CN108154092A - 人脸特征预测方法及装置 - Google Patents

Abstract

本公开是关于一种人脸特征预测方法及装置，所述方法用于人工智能设备，包括：确定用于预测人脸特征的人脸图片对应的卷积神经网络CNN向量；根据所述CNN向量确定所述人脸图片所属的CNN类，所述CNN类是CNN模型中预先聚类得到的K个类中的一个，且K个类中的每个类对应着各自的卷积层，K为大于等于1的正整数；根据所述CNN类对应的卷积层计算所述CNN类所对应的卷积参数，得到所述人脸特征的预测结果。因此，本公开可以提高人脸特征预测的准确度，还可以提高用户满意度。

Description

人脸特征预测方法及装置

技术领域

本公开涉及人工智能技术领域，尤其涉及一种人脸特征预测方法及装置。

背景技术

随着人工智能技术的不断发展，CNN(Convolutional Neural Networks，卷积神经网络)针对人脸识别的应用也越来越广泛。相关技术中，在性别、年龄识别时，一般将人脸图像输入CNN进行直接识别。但是，相关技术中的性别、年龄识别的准确率较低，降低了用户满意度。

发明内容

为克服相关技术中存在的问题，本公开实施例提供一种人脸特征预测方法及装置。

根据本公开实施例的第一方面，提供一种人脸特征预测方法，所述方法用于人工智能设备，包括：

确定用于预测人脸特征的人脸图片对应的卷积神经网络CNN向量；

根据所述CNN向量确定所述人脸图片所属的CNN类，所述CNN类是CNN模型中预先聚类得到的K个类中的一个，且K个类中的每个类对应着各自的卷积层，K为大于等于1的正整数；

根据所述CNN类对应的卷积层计算所述CNN类所对应的卷积参数，得到所述人脸特征的预测结果。

可选地，所述确定用于预测人脸特征的人脸图片对应的卷积神经网络CNN向量，包括：

将所述人脸图片输入到所述CNN模型中；

根据所述CNN模型的网络参数，得到所述人脸图片对应的CNN向量。

可选地，所述根据所述CNN向量确定所述人脸图片所属的CNN类，包括：

计算所述CNN向量与所述CNN模型中的K个类各自的类中心之间的相似度或欧式距离；

将最大相似度或最小欧式距离对应的类确定为所述人脸图片所属的CNN类。

可选地，所述方法还包括：

利用训练样本进行预选训练，得到所述CNN模型。

可选地，所述利用训练样本进行预选训练，得到所述CNN模型，包括：

对所有训练样本进行预测识别，得到每个训练样本的样本向量；

对所有训练样本的样本向量进行聚类，聚成K个类，每个类中的训练样本包括人脸特征标签、以及所属类的标签；

计算K个类各自所有样本向量的坐标平均值，得到K个类各自的类中心；

对每个类另起CNN分支，每个类对应各自的卷积层和卷积参数。

可选地，所述对所有训练样本的样本向量进行聚类，包括：

通过K均值聚类算法对所有训练样本的样本向量进行聚类；或

通过高斯混合模型GMM算法对所有训练样本的样本向量进行聚类。

根据本公开实施例的第二方面，提供一种人脸特征预测装置，其特征在于，所述方法用于人工智能设备，包括：

第一确定模块，被配置为确定用于预测人脸特征的人脸图片对应的卷积神经网络CNN向量；

第二确定模块，被配置为根据所述CNN向量确定所述人脸图片所属的CNN类，所述CNN类是CNN模型中预先聚类得到的K个类中的一个，且K个类中的每个类对应着各自的卷积层，K为大于等于1的正整数；

