CN108197574A - 人物风格识别方法、终端及计算机可读存储介质 - Google Patents

Abstract

本发明实施例公开了一种人物风格识别方法、终端及计算机可读存储介质，其中，方法包括：获取待识别的当前人脸图像；对当前人脸图像进行脸部特征识别及增强处理，以得到第一图像；将第一图像导入训练网络模型进行训练标注，以得到目标标注结果；采用余弦相似度匹配算法对目标标注结果进行处理，以得到当前人脸图像的风格权重值；根据风格权重值及元素特征组合表得到并输出风格识别结果。实施本实施例，实现了风格的自动识别，降低了风格识别的差异及工作强度，提高了识别效率，对服饰、鞋帽、包、眼镜、彩妆等精准搭配、电商精准导购和形象设计领域提供了标准指导和重要参考价值。

Description

人物风格识别方法、终端及计算机可读存储介质

技术领域

本发明涉及人物识别技术领域，具体涉及一种人物风格识别方法、终端及计算机可读存储介质。

背景技术

服饰风格搭配师、服装设计师、发型师以及化妆师，在国外统称为整体造型师。整体造型师是一个全新的行业，这在国外已经较为普遍和流行，而国内目前还较少。但随着国人消费能力和消费审美的提升，这类执业及消费需求会越来越多。整体造型师是为了帮助一般人获得如同明星般的外在形象的提升而存在的一个新兴职业，帮助一般消费者或者时尚从业者根据自己的先天长相或后天审美需求进行形象定制。

整体形象造型师的核心工作是把人的风格属性和物品的风格属性进行精准匹配和消费推荐(包括电商导购)。而对人的风格准确界定和物品(包含衣服、鞋子、包、妆容以及眼镜等)的风格准确界定是很难的，这取决于自身悟性、多年全球范围的观摩深造、大量人和物数据的标注经验等因素。综上，目前对人物风格的识别基本停留在专业人士的主观判断上，人为判断导致识别的差异化较大，同时也增加了工作强度，降低了识别效率。

发明内容

本发明实施例的目的在于提供一种人物风格识别方法、终端及计算机可读存储介质，以降低风格识别的差异及工作强度，提高识别效率，对服饰、鞋帽、包、眼镜、彩妆等精准搭配、电商精准导购和形象设计领域提供标准指导和重要参考价值。

为实现上述目的，第一方面，本发明实施例提供了一种人物风格识别方法，包括：

获取待识别的当前人脸图像；

对所述当前人脸图像进行脸部特征识别及增强处理，以得到第一图像；

将所述第一图像导入训练网络模型进行训练标注，以得到目标标注结果；

采用余弦相似度匹配算法对所述目标标注结果进行处理，以得到所述当前人脸图像的风格权重值；

根据所述风格权重值及元素特征组合表得到并输出风格识别结果。

作为本申请一种优选的实施方式，所述人物风格识别方法还包括：

获取已标注的图片训练集；

根据所述图片训练集对标准训练网络进行训练，以得到所述训练网络模型。

作为本申请一种优选的实施方式，所述目标标注结果包括多个数值，采用余弦相似度匹配算法对所述目标标注结果进行处理，以得到所述当前人脸图像的风格权重值，具体包括：

采用余弦相似度匹配算法及多个数值进行余弦计算，以得到多个余弦值；

取最大的余弦值作为所述当前人脸图像的风格权重值。

作为本申请一种优选的实施方式，所述方法还包括：

获取多张人脸样本图片；

对多张所述人脸样本图片进行特征点提取以得到多个人脸特征点元素；

对多个所述人脸特征点元素进行组合以定义八种标准风格；

根据多个所述人脸特征点元素及标准风格生成元素组合表；

采用预设的赋值规则对所述元素组合表进行赋值，以得到所述元素特征组合表。

作为本申请一种优选的实施方式，所述训练网络模型网络包括色相卷积神经网络、明度卷积神经网络、纯度卷积神经网络、脸长神经卷积网络、内径卷积神经网络、五官量感卷积神经网络、眼神卷积神经网络、五官质感卷积神经网络和脸部骨骼卷积神经网络。所述图片训练集包括色相标注、明度标注、纯度标注、脸长标注、内径标注、五官量感标注、眼神标注、五官质感标注以及脸部骨骼标注。

