CN109271957B - 人脸性别识别方法以及装置 - Google Patents
人脸性别识别方法以及装置 Download PDFInfo
- Publication number
- CN109271957B CN109271957B CN201811154508.1A CN201811154508A CN109271957B CN 109271957 B CN109271957 B CN 109271957B CN 201811154508 A CN201811154508 A CN 201811154508A CN 109271957 B CN109271957 B CN 109271957B
- Authority
- CN
- China
- Prior art keywords
- face
- gender
- target
- environment
- prediction probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 241000282414 Homo sapiens Species 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 238000005286 illumination Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种人脸性别识别方法,属于人脸识别领域。该方法包括:获取目标人脸图像;根据预先建立的人脸性别模型确定所述目标人脸性别的第一预测概率;当所述第一预测概率大于预设阈值时,所述目标人脸性别即为所述第一预测概率所对应的性别,反之,确定所述目标人脸图像的目标人脸的所处的目标环境,根据所述第一预测概率和所述目标环境,确定所述目标人脸性别。本发明能够在考虑人脸所处环境的不同时,进一步提高人脸性别识别的准确性。
Description
技术领域
本发明涉及人脸识别领域,尤其涉及性别识别方法及装置。
背景技术
随着人脸识别技术的发展,人脸识别技术的应用也越来越广泛,包括企业、住宅安全和管理以及公安、司法和刑侦等。而性别信息作为人类的一种重要生物特征,在人机交互领域中有着众多应用需求,并且对人脸识别系统的性能有着重要影响。
目前人脸性别往往通过单一的方法如常见的统计学的向量机,神经网络,深度学习等;另外,在人脸处于不同光照环境下,预估的性别往往不够准确,因此,亟需一种在考虑人脸所处环境的不同时,进一步提高人脸性别识别的准确性的方法。
发明内容
为了克服如上所述的技术问题,本发明提出一种人脸性别识别方法,能够在考虑人脸所处环境的不同时,进一步提高人脸性别识别的准确性。本发明采用的技术方案如下:
第一方面,提出一种性别识别方法,包括:
获取目标人脸图像;
确定所述目标人脸性别的第一预测概率;
当所述第一预测概率大于预设阈值时,所述目标人脸性别即为所述第一预测概率所对应的性别,反之,确定所述目标人脸图像的目标人脸的所处的目标环境,根据所述第一预测概率和所述目标环境,确定所述目标人脸性别。
进一步地,所述确定所述目标人脸性别的第一预测概率之前,还包括:获取处于大量不同环境的人脸图像,并将所述脸图像作为训练数据,建立基于卷积神经网络的人脸性别模型;
进一步地,所述确定所述目标人脸性别的第一预测概率,包括:根据所述人脸性别模型,确定所述目标人脸性别的第一预测概率,其中,第一预测概率>50%;
进一步地,所述目标环境可以是正常环境、逆光环境、光线过亮环境和光线过暗环境中的一种;
进一步地,所述根据所述第一预测概率和所述目标环境,确定所述目标人脸性别之前,还包括:获取大量处于不同环境的人脸图像;根据所述人脸图像的所处环境,将所述人脸图像进行分类,得到正常环境类、逆光环境类、光线过亮环境类和光线过暗环境类这四类人脸图像训练数据;基于卷积神经网络分别建立正常环境类人脸环境模型、逆光环境类人脸环境模型、光线过亮环境类人脸环境模型和光线过暗环境类人脸性别模型。
进一步地,所述根据所述第一预测概率和所述目标环境,确定所述目标人脸性别,包括:确定所述目标环境对应的目标人脸性别模型;根据所述目标人脸性别模型得到所述目标人脸性别的第二预测概率,其中,所述第一预测概率对应的性别与第二预测概率对应的性别一致;将所述第一预测概率和所述第二预测概率进行加权求和得到第三预测概率;当所述第三预测概率大于预设阈值时,所述目标人脸性别即为所述第三预测概率所对应的性别,反之,则不是所述第三预测概率所对应的性别。
第二方面,提出一种人脸性别识别装置,包括摄像头、处理器和存储器,所述存储器存储有至少一段程序,所述程序由所述处理器执行以实现如第一方面所述的人脸性别识别方法。