计算模块，被配置为根据所述CNN类对应的卷积层计算所述CNN类所对应的卷积参数，得到所述人脸特征的预测结果。

可选地，所述第一确定模块包括：

输入子模块，被配置为将所述人脸图片输入到所述CNN模型中；

第一确定子模块，被配置为根据所述CNN模型的网络参数，得到所述人脸图片对应的CNN向量。

可选地，所述第二确定模块包括：

计算子模块，被配置为计算所述CNN向量与所述CNN模型中的K个类各自的类中心之间的相似度或欧式距离；

第二确定子模块，被配置为将最大相似度或最小欧式距离对应的类确定为所述人脸图片所属的CNN类。

可选地，所述装置还包括：

训练模块，被配置为利用训练样本进行预选训练，得到所述CNN模型。

可选地，所述训练模块包括：

样本向量确定子模块，被配置为对所有训练样本进行预测识别，得到每个训练样本的样本向量；

第一聚类子模块，被配置为对所有训练样本的样本向量进行聚类，聚成K个类，每个类中的训练样本包括人脸特征标签、以及所属类的标签；

计算子模块，被配置为计算K个类各自所有样本向量的坐标平均值，得到K个类各自的类中心；

CNN模型微调子模块，被配置为对每个类另起CNN分支，每个类对应各自的卷积层和卷积参数。

可选地，所述第一聚类子模块包括：

第二聚类子模块，被配置为通过K均值聚类算法对所有训练样本的样本向量进行聚类、或通过高斯混合模型GMM算法对所有训练样本的样本向量进行聚类，聚成K个类，每个类中的训练样本包括人脸特征标签、以及所属类的标签。

根据本公开实施例的第三方面，提供一种人脸特征预测装置，所述装置用于人工智能设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

确定用于预测人脸特征的人脸图片对应的卷积神经网络CNN向量；

根据所述CNN向量确定所述人脸图片所属的CNN类，所述CNN类是CNN模型中预先聚类得到的K个类中的一个，且K个类中的每个类对应着各自的卷积层，K为大于等于1的正整数；

根据所述CNN类对应的卷积层计算所述CNN类所对应的卷积参数，得到所述人脸特征的预测结果。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开中人工智能设备可以通过确定用于预测人脸特征的人脸图片对应的CNN向量，根据人脸图片对应的CNN向量确定人脸图片所属的CNN类，根据人脸图片所属的CNN类对应的卷积层计算该CNN类所对应的卷积参数，得到人脸图片中人脸特征的预测结果，从而提高了人脸特征预测的准确度，还提高了用户满意度。

本公开中人工智能设备还可以通过将人脸图片输入到CNN模型中，根据CNN模型的网络参数，得到人脸图片对应的CNN向量，便于后续根据人脸图片对应的CNN向量确定人脸图片所属的CNN类、以及根据CNN类对应的卷积层计算CNN类所对应的卷积参数，得到人脸特征的预测结果，从而提高了人脸特征预测的可靠性。

本公开中人工智能设备还可以通过计算CNN向量与CNN模型中的K个类各自的类中心之间的相似度或欧式距离，将最大相似度或最小欧式距离对应的类确定为人脸图片所属的CNN类，从而提高了确定人脸图片所属的CNN类的准确度。

本公开中人工智能设备还可以先利用训练样本进行预选训练，得到CNN模型，再利用该CNN模型进行人脸特征预测，从而提高了人脸特征预测的效率。

本公开中人工智能设备还可以通过对所有训练样本进行预测识别，得到每个训练样本的样本向量，对所有训练样本的样本向量进行聚类，聚成K个类，每个类中的训练样本包括人脸特征标签、以及所属类的标签，计算K个类各自所有样本向量的坐标平均值，得到K个类各自的类中心，对每个类另起CNN分支，每个类对应各自的卷积层和卷积参数，最终得到用于人脸特征预测的CNN模型，从而提高了人脸特征预测的实用性。

本公开中人工智能设备还可以通过K均值聚类算法对所有训练样本的样本向量进行聚类、或通过GMM算法对所有训练样本的样本向量进行聚类，从而提高了对所有训练样本的样本向量进行聚类的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是本公开根据一示例性实施例示出的一种人脸特征预测方法的流程图；

图2是本公开根据一示例性实施例示出的一种人脸特征预测方法的应用场景图；

图3是本公开根据一示例性实施例示出的另一种人脸特征预测方法的流程图；

图4是本公开根据一示例性实施例示出的另一种人脸特征预测方法的流程图；

图5是本公开根据一示例性实施例示出的另一种人脸特征预测方法的流程图；

图6是本公开根据一示例性实施例示出的另一种人脸特征预测方法的流程图；

图7是本公开根据一示例性实施例示出的另一种人脸特征预测方法的流程图；

图8是本公开根据一示例性实施例示出的一种人脸特征预测装置的框图；

图9是本公开根据一示例性实施例示出的一种人脸特征预测装置的框图；

图10是本公开根据一示例性实施例示出的另一种人脸特征预测装置的框图；

图11是本公开根据一示例性实施例示出的另一种人脸特征预测装置的框图；

图12是本公开根据一示例性实施例示出的另一种人脸特征预测装置的框图；

图13是本公开根据一示例性实施例示出的另一种人脸特征预测装置的框图；

图14是本公开根据一示例性实施例示出的一种适用于人脸特征预测装置的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