第二方面，本发明实施例提供了一种人物风格识别终端，包括：

获取单元，获取待识别的当前人脸图像；

第一处理单元，用于对所述当前人脸图像进行脸部特征识别及增强处理，以得到第一图像；

标注单元，用于将所述第一图像导入训练网络模型进行训练标注，以得到目标标注结果；

第二处理单元，采用余弦相似度匹配算法对所述目标标注结果进行处理，以得到所述当前人脸图像的风格权重值；

输出单元，用于根据所述风格权重值及元素特征组合表得到并输出风格识别结果。

作为本申请一种可选的实施方式，所述人物风格识别终端还包括训练单元，用于：

获取已标注的图片训练集；

根据所述图片训练集对标准训练网络进行训练，以得到所述训练网络模型。

作为本申请一种可选的实施方式，所述人物风格识别终端还包括第三处理单元，用于：

获取多张人脸样本图片；

对多张所述人脸样本图片进行特征点提取以得到多个人脸特征点元素；

对多个所述人脸特征点元素进行组合以定义八种标准风格；

根据多个所述人脸特征点元素及标准风格生成元素组合表；

采用预设的赋值规则对所述元素组合表进行赋值，以得到所述元素特征组合表。

第三方面，本发明实施例还提供了一种人物风格识别终端，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面所述的方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面所述的方法。

本发明实施例所提供的人物风格识别方法、终端及计算机可读存储介质，对待识别的当前人脸图像进行脸部特征识别及增强处理后，导入目标训练网络进行自动训练标注以得到目标标注结果，并采用余弦相似度匹配算法对目标标注结果进行处理，以得到风格权重值，最后根据风格权重值及元素特征表得到风格识别结果，实现了风格的自动识别，降低了风格识别的差异及工作强度，提高了识别效率，对服饰、鞋帽、包、眼镜、彩妆等精准搭配、电商精准导购和形象设计领域提供了标准指导和重要参考价值。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1是本发明第一实施例提供的人物风格识别方法的示意流程图；

图2是本发明第二实施例提供的人物风格识别方法的示意流程图；

图3是标准训练网络和训练网络模型的示意图；

图4是卷积神经网络示意图。

图5是元素组合表；

图6是对应赋值表；

图7是元素特征组合表；

图8是本发明第一实施例提供的人物风格识别终端的结构示意图；

图9是本发明第二实施例提供的人物风格识别终端的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

请参考图1，是本发明第一实施例所提供的人物风格识别方法的流程示意图，如图所示，该方法可以包括如下步骤：

S101，获取待识别的当前人脸图像。

当需要对某张人脸图像进行风格识别时，可通过手机等移动终端拍摄一张待识别的当前人脸图像，或从手机中调取一张预先存储的人脸图像以作为待识别的当前人脸图像。可理解地，获取待识别的当前人脸图像的方式不限于此。

S102，对当前人脸图像进行脸部特征识别及增强处理，以得到第一图像。

S103，将第一图像导入目标训练网络进行训练标注，以得到目标标注结果。

其中，目标训练网络包括色相卷积神经网络、明度卷积神经网络、纯度卷积神经网络、脸长神经卷积网络、内径卷积神经网络、五官量感卷积神经网络、眼神卷积神经网络、五官质感卷积神经网络和脸部骨骼卷积神经网络等九种。

S104，采用余弦相似度匹配算法对目标标注结果进行处理，以得到当前人脸图像的风格权重值。

S105，根据风格权重值及元素特征组合表得到并输出风格识别结果。

实施本发明实施例的方法，对待识别的当前人脸图像进行脸部特征识别及增强处理后，导入目标训练网络进行自动训练标注以得到目标标注结果，并采用余弦相似度匹配算法对目标标注结果进行处理，以得到风格权重值，最后根据风格权重值及元素特征表得到风格识别结果，实现了风格的自动识别，降低了风格识别的差异及工作强度，提高了识别效率，对服饰、鞋帽、包、眼镜、彩妆等精准搭配、电商精准导购和形象设计领域提供了标准指导和重要参考价值。