第三方面,提出一种计算机可读存储介质,所述存储介质中存储有至少一段程序,所述至少一段程序由所述处理器执行以实现如第一方面所述的人脸性别识别方法。
本发明提供的技术方案带来的有益效果是:
本发明首先通过获取目标人脸图像,也就是待识别性别的人脸图像,并采用图像处理方法提取该人脸图像的特征数据,根据预先建立的人脸性别模型可以得到该人脸性别的第一预测概率,若该第一预测概率小于一定的阈值,说明该识别结果可能有误,需要进一步进行校正,这是因为考虑到人脸图像可能出现在不同环境中,常规的人脸性别识别可能会造成误判。因此,本发明通过将人脸出现的环境分类为正常环境、逆光环境、光线过亮环境和光线过暗环境这四种,并通过预先建立好的正常环境类人脸环境模型、逆光环境类人脸环境模型、光线过亮环境类人脸环境模型和光线过暗环境类人脸性别模型,获取该人脸性别的第二预测概率,最后通过将该第一预测概率和该第二预测概率进行加权融合得到第三预测概率,根据该第三预测概率才最终确认该目标人脸图像对应的人脸性别,大大提高了人脸性别识别的准确性。
附图说明
图1所示为本发明的一种人脸性别识别方法的流程图;
图2中是一种获取人脸图像的实施流程图;
图3示出了一种确定目标人脸性别的实施流程图;
图4示出了本发明实施例所涉及的人脸性别识别装置。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方案作进一步地详细描述。
如图1所示为本发明的一种人脸性别识别方法的流程图,描述了采用本发明技术方案进行人脸性别识别的具体步骤。
在步骤101中,获取目标人脸图像;
这里的目标人脸图像是指需要进行性别识别的图像,即待识别性别的人脸图像。如图2中是一种获取人脸图像的实施流程图,公开了获取目标人脸图像的过程可以包括人脸图像采集及检测201、人脸图像预处理202和人脸图像特征提取203这几个部分。
其中,人脸图像采集及检测201中的人脸图像采集可以通过图像采集设备采集静态图像或动态图像,可选的,图像采集设备可以是摄像头,这里采集到的图像可以包含人脸各种不同情绪的丰富环境。
在采集到目标人脸图像之后,在一种可能的实际操作中,采用Adaboost学习算法进行人脸检测,在其他可能的操作中,还可以采用基于SVM的人脸检测、神经网络方法和基于贝叶斯估计的人脸检测等常规的人脸检测方法。进一步地,还需要进行人脸特征点定位,目的是在人脸检测的基础上,进一步确定脸部特征点的位置,也就是人脸五官以及外轮廓的位置,在一种可能的实际操作中,可以采用ASM、AAM、CLM和SDM这几种经典的人脸特征定位算法。
基于人脸检测结果,需要进行人脸图像进行预处理,这是因为系统获取的原始图像由于受到各种条件的限制和随机干扰,往往不能直接使用,对其进行预处理的过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。
对于预处理后人脸图像,人脸识别可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等,而人脸特征提取的方法归纳起来分为两大类:一种是基于知识的表征方法;另外一种是基于代数特征或统计学习的表征方法。
在通过图2所示的一系列人脸图像采集及检测、人脸图像预处理以及人脸图像特征提取这几个步骤之后,在步骤101中就能获取到目标人脸图像的特征数据,以获取能有效表征人脸图像的信息,以供后续步骤中进行进一步的性别识别。
在步骤102中,确定所述目标人脸性别的第一预测概率;
容易理解的是,人脸识别是需要从人脸图像中识别出人脸图像对应人脸的真实性别,意味着人脸识别方法需要预先建立一种人脸性别模型,该模型输入是目标人脸图像,也就是待识别性别的人脸图像,输出为人脸性别。需要说明的是,任何的人脸性别识别方法的识别结果只能尽可能地接近人脸的真实性别,减小识别性别与对应真实性别的误差,本发明公布的人脸性别识别的方法也不例外。
基于在步骤101获取目标人脸图像的方法,将提取到的人脸图像特征数据作为人脸性别模型的输入数据进行模型训练。下面将公布一种本发明建立人脸性别模型的过程,也就是确定所述目标人脸图像的目标人脸的所处的目标环境之前还包括:
(1)获取大量处于不同环境的已知性别的人脸图像;
需要说明的是,上述人脸图像的性别应尽量均匀分布。可想而知,人脸图像与人脸性别之间的关系是非常复杂的,那么,建模之前我们需要获取大量的人脸图像,需要说明的是,这些人脸图像的性别应当是已知确定的。本发明中在此建模过程中获取了100万张不同性别的和处于不同光照环境的人脸图像,图像来源可以是已知的静态图像库或者动态视频库,若是获取到视频图像,则还需要进行静态图像截取,获取视频的一帧图像,以充实所需的建模图像库。另外,图像来源也可以选择自己构建,但是可能需要更多的时间和资源成本。不论是哪种建模图像库的获取方式,需要说明的是,建模图像库中的人脸图像应当尽量满足人脸性别的均匀分布以及人脸所处环境的多样性,这样有利于增强基于这些图像数据进行建模的可靠性和准确性。需要说明的是,在构建完所需的建模图像库后,还需要对图像库中的图像进行一系列图像处理,以获取图像的特征数据,这一部分内容对应的是图2所公布的实施内容,这里便不再赘述。