图1是本公开根据一示例性实施例示出的一种人脸特征预测方法的流程图，图2是根据一示例性实施例示出的一种人脸特征预测方法的场景图；该人脸特征预测方法可以应用在人工智能设备。如图1所示，该人脸特征预测方法可以包括以下步骤110-130：

在步骤110中，确定用于预测人脸特征的人脸图片对应的CNN向量。

本公开实施例中，人脸特征可以是年龄、性别、特征点等。

在一实施例中，在确定用于预测人脸特征的人脸图片对应的CNN向量，可以采用但不限制以下实现方式：将人脸图片输入到CNN模型中；根据CNN模型的网络参数，得到人脸图片对应的CNN向量，详见图3所示实施例。

在步骤120中，根据人脸图片对应的CNN向量确定人脸图片所属的CNN类，该CNN类是CNN模型中预先聚类得到的K个类中的一个，且K个类中的每个类对应着各自的卷积层，K为大于等于1的正整数。

本公开实施例中，CNN模型是预先训练得到的模型，每个类中的训练样本包括人脸特征标签、以及所属类的标签；每个类包括各自的类中心和各自的CNN分支，每个类对应各自的卷积层和卷积参数。

在一实施例中，在根据人脸图片对应的CNN向量确定人脸图片所属的CNN类，可以采用但不限制以下实现方式：计算所述CNN向量与所述CNN模型中的K个类各自的类中心之间的相似度或欧式距离；将最大相似度或最小欧式距离对应的类确定为所述人脸图片所属的CNN类，详见图4所示实施例。

在步骤130中，根据人脸图片所属的CNN类对应的卷积层计算该CNN类所对应的卷积参数，得到人脸图片中人脸特征的预测结果。

本公开实施例中，CNN模型中预先聚类得到的K个类中的每个类对应着各自的卷积层和卷积参数。

在一实例性场景中，如图2所示，包括人脸图片、作为人工智能设备的智能手机。智能手机在根据人脸图片进行人脸特征预测时，可以将用于预测人脸特征的人脸图片输入到利用训练样本进行预选训练而得到CNN模型中，根据CNN模型的网络参数，得到人脸图片对应的CNN向量；其次，计算人脸图片对应的CNN向量与CNN模型中的K个类各自的类中心之间的相似度或欧式距离，并将最大相似度或最小欧式距离对应的类确定为人脸图片所属的CNN类；最后，根据CNN类对应的卷积层计算CNN类所对应的卷积参数，得到人脸特征的预测结果。

由上述实施例可见，通过确定用于预测人脸特征的人脸图片对应的CNN向量，根据人脸图片对应的CNN向量确定人脸图片所属的CNN类，根据人脸图片所属的CNN类对应的卷积层计算该CNN类所对应的卷积参数，得到人脸图片中人脸特征的预测结果，从而提高了人脸特征预测的准确度，还提高了用户满意度。

图3是本公开根据一示例性实施例示出的另一种人脸特征预测方法的流程图，该人脸特征预测方法可以应用在人工智能设备，并建立图1所示方法的基础上，执行步骤110时，如图3所示，可以包括以下步骤310-320：

在步骤310中，将人脸图片输入到CNN模型中。

本公开实施例中，CNN模型是预先训练得到的模型，

在步骤320中，根据CNN模型的网络参数，得到人脸图片对应的CNN向量。

由上述实施例可见，通过将人脸图片输入到CNN模型中，根据CNN模型的网络参数，得到人脸图片对应的CNN向量，便于后续根据人脸图片对应的CNN向量确定人脸图片所属的CNN类、以及根据CNN类对应的卷积层计算CNN类所对应的卷积参数，得到人脸特征的预测结果，从而提高了人脸特征预测的可靠性。

图4是本公开根据一示例性实施例示出的另一种人脸特征预测方法的流程图，该人脸特征预测方法可以应用在人工智能设备，并建立图1所示方法的基础上，执行步骤120时，如图4所示，可以包括以下步骤410-420：

