[發明專利]一種社區監控場景下人臉屬性識別方法

在審

• 申請號: 202010967179.3
• 申請日: 2020-09-15
• 公開（公告）號: CN112200008A
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 徐亮;張衛山;孫浩云;尹廣楹;張大千;管洪清
• 申請（專利權）人: 青島邃智信息科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/36;G06K9/62
• 代理公司: 北京聯瑞聯豐知識產權代理事務所(普通合伙) 11411
• 代理人: 郭堃

1.一種社區監控場景下人臉屬性識別方法，其特征在于：包括以下步驟：

步驟1：社區監控場景下獲取視頻流，并進行解碼處理采集行人圖像數據集；

步驟2：用部分數據集采用直方圖均衡化方法對圖像進行增強處理；

步驟3：把圖像增強后的數據輸入至圖像增強網絡ReForce-Net進行訓練，獲取最優網絡參數；

步驟4：采用參數最優的ReForce-Net網絡模型對行人圖像進行基于直方圖均衡化算法的去模糊操作；

步驟5：對圖像增強后的圖像進行像素值歸一化處理；

步驟6：對歸一化后的部分圖像進行關鍵點標注，進而訓練全卷積神經網絡FCN，直至得到最優的網絡參數；

步驟7：采用參數最優的FCN網絡模型對步驟5處理后的目標圖像進行關鍵點定位對齊；

步驟8：首先對部分待識別圖像進行人工特征提取作為樣本，進而訓練卷積神經網絡FAR-Net，直至訓練得到最優的網絡參數；

步驟9：利用訓練好的FAR-Net網絡模型對待識別的人臉圖像進行提取特征進行分類，實現人臉屬性識別的目的；

步驟10：采用GPU調度策略進行GPU調度。

2.根據權利要求1所述的社區監控場景下人臉屬性識別方法，其特征在于：在所述步驟1中，還包括在社區各處安裝高清攝像頭或者視頻采集裝置，選擇需要監測的區域，獲取該區域下所有的視頻流，對視頻流進行解碼處理分離出圖像數據。

3.根據權利要求1所述的社區監控場景下人臉屬性識別方法，其特征在于：在所述步驟2中，還包括采用傳統的圖像增強方法——直方圖均衡化處理，利用把原始圖像的灰度值范圍拉開增大反差的原理使采集的行人圖像細節清晰，以達到增強的的目的。

4.根據權利要求1所述的社區監控場景下人臉屬性識別方法，其特征在于：在所述步驟3中，還包括把圖像增強后的數據輸入至圖像增強網絡ReForce-Net進行訓練，獲取最優網絡參數，因為是對直方圖均衡化算法的神經網絡化操作，所以網絡結構采用一層卷積，目的使縮短圖像增強計算過程的時間；訓練過程：首先使用默認參數進行訓練，根據訓練中間結果，對初始權值、訓練速率和迭代次數不斷進行調整，直到所述圖像增強網絡以預設的效率達到預設的增強效果。

5.根據權利要求1所述的社區監控場景下人臉屬性識別方法，其特征在于：在所述步驟5中，還包括對圖像增強后的圖像進行像素值歸一化處理，將輸入圖像的像素值從[0，255]歸一化到[-1，1]，從而消除奇異樣本導致后續步驟的不良影響；歸一化采用最大最小值歸一化方法：

其中x表示圖像像素點值，min(x)、max(x)分布表示圖像像素的最大值和最小值。

6.根據權利要求1所述的社區監控場景下人臉屬性識別方法，其特征在于：在所述步驟6中，還包括選取6個具有人臉代表性的關鍵點分別為雙眼、鼻、嘴以及兩嘴角進行標注，進而對全卷積神經網絡FCN進行訓練，其中全卷積神經網絡全程為Fully ConvolutionalNetworks；訓練過程：首先使用默認參數進行訓練，根據訓練中間結果，對初始權值、訓練速率和迭代次數不斷進行調整，直到全卷積神經網絡以預設的效率達到預設的關鍵點定位的效果。

7.根據權利要求1所述的社區監控場景下人臉屬性識別方法，其特征在于：在所述步驟9中，還包括利用部分標注好人臉屬性的樣本集對人臉屬性識別網絡FAR-Net進行訓練，訓練過程：首先使用默認參數進行訓練，根據訓練中間結果，對初始權值、訓練速率和迭代次數不斷進行調整，直到全卷積神經網絡以預設的效率達到預設的效果；利用訓練好的FAR-Net網絡模型對待識別人臉圖像進行特征提取分類，實現人臉屬性識別的目的。

8.根據權利要求1所述的社區監控場景下人臉屬性識別方法，其特征在于：在所述步驟10中，還包括實時監控GPU處理器集群中的GPU使用情況，采取適當的調度策略對GPU進行實時調度。