请参考图2，是本发明第二实施例所提供的人物风格识别方法的流程示意图，如图所示，该方法可以包括如下步骤：

S201，获取已标注的图片训练集。

具体地，先获取多张人脸样本图片，对该人脸样本图片进行标注，以得到图片训练集。该图片训练集包括色相标注、明度标注、纯度标注、脸长标注、内径标注、五官量感标注、眼神标注、五官质感标注以及脸部骨骼标注。

进一步地，标注的具体内容包括：确定出一系列人脸特征点(包含：色、形、质等要素)元素，这些元素分别为色相、明度、纯度、脸长、内径长短、五官大小、眼神、五官质感及脸部骨骼(共9个核心特征)等，对这些元素进行标注，例如柔和眼神-1、一般眼神0以及锐利眼神1等。需要说明的是，对9个元素(色相、明度、纯度、脸长、内径长短、五官大小、眼神、五官质感、脸部骨骼)的标注方式可以通过人工标注的方式，例如在时尚专家的指导下，对人脸图片进行标注，包括色相、明度、纯度、脸长、内径长短、五官大小、眼神、五官质感以及面部骨骼，并对其赋值，赋值包括-1、0和0三种，例如眼神(柔和眼神-1、一般眼神0、锐利眼神1)、五官质感(曲线-1、一般0、直线1)、面部骨骼(柔和曲线-1、一般0、立体直线1)。

S202，根据图片训练集对标准训练网络进行训练，以得到训练网络模型。

其中标准训练网络和训练网络模型都包括九个卷积神经网络，分别如下：色相卷积神经网络、明度卷积神经网络、纯度卷积神经网络、脸长神经卷积网络、内径卷积神经网络、五官量感卷积神经网络、眼神卷积神经网络、五官质感卷积神经网络和脸部骨骼卷积神经网络，如图3所示。进步一地，每一个卷积神经网络的结构如图4所示。

具体地，采用图片训练集对标准训练网络进行训练，便可得到训练网络模型。

S203，建立元素特征组合表。

为了更好地描述该步骤，先对该步骤所涉及的相关理论知识做如下描述：

为了确定风格的稳定性，我们对5万名中国女性进行长期大量的研究后得出“风格之间存在的必要共性”和“一些稳定的特征能够组成稳定风格”的结论，是由一系列人脸特征点(包含：色、形、质等要素)组合而成的，这些稳定的元素分别为：色相、明度、纯度、脸长、内径长短、五官大小、眼神、五官质感、脸部骨骼(共9个核心特征)等；这9组元素进行不同的组合，能够形成完全不同的风格结果。

进一步地，采用量感分类法和轮廓分类法将人分为8种风格，其中横轴为轮廓轴：左为曲线条，中间为自然，右为直线条，纵轴为量感轴：上位轻小量感，中间为中量感，下为重大量感。