(2)将所述人脸图像作为训练数据,建立基于卷积神经网络的混合光线环境下的人脸性别模型。
在图像领域,卷积神经网络CNN的应用十分广泛,下面对卷积神经网络的基本内容进行介绍。
首先,卷积神经网络的训练过程分为两个阶段:第一个阶段是数据由低层次向高层次传播的阶段,即前向传播阶段;另外一个阶段是,当前向传播得出的结果与预期不相符时,将误差从高层次向底层次进行传播训练的阶段,即反向传播阶段。具体地,训练过程包括:
1、网络进行权值的初始化;
2、输入数据经过卷积层、下采样层、全连接层的向前传播得到输出值;
3、求出网络的输出值与目标值之间的误差;
4、当误差大于我们的期望值时,将误差传回网络中,依次求得全连接层,下采样层,卷积层的误差。各层的误差可以理解为对于网络的总误差,网络应承担多少;当误差等于或小于我们的期望值时,结束训练。
5、根据求得误差进行权值更新,然后再进入到第2步。
结合上述卷积神经网络的训练过程,具体对应于本发明中基于卷积神经网络建立的人脸性别模型时,所要建立的人脸性别模型,其输入层对应的是人脸图像的特征数据,是基于之前在获取大量已知不同性别值的人脸图像的步骤中所提取的图像特征数据,输出层则对应的是人脸图像中人脸的性别,在上述训练过程中的目标值指的是人脸的已知真实性别。可以理解的是,决定人脸性别模型是否建立完成,也就是卷积神经网络的训练过程是否结束,取决于当前网络的输出值和目标值之间误差是否小于期望值。
在本步骤中确定所述目标人脸图像的目标人脸的第一预测概率依赖于上述基于卷积神经网络建立的人脸性别模型,将目标人脸图像经过步骤101提取的人脸图像的特征数据输入到上述的人脸性别模型中,输出即为当前预测得到的性别以及其对应的第一预测概率p1。
得到性别预测结果,为第一预测性别。
在步骤103中,判断第一预测概率是否大于阈值;
这里的阈值是人为预设的,优选的,设置为75%,该阈值是通过大量的实验统计误判率得出的,在实际操作中具有一定的指导意义。
在步骤104中,若第一预测概率大于阈值,所述目标人脸性别即为第一预测性别;
容易理解的是,若第一预测概率大于阈值,说明人脸性别预测误判可能性比较小,也就是说当前的第一预测概率具有较好的置信度,得到所述目标人脸性别即为第一预测性别。在一种可能的实现中,第一预测概率取90%,大于阈值75%,而且第一预测性别为女性,那么目标人脸性别为女性。
在步骤105中,若第一预测概率不大于阈值,确定所述目标人脸图像的目标人脸的所处的目标环境;
容易理解的是,若第一预测概率不大于阈值,说明人脸性别预测误判可能性比较大,也就是说当前的预测结果还需要进行进一步地校正,考虑到人脸图像所处光照环境的不同会影响人脸性别识别的准确性,本发明将目标人脸所处的环境分为正常环境、逆光环境、光线过亮环境和光线过暗环境这四种。在图像领域常用的图像分类算法包括常见的分类方法有:SVM(支持向量机)、BP(反向传播)神经网络、聚类和深度学习等,优选的,本发明所公开的技术方案中选择的是作为一种快速可靠的分类算法的支持向量机。
通过上述方法确定目标人脸图像的目标人脸的所处的目标环境后,能够为后续考虑目标环境对人脸性别识别的影响作用奠定基础。
在步骤106中,根据所述第一预测概率和所述目标环境,确定所述目标人脸性别;
图3对本步骤的内容进行了具体描述,包括:
在步骤301中,确定所述目标环境对应的目标人脸性别模型;
需要说明的是,在确定所述目标环境对应的目标人脸性别模型之前,还需先建立不同光照环境下的人脸性别模型,具体包括:
获取大量处于不同环境的已知性别的人脸图像;
根据所述人脸图像的所处环境,将所述人脸图像进行分类,得到正常环境类、逆光环境类、光线过亮环境类和光线过暗环境类这四类人脸图像训练数据;
基于卷积神经网络分别建立正常环境类人脸性别模型、逆光环境类人脸性别模型、光线过亮环境类人脸性别模型和光线过暗环境类人脸性别模型,具体的训练过程同一般情况,这里不再赘述。需要说明的是,上述各类人脸性别模型对应的输入数据均是对应环境下的人脸图像,例如:光线过亮环境类人脸性别模型的训练数据均是处于光线过亮环境的人脸图像。
在上述步骤105中已经确定所述目标人脸图像的目标人脸的所处的目标环境,选择相对应的人脸性别模型进行预测即可。
在步骤302中,根据所述目标人脸性别模型得到所述目标人脸性别的第二预测概率;