在步骤410中，计算CNN向量与CNN模型中的K个类各自的类中心之间的相似度或欧式距离。

本公开实施例中，在根据人脸图片对应的CNN向量确定人脸图片所属的CNN类，可以通过CNN向量与CNN模型中的K个类各自的类中心之间的相似度来确定，还可以通过CNN向量与CNN模型中的K个类各自的类中心之间的欧式距离来确定。

在步骤420中，将最大相似度或最小欧式距离对应的类确定为人脸图片所属的CNN类。

由上述实施例可见，通过计算CNN向量与CNN模型中的K个类各自的类中心之间的相似度或欧式距离，将最大相似度或最小欧式距离对应的类确定为人脸图片所属的CNN类，从而提高了确定人脸图片所属的CNN类的准确度。

图5是本公开根据一示例性实施例示出的另一种人脸特征预测方法的流程图，该人脸特征预测方法可以应用在人工智能设备，并建立图1至图4任一所示方法的基础上，该人脸特征预测方法还可以包括以下步骤510：

在步骤510中，利用训练样本进行预选训练，得到CNN模型。

本公开实施例中，CNN模型可以是一个自动分类的、人脸特征预测的CNN分类器。

由上述实施例可见，可以先利用训练样本进行预选训练，得到CNN模型，再利用该CNN模型进行人脸特征预测，从而提高了人脸特征预测的效率。

图6是本公开根据一示例性实施例示出的另一种人脸特征预测方法的流程图，该人脸特征预测方法可以应用在人工智能设备，并建立图5所示方法的基础上，执行步骤510时，如图6所示，可以包括以下步骤610-640：

在步骤610中，对所有训练样本进行预测识别，得到每个训练样本的样本向量。

本公开实施例中，可以先建立一个初始CNN模型，然后对该初始CNN模型进行重新训练，先对所有训练样本进行预测识别，得到每个训练样本的样本向量V，向量V可以是初始CNN模型的完全连接(fully connected)层或最后一层。

在步骤620中，对所有训练样本的样本向量进行聚类，聚成K个类，每个类中的训练样本包括人脸特征标签、以及所属类的标签。

本公开实施例中，对所有训练样本的样本向量进行聚类后，可能聚成一个类，也可能聚成多个类。比如：左侧人脸类、右侧人脸类、正面人脸类等。

还有，每个类中的训练样本包括的人脸特征标签中，若人脸特征可以为年龄、性别、特征点时，则人脸特征标签可以相应为年龄标签、性别标签、特征点标签。

在步骤630中，计算K个类各自所有样本向量的坐标平均值，得到K个类各自的类中心。

在步骤640中，对每个类另起CNN分支，每个类对应各自的卷积层和卷积参数。

本公开实施例中，可以在初始CNN模型上的基础上进行微调，建立K个类的CNN分支网络结构，每个类对应各自的卷积层和卷积参数，得到最终的CNN模型。

由上述实施例可见，通过对所有训练样本进行预测识别，得到每个训练样本的样本向量，对所有训练样本的样本向量进行聚类，聚成K个类，每个类中的训练样本包括人脸特征标签、以及所属类的标签，计算K个类各自所有样本向量的坐标平均值，得到K个类各自的类中心，对每个类另起CNN分支，每个类对应各自的卷积层和卷积参数，最终得到用于人脸特征预测的CNN模型，从而提高了人脸特征预测的实用性。

图7是本公开根据一示例性实施例示出的另一种人脸特征预测方法的流程图，该人脸特征预测方法可以应用在人工智能设备，并建立图6所示方法的基础上，执行步骤620时，如图7所示，可以包括以下步骤710：

在步骤710中，通过K均值聚类算法(K-means算法)对所有训练样本的样本向量进行聚类、或通过GMM(Gaussian Mixture Model，高斯混合模型)算法对所有训练样本的样本向量进行聚类，聚成K个类，每个类中的训练样本包括人脸特征标签、以及所属类的标签。

由上述实施例可见，通过K均值聚类算法对所有训练样本的样本向量进行聚类、或通过GMM算法对所有训练样本的样本向量进行聚类，从而提高了对所有训练样本的样本向量进行聚类的准确性。

