[发明专利]基于多阶段的人脸属性识别方法

说明书

本发明公开了基于多阶段的人脸属性识别方法，涉及人脸识别领域，解决了现有的人脸属性识别不能很好的探索人脸属性的相关性和异质性的问题，现提出如下方案，其包括以下步骤：根据人脸属性的空间关系进行分组；共享线性变换由权重矩阵参数化,权重矩阵为W，对每个节点和其邻居节点计算权重关系；使用了softmax进行归一化处理，得出节点v_i和节点v_j之间注意力权重d_i,j；S5：搭建多阶段的深度学习模型，整体的网络使用了layer1、layer2、layer3作为共享的特征；分别统计两个阶段的每个属性的loss。本方法具有多层卷积层、批处理正则化层、激活函数层进行特征提取，通过对人脸属性进行识别时的相关性和异质性的探索，降低了人脸识别时的干扰，提高了人脸识别的精度的特点。

技术领域

本发明涉及人脸识别领域，尤其涉及基于多阶段的人脸属性识别方法。

背景技术

在人脸识别和验证、人脸检索等领域常常使用人脸属性识别做辅助任务。但是，自动地从图片中提取出相应的属性是一个挑战，一些图片有不同的光照、姿态、背景、干扰，并且一些人脸属性数量相差过大导致数据分布不均。

在虚拟现实、视频监控、和直播等领域，人脸属性识别有着广泛的应用前景。虽然已经提出了很多方法用于人脸属性识别，但是它们中的大多数没有在特征表示的学习过程中明确地考虑属性相关性和异质性，异质性体现在人脸的局部属性和整体属性(如“Makeup“和”Eyeglass“)、相关性体现在两个属性的关系有正相关和负相关，例如”Male“和”Beard“是负相关关系。

人脸面部属性是对一个人脸图片的各种特征的描述，由于人脸属性识不止一个，属于多任务识别，并且提取属性特征的复杂程度不一，所以人脸属性识别任务并不简单。例如其中一个人脸图片的属性有“Eyeglasses”，通过检测眼镜周围的区域可以检测到此属性。就单一属性而言，保留人脸的全部区域不能提高人脸属性的识别性能，反而对人脸的属性识别任务有干扰。

由于现有的人脸属性识别不能很好的探索人脸属性的相关性和异质性。因此提出基于多阶段的人脸属性识别方法。

发明内容

本发明的目的在于提供基于多阶段的人脸属性识别方法，解决了现有的人脸属性识别不能很好的探索人脸属性的相关性和异质性的问题。

为实现上述目的，本发明提供如下技术方案：基于多阶段的人脸属性识别方法，包括以下步骤：

S1：根据人脸属性的空间关系进行分组，一张图有两个主要部件，分别是节点、边；

S2：使用参数矩阵来表示节点和邻居之间的相对重要性，节点可以表示为v＝{v₀,v₁...v_N}，其对应的特征为x＝{x₀,x₁,...x_N}，输出节点为v′＝{v′₁,v′₂,...v′_N}；

S3：共享线性变换由权重矩阵参数化,权重矩阵为W，对每个节点和其邻居节点计算权重关系，公式如下：

e_i,j＝c(Wv_i,Wv_j)

其中e_i,j表示两个节点的重要性值，i和j是节点的索引，c是自注意力机制的计算方法；

S4：为了使得不同节点的注意力值有可比性，使用了softmax进行归一化处理，得出节点v_i和节点v_j之间注意力权重d_i,j；