在这里,在一种可能的实现中,通过步骤105中根据目标人脸图像所处的目标环境确定的目标人脸性别模型,可以得到预测为男性的概率为p2(已知真实性别为男性时),也就是第二预测概率。由图1中的步骤102可知,所述第一预测概率是通过各种不同环境下的人脸图像作为训练数据,基于卷积神经网络建立的混合光线人脸性别识别模型预测得到,由图3对应的步骤302可知,所述第二预测概率是通过目标人脸所处的目标环境对应的单一光线环境的人脸性别模型进行预测得到,进一步增加人脸性别识别的准确性,本步骤采用对二者进行加权融合的方式计算第三预测概率,具体公式为:
p3=a*p1+b*p2 (1)
其中,p1对应本发明方案描述中的第一预测概率,p2对应本发明方案描述中的第二预测概率,a和b为权重因子,且a+b=1。
当所述第三预测概率p3大于预设阈值时,这里的预设阈值可选的,为75%,所述目标人脸性别即为所述第三预测概率所对应的性别,反之,则不是所述第三预测概率所对应的性别。
通过对上述步骤102中的图像库按照步骤301中的环境分类进行预测实验,通过统计各不同环境中预测值跟真实值的最小均方误差,可以确定上述加权融合权重因子a和b。
本发明中公开一种可能的权重因子确定情况,由上述实施例描述中可知,只有当第一预测概率小于阈值,当阈值可选的,为75%时,则当75%>第一预测概率p1>50%时,a=0.4,b=0.6。
需要说明的是,本发明的环境分类还可以是其他分类方式,比如在现有环境分类的基础上加入其他环境分类,不同分类方式均可以通过本发明方案所公布的方法得到公式(1)中的权重因子,进而提高人脸性别的识别准确性,而且可以理解的是,当考虑的环境分类越多,人脸性别识别的校正精度更高。
需要说明的是,本发明公布的相关模型只要是在其参与实际性别预测之前建立好即可,不应该以其被描述的所在位置为限,包括所述的混合光照环境下的人脸性别模型以及正常环境类人脸性别模型、逆光环境类人脸性别模型、光线过亮环境类人脸性别模型和光线过暗环境类人脸性别模型。
本实施例首先通过获取目标人脸图像,也就是待识别性别的人脸图像,并采用如图2所描述的图像处理方法提取该人脸图像的特征数据,根据预先建立的人脸性别模型可以得到该人脸性别的第一预测概率,若该第一预测概率小于一定的阈值,说明该识别结果可能有误,需要进一步进行校正,这是因为考虑到人脸图像可能出现在不同环境中,常规的人脸性别识别可能会造成误判。因此,本发明通过将人脸出现的环境分类为正常环境、逆光环境、光线过亮环境和光线过暗环境这四种,并通过预先建立好的正常环境类人脸环境模型、逆光环境类人脸环境模型、光线过亮环境类人脸环境模型和光线过暗环境类人脸性别模型,获取该人脸性别的第二预测概率,最后通过将该第一预测概率和该第二预测概率进行加权融合得到第三预测概率,根据该第三预测概率才最终确认该目标人脸图像对应的人脸性别,大大提高了人脸性别识别的准确性。
图4示出了本发明实施例所涉及的人脸性别识别装置,该装置主要包括处理器401、存储器402和总线403,所述存储器存储有至少一段程序,所述程序由所述处理器执行以实现如上述实施例所述的人脸性别识别方法。
可选的,该装置还可以包括摄像头,可用于采集目标人脸图像。
处理器401包括一个或一个以上处理核心,处理器401通过总线403与存储器402相连,存储器402用于存储程序指令,处理器401执行存储器402中的程序指令时实现上述方法实施例提供的人脸性别识别的方法。
可选的,存储器402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,如静态随时存取存储器(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。
本发明还提供一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现上述方法实施例提供的人脸性别识别的方法。
可选的,本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面所述的人脸性别识别的方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储与一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用于以限制发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.人脸性别识别方法,其特征在于,包括:
获取目标人脸图像;
确定所述目标人脸性别的第一预测概率;
当所述第一预测概率大于预设阈值时,所述目标人脸性别即为所述第一预测概率所对应的性别,反之,确定所述目标人脸图像的目标人脸的所处的目标环境,根据所述第一预测概率和所述目标环境,确定所述目标人脸性别;