与前述人脸特征预测方法实施例相对应，本公开还提供人脸特征预测装置的实施例。

如图8所示，图8是本公开根据一示例性实施例示出的一种人脸特征预测装置的框图，所述装置可以应用在人工智能设备，并用于执行图1所示的人脸特征预测方法，所述人脸特征预测装置可以包括：

第一确定模块81，被配置为确定用于预测人脸特征的人脸图片对应的卷积神经网络CNN向量；

第二确定模块82，被配置为根据所述CNN向量确定所述人脸图片所属的CNN类，所述CNN类是CNN模型中预先聚类得到的K个类中的一个，且K个类中的每个类对应着各自的卷积层，K为大于等于1的正整数；

计算模块83，被配置为根据所述CNN类对应的卷积层计算所述CNN类所对应的卷积参数，得到所述人脸特征的预测结果。

由上述实施例可见，通过确定用于预测人脸特征的人脸图片对应的CNN向量，根据人脸图片对应的CNN向量确定人脸图片所属的CNN类，根据人脸图片所属的CNN类对应的卷积层计算该CNN类所对应的卷积参数，得到人脸图片中人脸特征的预测结果，从而提高了人脸特征预测的准确度，还提高了用户满意度。

如图9所示，图9是本公开根据一示例性实施例示出的另一种人脸特征预测装置的框图，该实施例在前述图8所示实施例的基础上，所述第一确定模块81可以包括：

输入子模块91，被配置为将所述人脸图片输入到所述CNN模型中；

第一确定子模块92，被配置为根据所述CNN模型的网络参数，得到所述人脸图片对应的CNN向量。

由上述实施例可见，通过将人脸图片输入到CNN模型中，根据CNN模型的网络参数，得到人脸图片对应的CNN向量，便于后续根据人脸图片对应的CNN向量确定人脸图片所属的CNN类、以及根据CNN类对应的卷积层计算CNN类所对应的卷积参数，得到人脸特征的预测结果，从而提高了人脸特征预测的可靠性。

如图10所示，图10是本公开根据一示例性实施例示出的另一种人脸特征预测装置的框图，该实施例在前述图8所示实施例的基础上，所述第二确定模块82可以包括：

计算子模块101，被配置为计算所述CNN向量与所述CNN模型中的K个类各自的类中心之间的相似度或欧式距离；

第二确定子模块102，被配置为将最大相似度或最小欧式距离对应的类确定为所述人脸图片所属的CNN类。

由上述实施例可见，通过计算CNN向量与CNN模型中的K个类各自的类中心之间的相似度或欧式距离，将最大相似度或最小欧式距离对应的类确定为人脸图片所属的CNN类，从而提高了确定人脸图片所属的CNN类的准确度。

如图11所示，图11是本公开根据一示例性实施例示出的另一种人脸特征预测装置的框图，该实施例在前述图8至图10任一所示实施例的基础上，所述人脸特征预测装置还可以包括：

训练模块111，被配置为利用训练样本进行预选训练，得到所述CNN模型。

由上述实施例可见，可以先利用训练样本进行预选训练，得到CNN模型，再利用该CNN模型进行人脸特征预测，从而提高了人脸特征预测的效率。

如图12所示，图12是本公开根据一示例性实施例示出的另一种人脸特征预测装置的框图，该实施例在前述图11所示实施例的基础上，所述训练模块111可以包括：

样本向量确定子模块121，被配置为对所有训练样本进行预测识别，得到每个训练样本的样本向量；

第一聚类子模块122，被配置为对所有训练样本的样本向量进行聚类，聚成K个类，每个类中的训练样本包括人脸特征标签、以及所属类的标签；

计算子模块123，被配置为计算K个类各自所有样本向量的坐标平均值，得到K个类各自的类中心；

CNN模型微调子模块124，被配置为对每个类另起CNN分支，每个类对应各自的卷积层和卷积参数。

由上述实施例可见，通过对所有训练样本进行预测识别，得到每个训练样本的样本向量，对所有训练样本的样本向量进行聚类，聚成K个类，每个类中的训练样本包括人脸特征标签、以及所属类的标签，计算K个类各自所有样本向量的坐标平均值，得到K个类各自的类中心，对每个类另起CNN分支，每个类对应各自的卷积层和卷积参数，最终得到用于人脸特征预测的CNN模型，从而提高了人脸特征预测的实用性。