进一步地，对风格进行命名时，采用第一性(最原始的)命名规则，并附上别人对他们的其他名字和称呼形容词，例如：

小量感曲线条(简称小曲)：少女型、活泼型、可爱型、圆润型、天真型、甜美型、稚气型、萝莉型、无辜型、楚楚可怜型；

小量感中线条(简称小中)：自然型、随意型、潇洒型、森女型、亲切型、淳朴型、直线型、简约型、中性型；

小量感直线条(简称小直)：前卫少年型、时尚型、中性型、小直线型、帅气型、干练型、好动型、锋利型；

中量感曲线条(简称中曲)：优雅型：温柔型、雅致型、精致型、柔弱型、曲线型、小家碧玉型、女人味型；

中量感中线条(简称中中)：完美型、标准人型(一般不存在)；

中量感直线条(简称中直)：摩登型、前卫型、骨感型、个性型、模特型、叛逆型、革新型、标新立异型、古灵精怪型、非成熟型；

大量感曲线条(简称大曲)：浪漫型、高贵型、华丽型、XG型、妩媚型、曲线型、罗曼蒂克型、成熟柔和型；

大量感中线条(简称大中)：古典型、端庄型、高贵型、正统型、保守型、知性型、大家闺秀型；

大量感直线条(简称大直)：戏剧型、夸张型、醒目型、大气型、气场强大型、时髦型、成熟魅力型、距离感型。

进一步地，元素进行赋值时，包含“凸方直硬”和“重大长粗”的赋值为1，适中的赋值为0，包含“凹圆曲软”和“轻小短细”的赋值为-1。

具体地，执行步骤S203的具体过程如下：(1)获取多张人脸样本图片；(2)对多张人脸样本图片进行特征点提取以得到多个人脸特征点元素，该人脸特征点元素包括但不仅限于色相、明度、纯度、脸长、内径长短、五官大小、眼神、五官质感及脸部骨骼；(3)对多个人脸特征点元素进行组合以定义八种标准风格；(4)根据多个人脸特征点元素及标准风格生成元素组合表，如图5所示；(5)采用预设的赋值规则对元素组合表进行赋值，以得到元素特征组合表，根据赋值规则(包含“凸方直硬”和“重大长粗”的赋值为1，适中的赋值为0，包含“凹圆曲软”和“轻小短细”的赋值为-1)对图5进行赋值，得到如图6所示的对应赋值表，进一步地根据该对应赋值表可得到如图7所示的元素特征组合表。

需要说明的是，可以继续通过对更多人脸(包含男性和女性)进行持续的特征标注和风格的自由定义和生成，在获得更多数据量的情况下，图6所示表格中的特征点可能会根据实际要求增多或减少，特征配比/组合方式可能会发生变化，赋值也可能会做出改变。

S204，获取待识别的当前人脸图像。

当需要对某张人脸图像进行风格识别时，可通过手机等移动终端拍摄一张待识别的当前人脸图像，或从手机中调取一张预先存储的人脸图像以作为待识别的当前人脸图像。可理解地，获取待识别的当前人脸图像的方式不限于此。

S205，对当前人脸图像进行脸部特征识别及增强处理，以得到第一图像。

S206，将第一图像导入训练网络模型进行训练标注，以得到目标标注结果。

S207，采用余弦相似度匹配算法对目标标注结果进行处理，以得到当前人脸图像的风格权重值。

S208，根据风格权重值及元素特征组合表得到并输出风格识别结果。

目标标注结果中包括多个数值，可用图6表示。取第i个神经卷积网络(CNN)的1值输出(0-1之间)Zi，计算Xi＝(Zi-0.5)*2，将其转换至-1～1之间，分别取出如图6所示的风格元素中第k行中的各项数值Yki，并将Xi与Yki带入余弦公式：

计算得到余弦值Ck，在所有的Ck中选取最大的一个，作为风格权重值，其k值即代表最接近的风格k。

具体地，用图6中的数值乘以图7中的标准值，再把最终乘积相加，即可得到一个数值，之后再与八个风格都乘一遍，从而得到多个结果值(即余弦值)，该结果值中正数最大的作为风格权重值，结合元素特征组合表便可得到风格识别结果，并将其输出，例如图7中0.516最大，其对应的风格为小值标准。

实施本发明实施例的方法，对待识别的当前人脸图像进行脸部特征识别及增强处理后，导入目标训练网络进行自动训练标注以得到目标标注结果，并采用余弦相似度匹配算法对目标标注结果进行处理，以得到风格权重值，最后根据风格权重值及元素特征表得到风格识别结果，实现了风格的自动识别，降低了风格识别的差异及工作强度，提高了识别效率，对服饰、鞋帽、包、眼镜、彩妆等精准搭配、电商精准导购和形象设计领域提供了标准指导和重要参考价值。