所述根据所述第一预测概率和所述目标环境,确定所述目标人脸性别包括:
获取大量处于不同环境的已知性别的人脸图像;
根据所述人脸图像的所处环境,将所述人脸图像进行分类,得到正常环境类、逆光环境类、光线过亮环境类和光线过暗环境类这四类人脸图像训练数据;
基于卷积神经网络分别建立正常环境类人脸性别模型、逆光环境类人脸性别模型、光线过亮环境类人脸性别模型和光线过暗环境类人脸性别模型;
确定所述目标环境对应的目标人脸性别模型;
根据所述目标人脸性别模型得到所述目标人脸性别的第二预测概率;
将所述第一预测概率和所述第二预测概率进行加权融合得到第三预测概率;
当所述第三预测概率大于预设阈值时,所述目标人脸性别即为所述第三预测概率所对应的性别,反之,则不是所述第三预测概率所对应的性别。
2.根据权利要求1所述的人脸性别识别方法,其特征在于,所述确定所述目标人脸性别的第一预测概率之前,还包括:
获取大量处于不同环境的已知性别的人脸图像;
将所述人脸图像作为训练数据,建立基于卷积神经网络的人脸性别模型;
根据所述人脸性别模型,确定所述目标人脸性别的第一预测概率。
3.根据权利要求1所述的人脸性别识别方法,其特征在于,所述目标人脸的所处的目标环境,包括:
所述目标环境可以是正常环境、逆光环境、光线过亮环境或光线过暗环境中的一种。
4.根据权利要求1所述的人脸性别识别方法,其特征在于,所述确定所述目标人脸图像的目标人脸的所处的目标环境,包括:
采用支持支持向量机、神经网络、聚类或深度学习中的一种方法对所述目标人脸图像的目标人脸的所处的目标环境进行分类。
5.根据权利要求1至4任一所述的人脸性别识别方法,其特征在于,所述预设阈值为75%。
6.一种人脸性别识别装置,其特征在于,包括摄像头、处理器和存储器,所述存储器存储有至少一段程序,所述程序由所述处理器执行以实现如权利要求1至5任一所述的人脸性别识别方法。
7.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一段程序,所述至少一段程序由处理器执行以实现如权利要求1至5任一所述的人脸性别识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811154508.1A CN109271957B (zh) | 2018-09-30 | 2018-09-30 | 人脸性别识别方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811154508.1A CN109271957B (zh) | 2018-09-30 | 2018-09-30 | 人脸性别识别方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109271957A CN109271957A (zh) | 2019-01-25 |
CN109271957B true CN109271957B (zh) | 2020-10-20 |
Family
ID=65196234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811154508.1A Active CN109271957B (zh) | 2018-09-30 | 2018-09-30 | 人脸性别识别方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109271957B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096945B (zh) * | 2019-02-28 | 2021-05-14 | 中国地质大学(武汉) | 基于机器学习的室内监控视频关键帧实时提取方法 |
CN111081370B (zh) * | 2019-10-25 | 2023-11-03 | 中国科学院自动化研究所 | 一种用户分类方法及装置 |
CN111814553B (zh) * | 2020-06-08 | 2023-07-11 | 浙江大华技术股份有限公司 | 人脸检测方法、模型的训练方法及其相关装置 |
CN113298156A (zh) * | 2021-05-28 | 2021-08-24 | 有米科技股份有限公司 | 用于图像性别分类的神经网络训练方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809557A (zh) * | 2016-03-15 | 2016-07-27 | 微梦创科网络科技(中国)有限公司 | 一种挖掘社交网络中用户性别的方法和装置 |
