[發明專利]基于卷積神經網絡的人臉圖像性別識別模型及識別方法

有效

• 申請號: 201911175072.9
• 申請日: 2019-11-26
• 公開（公告）號: CN110956116B
• 公開（公告）日: 2023-09-29
• 發明（設計）人: 陰紫微;陳淑榮
• 申請（專利權）人: 上海海事大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/80;G06V10/77;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 上海元好知識產權代理有限公司 31323
• 代理人: 張妍;周乃鑫

一種基于卷積神經網絡的人臉圖像性別識別方法及識別模型，雙路深淺網絡分別采用不同尺度的卷積核對圖像進行特征提取，得到不同尺度、語義的特征，考慮到深層網絡的計算量，在網絡中加入Slice層和Eltwise層，極大地精簡了模型也增強了特征響應，此外還引入了L?Softmax?Loss作為輸出層，在簡化網絡反向傳播計算量的同時有效調節了類間和類內距離，在保證準確度不損失的前提下，極大減少了計算機的運算量。

技術領域

本發明涉及一種基于卷積神經網絡的人臉圖像性別識別方法及識別模型，尤其涉及一種基于多尺度雙路深淺卷積神經網絡的人臉圖像性別識別模型及識別方法。

背景技術

人臉圖像的性別識別是人臉分析的重要任務，性別識別在現今的人臉識別中常常作為必備的屬性展示在身份驗證中(圖1為常見的人臉識別)。早期的識別方法多基于手工提取特征方法，如SVM，PCA，貝葉斯決策。以上的方法大多忽略了人臉圖像的中像素的二維相關性，因此在分類準確率上并沒有滿意的效果。隨著深度學習的興起，卷積神經網絡也常用于人臉性別識別，該卷積神經網絡采用稀疏連接和權值共享等簡化網絡操作，卷積層和采樣層交替進行，簡化了模型的復雜度。實驗表明，卷積神經網絡結構有效地克服了光照、旋轉等因素的影響，具有較好的魯棒性，但在人臉圖像不清晰及人臉姿態變化大的圖像中識別的精度并不高。

發明內容

本發明提供一種基于卷積神經網絡的人臉圖像性別識別模型及識別方法，提高了識別準確度，并減少了運算量。

為了達到上述目的，本本發明提供一種基于卷積神經網絡的人臉圖像性別識別模型，包含：

輸入層，用于輸入經過預處理后統一大小的人臉圖像；

深層網絡卷積層，其提取的特征中包含更豐富和更完整的語義特征；

淺層網絡卷積層，其提取的特征中包含細部紋理邊緣信息；

融合層，用于將深層網絡卷積層提取的特征和淺層網絡卷積層提取的特征進行特征融合；

全連接層，用于將卷積池化后的特征圖轉換為向量；

輸出層，用于采用L-Softmax?Loss函數對特征進行分類輸出。

所述的深層網絡卷積層包含：

多個卷積層，用于提取人臉圖像中的特征，所述的卷積層的數量為10～20；

多個池化層，用于對卷積層提取到的特征進行降維處理；

多個Slice層，用于將經過卷積層提取到的多個特征圖均分為兩部分；

多個Eltwise層，用于從兩部分特征圖中對比選取特征響應最高的特征圖。

所述的淺層網絡卷積層包含：

多個卷積層，用于提取人臉圖像中的特征，所述的卷積層的數量為小于10；

多個池化層，用于對卷積層提取到的特征進行降維處理。

本發明還提供一種基于卷積神經網絡的人臉圖像性別識別方法，包含以下步驟：

深層網絡卷積層和淺層網絡卷積層分別提取輸入層中輸入的人臉圖像中的特征；

融合層將深層網絡卷積層提取的特征和淺層網絡卷積層提取的特征進行特征融合；

全連接層將卷積池化后的特征圖轉換為向量；

輸出層采用L-Softmax?Loss函數對特征進行分類輸出。

輸入層輸入統一大小的人臉圖像。

所述的深層網絡卷積層提取人臉圖像中特征的方法包含：

卷積層提取人臉圖像中的特征；