发明专利]一种社区监控场景下人脸属性识别方法

说明书

本发明涉及图像处理、深度学习技术领域，具体公开了一种社区监控场景下人脸属性识别方法，该方法将图像增强技术、人脸检测技术和高精度人脸属性识别技术结合，首先用直方图均衡化传统方法对社区环境下采集到的部分行人图像做图像增强处理，用处理后的数据训练图像增强网络ReForce‑Net；利用训练好的ReForce‑Net网络对采集的原始图像数据集进行去模糊预处理，并将处理后的图像进行像素值归一化操作；使用全卷积神经网络FCN实现人脸关键点检测；利用训练好的卷积神经网络FAR‑Net提取对齐后的人脸属性特征，并进行分类等。本发明通过原始图像增强处理提高了后续人脸属性识别的准确度，提升了人脸属性识别的精度；使FAR‑Net网络模型较其他网络模型更具有适用性。

技术领域

本发明涉及图像处理、深度学习技术领域，特别涉及一种社区监控场景下人脸属性识别方法。

背景技术

随着科学技术、网络技术的不断发展，不断改变着社会居民的生活方式，人们的日常生活、衣食住行都逐步向数字化、网络化方向发生转变。近几年来，随着人工智能技术、机器学习的兴起，推动了社会不断朝着智能方向发展。智慧社区、智慧城市便是人工智能发展的产物。越来越多的研究学者开始关注深度学习领域，深度学习是目前机器学习发展阶段的最高级别，而卷积神经网络则是深度学习的典型代表，在图像处理、图像识别等方面都有着显著的成效。对于特征提取，卷积神经网络具有自动学习的优势，代替了繁杂的传统人工提取方法，减少了人工干预，提高了特征提取的精确度。卷积神经不仅在特征提取方面有显著成效，在图像识别等其他方面也起着不可替代的作用。

人脸属性识别作为图像识别的研究重点，人脸图像不仅包含了人物性别、年龄、种族等信息，而且还是人物的身份特征，因此识别人脸属性特征比如帽子、眼镜、口罩等对人脸识别起着关键作用。近几年来，关于人脸属性的研究主要分为基于传统方法的识别和基于深度学习方法的识别，传统方法主要是通过人工提取特征，进而采用分类器得到分类结果，较后者方法而言其精确度、效率远远达不到人们期望水平。深度学习方法不仅可以对图像进行去噪处理比如光照、姿态、角度等影响识别的环境因素，而且可以通过自学习特点对图像特征进行自动提取工作，这一方面大大提高了图像识别的效率与准确度。但是目前来看，大部分基于深度学习的人脸属性识别只对人脸单一属性或少量属性有着较好的研究成果，对人脸多属性的研究并不突出。

人脸属性识别是行人检测的研究基础，通过对人脸多属性的识别可以提高对行人检测的精度，而行人作为社区内主要目标之一，行人检测对社区环境下的研究有重要意义。因此如何提高人脸属性识别准确度是社区环境下研究的重点。人脸属性识别的研究有助于智慧社区的发展，进一步提高用户体验。有重要的应用前景和研究价值。

发明内容

为了解决社区监控场景中人脸属性识别准确率和效率较低的问题，本发明的目的是提供一种社区监控场景下人脸属性识别方法。首先将直方图均衡化做神经网络化处理，利用图像增强网络ReForce-Net对原始图像进行去模糊处理，对人脸属性识别的准确性奠定了基础，本发明将全卷积神经网络FCN实现人脸关键点对齐，有效提高了识别的准确度；本发明设计人脸属性识别网络FAR-Net实现对人脸属性的特征提取与分类，该方法大大地提高了人脸属性识别的准确度和效率。

为了解决上述技术问题，本发明的技术方案是：

一种社区监控场景下人脸属性识别方法，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；