CN106295591A (zh) * | 2016-08-17 | 2017-01-04 | 乐视控股(北京)有限公司 | 基于人脸图像的性别识别方法及装置 |
CN106326857A (zh) * | 2016-08-19 | 2017-01-11 | 乐视控股(北京)有限公司 | 基于人脸图像的性别识别方法及装置 |
CN106815566A (zh) * | 2016-12-29 | 2017-06-09 | 天津中科智能识别产业技术研究院有限公司 | 一种基于多任务卷积神经网络的人脸检索方法 |
CN107506714A (zh) * | 2017-08-16 | 2017-12-22 | 成都品果科技有限公司 | 一种人脸图像重光照的方法 |
CN108241836A (zh) * | 2016-12-23 | 2018-07-03 | 同方威视技术股份有限公司 | 用于安检的方法及装置 |
US10044712B2 (en) * | 2016-05-31 | 2018-08-07 | Microsoft Technology Licensing, Llc | Authentication based on gaze and physiological response to stimuli |
CN108391052A (zh) * | 2013-01-21 | 2018-08-10 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9672445B2 (en) * | 2015-08-03 | 2017-06-06 | Yahoo! Inc. | Computerized method and system for automated determination of high quality digital content |
US10037456B2 (en) * | 2015-09-04 | 2018-07-31 | The Friedland Group, Inc. | Automated methods and systems for identifying and assigning attributes to human-face-containing subimages of input images |
US10360494B2 (en) * | 2016-11-30 | 2019-07-23 | Altumview Systems Inc. | Convolutional neural network (CNN) system based on resolution-limited small-scale CNN modules |
-
2018
- 2018-09-30 CN CN201811154508.1A patent/CN109271957B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108391052A (zh) * | 2013-01-21 | 2018-08-10 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
CN105809557A (zh) * | 2016-03-15 | 2016-07-27 | 微梦创科网络科技(中国)有限公司 | 一种挖掘社交网络中用户性别的方法和装置 |
US10044712B2 (en) * | 2016-05-31 | 2018-08-07 | Microsoft Technology Licensing, Llc | Authentication based on gaze and physiological response to stimuli |
CN106295591A (zh) * | 2016-08-17 | 2017-01-04 | 乐视控股(北京)有限公司 | 基于人脸图像的性别识别方法及装置 |
CN106326857A (zh) * | 2016-08-19 | 2017-01-11 | 乐视控股(北京)有限公司 | 基于人脸图像的性别识别方法及装置 |
CN108241836A (zh) * | 2016-12-23 | 2018-07-03 | 同方威视技术股份有限公司 | 用于安检的方法及装置 |
CN106815566A (zh) * | 2016-12-29 | 2017-06-09 | 天津中科智能识别产业技术研究院有限公司 | 一种基于多任务卷积神经网络的人脸检索方法 |
CN107506714A (zh) * | 2017-08-16 | 2017-12-22 | 成都品果科技有限公司 | 一种人脸图像重光照的方法 |
Non-Patent Citations (2)
