[發明專利]基于多任務的人臉識別方法、裝置、服務器和可讀存儲介質

在審

• 申請號: 202010419380.8
• 申請日: 2020-05-18
• 公開（公告）號: CN111598000A
• 公開（公告）日: 2020-08-28
• 發明（設計）人: 賀菁菁;浦貴陽
• 申請（專利權）人: 中移（杭州）信息技術有限公司;中國移動通信集團有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 上海晨皓知識產權代理事務所(普通合伙) 31260
• 代理人: 成麗杰

本發明實施例涉及圖像處理與計算機視覺，公開了一種基于多任務的人臉識別方法、裝置、服務器和可讀存儲介質。該方法首先構建人臉識別模型，人臉識別模型包括人臉屬性識別多任務模塊，人臉屬性識別多任務模塊包括至少兩個子任務模塊；對多任務模塊中的每個子任務模塊進行全局訓練；對經過全局訓練后的多任務模塊中的至少一個子任務模塊進行初次微調，使初次微調后的每個子任務模塊更精確；利用微調后的多任務模塊對待識別人臉候選區域進行人臉屬性識別，有效提高人臉屬性識別精度。

技術領域

本發明實施例涉及圖像處理與計算機視覺技術領域，特別涉及基于多任務的人臉識別方法、裝置、服務器和可讀存儲介質。

背景技術

人臉屬性指的是根據給定的人臉判斷其性別、年齡和表情等。目前基本的實現方法有兩種，一種是傳統的方法：首先對檢測到的人臉區域提取HOG/LBP/Gabor等特征，再使用SVM進行分類或者SVR進行回歸的訓練。另外一種是深度學習的方法，有兩種實現實施例，一種是針對人臉的每個屬性，分別使用CNN提取特征，最后使用softmax進行分類，即單標簽的方式；另外一種是所有的屬性使用一個CNN進行人臉特征的提取，最后根據不同的任務設置不同的loss進行屬性分析，或者使用svm進行分類，即多標簽的方式。

發明人發現現有技術中至少存在如下問題：無論是傳統方法還是深度學習方法識別精度都有待提高。

發明內容

本發明實施方式的目的在于提供一種基于多任務的人臉識別方法、裝置、服務器和可讀存儲介質，使得人臉屬性識別精度被有效提高。

為解決上述技術問題，本發明的實施方式提供了一種基于多任務的人臉識別方法，包括以下步驟：

構建人臉識別模型，所述人臉識別模型包括人臉屬性識別多任務模塊，所述人臉屬性識別多任務模塊包括至少兩個子任務模塊；

對所述多任務模塊中的每個子任務模塊進行全局訓練；

對經過全局訓練后的所述多任務模塊中的至少一個子任務模塊進行微調，使微調后的每個子任務模塊更精確；

利用微調后的所述多任務模塊對待識別人臉候選區域進行人臉屬性識別。

本發明的實施方式還提供了一種基于多任務的人臉識別裝置，包括：

模型構建單元，用于構建人臉識別模型，所述人臉識別模型包括人臉屬性識別多任務模塊，所述人臉屬性識別多任務模塊包括至少兩個子任務模塊；

全局訓練單元，用于對所述多任務模塊中的每個子任務模塊進行全局訓練；

微調單元，用于對經過全局訓練后的所述多任務模塊中的至少一個子任務模塊進行初次微調，使初次微調后的每個子任務模塊更精確；

人臉識別單元，利用微調后的所述多任務模塊對待識別人臉候選區域進行人臉屬性識別。

本發明實施方式相對于現有技術而言，首先構建人臉識別模型，人臉識別模型包括人臉屬性識別多任務模塊，人臉屬性識別多任務模塊包括至少兩個子任務模塊；在對多任務模塊中的每個子任務模塊進行全局訓練之后；再對經過全局訓練后的多任務模塊中的至少一個子任務模塊進行初次微調，使初次微調后的每個子任務模塊更精確；利用微調后的多任務模塊對待識別人臉候選區域進行人臉屬性識別，采用先全局訓練、再各個子任務分別微調的方式進行模型的訓練，針對性的提高各個子任務的識別精度，解決多任務模型中各個子任務精度干擾的問題，提高多任務識別精度，進而有效提高人臉屬性識別精度。

另外，進一步可選的，所述人臉識別模型還包括人臉區域提取模塊，在所述利用微調后的所述多任務模塊對待處理人臉候選區域進行人臉屬性識別之前，所述方法還包括：

利用所述人臉區域提取模塊從待處理人臉圖像中提取所述待識別人臉候選區域。