相应地，在上述实施例所提供的人物风格识别方法的基础上，本发明实施例还提供了一种人物风格识别。请参考图8，该人物风格识别终端包括：

获取单元10，获取待识别的当前人脸图像；

第一处理单元11，用于对当前人脸图像进行脸部特征识别及增强处理，以得到第一图像；

标注单元12，用于将第一图像导入训练网络模型进行训练标注，以得到目标标注结果；

第二处理单元13，采用余弦相似度匹配算法对所述目标标注结果进行处理，以得到所述当前人脸图像的风格权重值；

输出单元14，用于根据风格权重值及元素特征组合表得到并输出风格识别结果。

进一步地，人物风格识别终端还包括训练单元15，用于：

获取已标注的图片训练集；

根据图片训练集对标准训练网络进行训练，以得到训练网络模型。

进一步地，人物风格识别终端还包括第三处理单元16，用于：

获取多张人脸样本图片；

对多张人脸样本图片进行特征点提取以得到多个人脸特征点元素；

对多个人脸特征点元素进行组合以定义八种标准风格；

根据多个人脸特征点元素及标准风格生成元素组合表；

采用预设的赋值规则对元素组合表进行赋值，以得到元素特征组合表。

需要说明的是，本实施例中识别终端的具体工作流程，请参考前述识别方法实施例部分的描述，在此不再赘述。

实施本发明实施例所提供的人物风格识别终端，对待识别的当前人脸图像进行脸部特征识别及增强处理后，导入目标训练网络进行自动训练标注以得到目标标注结果，并采用余弦相似度匹配算法对目标标注结果进行处理，以得到风格权重值，最后根据风格权重值及元素特征表得到风格识别结果，实现了风格的自动识别，降低了风格识别的差异及工作强度，提高了识别效率，对服饰、鞋帽、包、眼镜、彩妆等精准搭配、电商精准导购和形象设计领域提供了标准指导和重要参考价值。

进一步地，在上述实施例所提供的人物风格识别方法及终端的基础上，本发明实施例还提供了另一种人物风格识别终端。如图9所示，该人物风格识别终端，可以包括：一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104，上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序，所述计算机程序包括程序指令，所述处理器101被配置用于调用所述程序指令执行：

获取待识别的当前人脸图像；

对所述当前人脸图像进行脸部特征识别及增强处理，以得到第一图像；

将所述第一图像导入训练网络模型进行训练标注，以得到目标标注结果；

采用余弦相似度匹配算法对所述目标标注结果进行处理，以得到所述当前人脸图像的风格权重值；

根据所述风格权重值及元素特征组合表得到并输出风格识别结果。

进一步地，所述处理器101被配置用于调用所述程序指令执行：

获取已标注的图片训练集；

根据所述图片训练集对标准训练网络进行训练，以得到所述训练网络模型。

进一步地，目标标注结果包括多个数值，所述处理器101被配置用于调用所述程序指令执行：

采用余弦相似度匹配算法及多个数值进行余弦计算，以得到多个余弦值；

取最大的余弦值作为所述当前人脸图像的风格权重值。

进一步地，所述处理器101被配置用于调用所述程序指令执行：

获取多张人脸样本图片；

对多张所述人脸样本图片进行特征点提取以得到多个人脸特征点元素；

对多个所述人脸特征点元素进行组合以定义八种标准风格；

根据多个所述人脸特征点元素及标准风格生成元素组合表；

采用预设的赋值规则对所述元素组合表进行赋值，以得到所述元素特征组合表。

应当理解，在本发明实施例中，所称处理器101可以是图形处理器(GraphicsProcessing Unit，GPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

输入设备102可以是摄像头(CAMERA或WEBCAM)等，摄像头又称为电脑相机、电脑眼以及电子眼等，是一种视频驶入设备，输出设备103可以包括显示器(display)等。

该存储器104可以包括只读存储器和随机存取存储器，并向处理器101提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如，存储器104还可以存储设备类型的信息。

