[發(fā)明專利]基于雙向長短期記憶網(wǎng)絡(luò)的人臉屬性識別方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201810921302.0
• 申請日: 2018-08-14
• 公開（公告）號: CN109190514B
• 公開（公告）日: 2021-10-01
• 發(fā)明（設(shè)計）人: 程建;劉三元;蘇炎洲;劉濟(jì)樾;李燦
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 成都弘毅天承知識產(chǎn)權(quán)代理有限公司 51230
• 代理人: 鄒敏菲

本發(fā)明公開了一種基于雙向長短期記憶網(wǎng)絡(luò)的人臉屬性識別方法及系統(tǒng)，該人臉屬性識別方法包括：獲取人臉圖像數(shù)據(jù)集；將獲取的人臉圖像數(shù)據(jù)集進(jìn)行圖像預(yù)處理后，生成人臉圖像訓(xùn)練集；構(gòu)建基于雙向長短期記憶網(wǎng)絡(luò)的深度神經(jīng)網(wǎng)絡(luò)，將人臉圖像訓(xùn)練集作為輸入對所述深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到深度神經(jīng)網(wǎng)絡(luò)模型；將待識別的測試圖像輸入至訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行人臉屬性識別。本發(fā)明通過改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，并增加雙向長短期記憶網(wǎng)絡(luò)構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，利用長短期記憶網(wǎng)絡(luò)對于序列相關(guān)性的建模能力，學(xué)習(xí)不同任務(wù)得到的人臉屬性特征之間的相關(guān)性和特異性，從而提高人臉屬性識別的準(zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明涉及人臉屬性識別和深度學(xué)習(xí)領(lǐng)域，特別涉及于一種基于雙向長短期記憶網(wǎng)絡(luò)的人臉屬性識別方法及系統(tǒng)。

背景技術(shù)

在日常生活中，人臉的屬性是我們描述一個人外貌特征的重要信息，人臉屬性反應(yīng)了一個人的性別、年齡、外貌特征等，可以作為一個人身份檢索的重要標(biāo)識。傳統(tǒng)的人臉屬性識別方法是針對每一個單獨的人臉屬性任務(wù)設(shè)計一個網(wǎng)絡(luò)，現(xiàn)有的主流的人臉屬性識別方法是依據(jù)分組的思想，人為的選取相關(guān)性較強的屬性特征利用卷積神經(jīng)網(wǎng)絡(luò)權(quán)值共享的思路來實現(xiàn)屬性之間相關(guān)性的學(xué)習(xí)。但是上述兩種方案都需要極大的人工參與，且人臉屬性特征之間的相關(guān)性和特異性容易被忽略，導(dǎo)致預(yù)測的多個結(jié)果中存在邏輯不合理的問題，從而造成判別效果不佳。

發(fā)明內(nèi)容

本發(fā)明的目的在于：針對現(xiàn)有的人臉屬性識別需要極大的人工參與，且人臉屬性之間的相關(guān)性和特異性容易被忽略，導(dǎo)致預(yù)測的多個結(jié)果中存在邏輯不合理的問題，提供一種基于雙向長短期記憶網(wǎng)絡(luò)的人臉屬性識別方法及系統(tǒng)，降低人工工作量，使得人臉屬性識別更加智能化，同時利用長短期記憶網(wǎng)絡(luò)對于序列相關(guān)性的建模能力，學(xué)習(xí)不同任務(wù)得到的人臉屬性特征之間的相關(guān)性和特異性，從而提高人臉屬性識別的準(zhǔn)確度。

本發(fā)明采用的技術(shù)方案如下：

一種基于雙向長短期記憶網(wǎng)絡(luò)的人臉屬性識別方法，包括：

S1、獲取人臉圖像數(shù)據(jù)集；

S2、將獲取的人臉圖像數(shù)據(jù)集進(jìn)行圖像預(yù)處理后，生成人臉圖像訓(xùn)練集；

S3、構(gòu)建基于雙向長短期記憶網(wǎng)絡(luò)的深度神經(jīng)網(wǎng)絡(luò)，將人臉圖像訓(xùn)練集作為輸入對所述深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到深度神經(jīng)網(wǎng)絡(luò)模型；

S4、將待識別的測試圖像輸入至訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行人臉屬性識別。

進(jìn)一步地，步驟S3中構(gòu)建基于雙向長短期記憶網(wǎng)絡(luò)的深度神經(jīng)網(wǎng)絡(luò)，具體包括：

(1)構(gòu)建前段卷積神經(jīng)網(wǎng)絡(luò)；

(2)構(gòu)建后段雙向長短期記憶網(wǎng)絡(luò)；

(3)前段卷積神經(jīng)網(wǎng)絡(luò)分別與后段雙向長短期記憶網(wǎng)絡(luò)連接，然后再在雙向長短期記憶網(wǎng)絡(luò)后依次連接一個全連接層和reshape層，從而構(gòu)成基于雙向長短期記憶網(wǎng)絡(luò)的深度神經(jīng)網(wǎng)絡(luò)。

進(jìn)一步地，所述后段雙向長短期記憶網(wǎng)絡(luò)，包括：

正向長短期記憶網(wǎng)絡(luò)，用于對前段卷積神經(jīng)網(wǎng)絡(luò)得到的人臉屬性特征進(jìn)行從前向后的方向進(jìn)行掃描，從而得到正向序列；

反向長短期記憶網(wǎng)絡(luò)，用于對前段卷積神經(jīng)網(wǎng)絡(luò)得到的人臉屬性特征進(jìn)行從后向前的方向進(jìn)行掃描，從而得到反向序列。

進(jìn)一步地，所述后段雙向長短期記憶網(wǎng)絡(luò)的損失函數(shù)為其中a_j代表第j個任務(wù)所對應(yīng)的損失，l_avg代表所有任務(wù)的平均損失，l_max和l_min代表所有任務(wù)中損失的最大項和最小項。

進(jìn)一步地，步驟S4中進(jìn)行人臉屬性識別的具體步驟包括：

(1)將經(jīng)過步驟S2的圖像預(yù)處理后的測試圖像，輸入前段卷積神經(jīng)網(wǎng)絡(luò)，提取人臉屬性特征；