如图13所示，图13是本公开根据一示例性实施例示出的另一种人脸特征预测装置的框图，该实施例在前述图12所示实施例的基础上，所述第一聚类子模块122可以包括：

第二聚类子模块131，被配置为通过K均值聚类算法对所有训练样本的样本向量进行聚类、或通过高斯混合模型GMM算法对所有训练样本的样本向量进行聚类，聚成K个类，每个类中的训练样本包括人脸特征标签、以及所属类的标签。

由上述实施例可见，通过K均值聚类算法对所有训练样本的样本向量进行聚类、或通过GMM算法对所有训练样本的样本向量进行聚类，从而提高了对所有训练样本的样本向量进行聚类的准确性。

与图8相应的，本公开还提供另一种人脸特征预测装置，所述装置用于人工智能设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

确定用于预测人脸特征的人脸图片对应的卷积神经网络CNN向量；

根据所述CNN向量确定所述人脸图片所属的CNN类，所述CNN类是CNN模型中预先聚类得到的K个类中的一个，且K个类中的每个类对应着各自的卷积层，K为大于等于1的正整数；

根据所述CNN类对应的卷积层计算所述CNN类所对应的卷积参数，得到所述人脸特征的预测结果。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

如图14所示，图14是本公开根据一示例性实施例示出的一种适用于人脸特征预测装置1400的结构示意图。例如，装置1400可以是具有路由功能的移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图14，装置1400可以包括以下一个或多个组件：处理组件1402，存储器1404，电源组件1406，多媒体组件1408，音频组件1410，输入/输出(I/O)的接口1412，传感器组件1414，以及通信组件1416。

处理组件1402通常控制装置1400的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1402可以包括一个或多个处理器1420来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1402可以包括一个或多个模块，便于处理组件1402和其他组件之间的交互。例如，处理组件1402可以包括多媒体模块，以方便多媒体组件1408和处理组件1402之间的交互。

存储器1404被配置为存储各种类型的数据以支持在装置1400的操作。这些数据的示例包括用于在装置1400上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件1406为装置1400的各种组件提供电力。电源组件1406可以包括电源管理系统，一个或多个电源，及其他与为装置1400生成、管理和分配电力相关联的组件。

多媒体组件1408包括在所述装置1400和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1408包括一个前置摄像头和/或后置摄像头。当装置1400处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件1410被配置为输出和/或输入音频信号。例如，音频组件1410包括一个麦克风(MIC)，当装置1400处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1404或经由通信组件1416发送。在一些实施例中，音频组件1410还包括一个扬声器，用于输出音频信号。

I/O接口1412为处理组件1402和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件1414包括一个或多个传感器，用于为装置1400提供各个方面的状态评估。例如，传感器组件1414可以检测到装置1400的打开/关闭状态，组件的相对定位，例如所述组件为装置1400的显示器和小键盘，传感器组件1414还可以检测装置1400或装置1400一个组件的位置改变，用户与装置1400接触的存在或不存在，装置1400方位或加速/减速和装置1400的温度变化。传感器组件1414可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1414还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1414还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器，微波传感器或温度传感器。

通信组件1416被配置为便于装置1400和其他设备之间有线或无线方式的通信。装置1400可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1416经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1416还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置1400可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行以下方法：

确定用于预测人脸特征的人脸图片对应的卷积神经网络CNN向量；

根据所述CNN向量确定所述人脸图片所属的CNN类，所述CNN类是CNN模型中预先聚类得到的K个类中的一个，且K个类中的每个类对应着各自的卷积层，K为大于等于1的正整数；

根据所述CNN类对应的卷积层计算所述CNN类所对应的卷积参数，得到所述人脸特征的预测结果。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1404，上述指令可由装置1400的处理器1420执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (13)

1.一种人脸特征预测方法，其特征在于，所述方法用于人工智能设备，包括：

确定用于预测人脸特征的人脸图片对应的卷积神经网络CNN向量；

根据所述CNN向量确定所述人脸图片所属的CNN类，所述CNN类是CNN模型中预先聚类得到的K个类中的一个，且K个类中的每个类对应着各自的卷积层，K为大于等于1的正整数；