Title |
---|
Feature Extraction based Face Recognition, Gender and Age Classification;Ramesha K等;《face gender recognition probability》;20101231;第14-22页 * |
复杂背景下人脸的检测与识别;张忠波;《中国优秀博硕士学位论文全文数据库 (博士)(信息科技辑)》;20051015(第06期);第I138-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109271957A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271958B (zh) | 人脸年龄识别方法及装置 | |
CN109934293B (zh) | 图像识别方法、装置、介质及混淆感知卷积神经网络 | |
CN110569721B (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
CN109271957B (zh) | 人脸性别识别方法以及装置 | |
CN110020592B (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
CN110472675B (zh) | 图像分类方法、图像分类装置、存储介质与电子设备 | |
CN109816200B (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
CN110188829B (zh) | 神经网络的训练方法、目标识别的方法及相关产品 | |
CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
CN109740689B (zh) | 一种图像语义分割的错误标注数据筛选方法及系统 | |
CN110135505B (zh) | 图像分类方法、装置、计算机设备及计算机可读存储介质 | |
JP2022141931A (ja) | 生体検出モデルのトレーニング方法及び装置、生体検出の方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN112560964A (zh) | 基于半监督学习训练中草药病虫害识别模型的方法与系统 | |
CN113111716B (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
CN112529210A (zh) | 模型训练方法、装置以及计算机可读存储介质 | |
EP4053757A1 (en) | Degradation suppression program, degradation suppression method, and information processing device | |
CN114299304A (zh) | 一种图像处理方法及相关设备 | |
CN109101984B (zh) | 一种基于卷积神经网络的图像识别方法及装置 | |
CN112818946A (zh) | 年龄识别模型的训练、年龄识别方法、装置及电子设备 | |
CN110414229B (zh) | 操作命令检测方法、装置、计算机设备及存储介质 | |
CN114445716B (zh) | 关键点检测方法、装置、计算机设备、介质及程序产品 | |
CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
CN112446428B (zh) | 一种图像数据处理方法及装置 | |
CN115240647A (zh) | 声音事件检测方法、装置、电子设备及存储介质 | |
CN113506287A (zh) | 全视野病理切片图像分类方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method and device for facial gender recognition Effective date of registration: 20231110 Granted publication date: 20201020 Pledgee: Xiamen International Bank Co.,Ltd. Xiamen Branch Pledgor: XIAMEN DRAGON INFORMATION TECHNOLOGY Co.,Ltd. Registration number: Y2023980064988 |