具体实现中，本发明实施例中所描述的处理器101、输入设备102、输出设备103可执行本发明实施例提供的人物风格识别方法的实施例中所描述的实现方式，在此不再赘述。

实施本发明实施例所提供的人物风格识别终端，实现了风格的自动识别，降低了风格识别的差异及工作强度，提高了识别效率，对服饰、鞋帽、包、眼镜、彩妆等精准搭配、电商精准导购和形象设计领域提供了标准指导和重要参考价值。

相应地，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现：上述人物风格识别方法。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述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单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。此外，本技术方案中的软件除了存储在本地存储介质当中外，还会存放于云服务器上。其中，云服务器是一种简单高效、安全、可靠、处理能力可弹性伸缩的计算服务，其管理方式比物理服务器更简单高效。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种人物风格识别方法，其特征在于，包括：

获取待识别的当前人脸图像；

对所述当前人脸图像进行脸部特征识别及增强处理，以得到第一图像；

将所述第一图像导入训练网络模型进行训练标注，以得到目标标注结果；

采用余弦相似度匹配算法对所述目标标注结果进行处理，以得到所述当前人脸图像的风格权重值；

根据所述风格权重值及元素特征组合表得到并输出风格识别结果。

2.如权利要求1所述的人物风格识别方法，其特征在于，所述人物风格识别方法还包括：

获取已标注的图片训练集；

根据所述图片训练集对标准训练网络进行训练，以得到所述训练网络模型。

3.如权利要求2所述的人物风格识别方法，其特征在于，所述目标标注结果包括多个数值，采用余弦相似度匹配算法对所述目标标注结果进行处理，以得到所述当前人脸图像的风格权重值，具体包括：

采用余弦相似度匹配算法及多个数值进行余弦计算，以得到多个余弦值；

取最大的余弦值作为所述当前人脸图像的风格权重值。

4.如权利要求3所述的人物风格识别方法，其特征在于，所述方法还包括：

获取多张人脸样本图片；

对多张所述人脸样本图片进行特征点提取以得到多个人脸特征点元素；

对多个所述人脸特征点元素进行组合以定义八种标准风格；

根据多个所述人脸特征点元素及标准风格生成元素组合表；

采用预设的赋值规则对所述元素组合表进行赋值，以得到所述元素特征组合表。

5.如权利要求2所述的人物风格识别方法，其特征在于，所述训练网络模型包括色相卷积神经网络、明度卷积神经网络、纯度卷积神经网络、脸长神经卷积网络、内径卷积神经网络、五官量感卷积神经网络、眼神卷积神经网络、五官质感卷积神经网络和脸部骨骼卷积神经网络；所述图片训练集包括色相标注、明度标注、纯度标注、脸长标注、内径标注、五官量感标注、眼神标注、五官质感标注以及脸部骨骼标注。

6.一种人物风格识别终端，其特征在于，包括：

获取单元，获取待识别的当前人脸图像；

第一处理单元，用于对所述当前人脸图像进行脸部特征识别及增强处理，以得到第一图像；

标注单元，用于将所述第一图像导入训练网络模型进行训练标注，以得到目标标注结果；

第二处理单元，采用余弦相似度匹配算法对所述目标标注结果进行处理，以得到所述当前人脸图像的风格权重值；

输出单元，用于根据所述风格权重值及元素特征组合表得到并输出风格识别结果。

7.如权利要求6所述的人物风格识别终端，其特征在于，所述人物风格识别终端还包括训练单元，用于：

获取已标注的图片训练集；

根据所述图片训练集对标准训练网络进行训练，以得到所述训练网络模型。

8.如权利要求7所述的人物风格识别终端，其特征在于，所述人物风格识别终端还包括第三处理单元，用于：

获取多张人脸样本图片；

对多张所述人脸样本图片进行特征点提取以得到多个人脸特征点元素；

对多个所述人脸特征点元素进行组合以定义八种标准风格；

根据多个所述人脸特征点元素及标准风格生成元素组合表；

采用预设的赋值规则对所述元素组合表进行赋值，以得到所述元素特征组合表。

9.一种人物风格识别终端，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-5任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-5任一项所述的方法。