根据所述CNN类对应的卷积层计算所述CNN类所对应的卷积参数，得到所述人脸特征的预测结果。

2.根据权利要求1所述的方法，其特征在于，所述确定用于预测人脸特征的人脸图片对应的卷积神经网络CNN向量，包括：

将所述人脸图片输入到所述CNN模型中；

根据所述CNN模型的网络参数，得到所述人脸图片对应的CNN向量。

3.根据权利要求1所述的方法，其特征在于，所述根据所述CNN向量确定所述人脸图片所属的CNN类，包括：

计算所述CNN向量与所述CNN模型中的K个类各自的类中心之间的相似度或欧式距离；

将最大相似度或最小欧式距离对应的类确定为所述人脸图片所属的CNN类。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：

利用训练样本进行预选训练，得到所述CNN模型。

5.根据权利要求4所述的方法，其特征在于，所述利用训练样本进行预选训练，得到所述CNN模型，包括：

对所有训练样本进行预测识别，得到每个训练样本的样本向量；

对所有训练样本的样本向量进行聚类，聚成K个类，每个类中的训练样本包括人脸特征标签、以及所属类的标签；

计算K个类各自所有样本向量的坐标平均值，得到K个类各自的类中心；

对每个类另起CNN分支，每个类对应各自的卷积层和卷积参数。

6.根据权利要求5所述的方法，其特征在于，所述对所有训练样本的样本向量进行聚类，包括：

通过K均值聚类算法对所有训练样本的样本向量进行聚类；或

通过高斯混合模型GMM算法对所有训练样本的样本向量进行聚类。

7.一种人脸特征预测装置，其特征在于，所述方法用于人工智能设备，包括：

第一确定模块，被配置为确定用于预测人脸特征的人脸图片对应的卷积神经网络CNN向量；

第二确定模块，被配置为根据所述CNN向量确定所述人脸图片所属的CNN类，所述CNN类是CNN模型中预先聚类得到的K个类中的一个，且K个类中的每个类对应着各自的卷积层，K为大于等于1的正整数；

计算模块，被配置为根据所述CNN类对应的卷积层计算所述CNN类所对应的卷积参数，得到所述人脸特征的预测结果。

8.根据权利要求7所述的装置，其特征在于，所述第一确定模块包括：

输入子模块，被配置为将所述人脸图片输入到所述CNN模型中；

第一确定子模块，被配置为根据所述CNN模型的网络参数，得到所述人脸图片对应的CNN向量。

9.根据权利要求7所述的装置，其特征在于，所述第二确定模块包括：

计算子模块，被配置为计算所述CNN向量与所述CNN模型中的K个类各自的类中心之间的相似度或欧式距离；

第二确定子模块，被配置为将最大相似度或最小欧式距离对应的类确定为所述人脸图片所属的CNN类。

10.根据权利要求7至9任一项所述的装置，其特征在于，所述装置还包括：

训练模块，被配置为利用训练样本进行预选训练，得到所述CNN模型。

11.根据权利要求10所述的装置，其特征在于，所述训练模块包括：

样本向量确定子模块，被配置为对所有训练样本进行预测识别，得到每个训练样本的样本向量；

第一聚类子模块，被配置为对所有训练样本的样本向量进行聚类，聚成K个类，每个类中的训练样本包括人脸特征标签、以及所属类的标签；

计算子模块，被配置为计算K个类各自所有样本向量的坐标平均值，得到K个类各自的类中心；

CNN模型微调子模块，被配置为对每个类另起CNN分支，每个类对应各自的卷积层和卷积参数。

12.根据权利要求11所述的装置，其特征在于，所述第一聚类子模块包括：

第二聚类子模块，被配置为通过K均值聚类算法对所有训练样本的样本向量进行聚类、或通过高斯混合模型GMM算法对所有训练样本的样本向量进行聚类，聚成K个类，每个类中的训练样本包括人脸特征标签、以及所属类的标签。

13.一种人脸特征预测装置，其特征在于，所述装置用于人工智能设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

确定用于预测人脸特征的人脸图片对应的卷积神经网络CNN向量；

根据所述CNN向量确定所述人脸图片所属的CNN类，所述CNN类是CNN模型中预先聚类得到的K个类中的一个，且K个类中的每个类对应着各自的卷积层，K为大于等于1的正整数；

根据所述CNN类对应的卷积层计算所述CNN类所对应的卷积参数，得到所述人脸特征的预测结果。