CN110046941A - 一种人脸识别方法、系统及电子设备和存储介质 - Google Patents
一种人脸识别方法、系统及电子设备和存储介质 Download PDFInfo
- Publication number
- CN110046941A CN110046941A CN201910329184.9A CN201910329184A CN110046941A CN 110046941 A CN110046941 A CN 110046941A CN 201910329184 A CN201910329184 A CN 201910329184A CN 110046941 A CN110046941 A CN 110046941A
- Authority
- CN
- China
- Prior art keywords
- face
- face picture
- identified
- picture
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 90
- 238000000605 extraction Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 7
- 210000000887 face Anatomy 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0268—Targeted advertisements at point-of-sale [POS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- 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
- 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
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种人脸识别方法、系统及一种电子设备和计算机可读存储介质,该方法包括:获取训练集;其中,所述训练集包括已标记性别和年龄的人脸图片;利用所述训练集训练mobilefacenet学习模型,得到训练完成的目标学习模型;当接收到待识别人脸图片时,将所述待识别人脸图片输入所述目标学习模型中,得到所述待识别人脸图片的性别识别结果和年龄识别结果。由此可见,本申请提供的人脸识别方法,提高了人脸识别的效率和准确度。
Description
技术领域
本申请涉及人脸识别技术领域,更具体地说,涉及一种人脸识别方法、系统及一种电子设备和一种计算机可读存储介质。
背景技术
对于零售行业门店(如服装店、商店等)需要统计对客流属性分析,主要包括统计到店人流中性别和年龄分布,并制定相应的销售策略。通过摄像设备采集人脸图片,并识别该人脸图片的性别和年龄信息。
在现有技术中,采用机器学习模型(如SVM、Adaboost)等对输入人脸图片进行识别,准确度较差。且识别性别和年龄信息需要两个模型进行分别识别,识别效率较低。
因此,如何提高人脸识别的效率和准确度是本领域技术人员需要解决的技术问题。
发明内容
本申请的目的在于提供一种人脸识别方法、系统及一种电子设备和一种计算机可读存储介质,提高了人脸识别的效率和准确度。
为实现上述目的,本申请提供了一种人脸识别方法,包括:
获取训练集;其中,所述训练集包括已标记性别和年龄的人脸图片;
利用所述训练集训练mobilefacenet学习模型,得到训练完成的目标学习模型;
当接收到待识别人脸图片时,将所述待识别人脸图片输入所述目标学习模型中,得到所述待识别人脸图片的性别识别结果和年龄识别结果。
其中,所述获取训练集,包括:
获取训练集,并对所述训练集中的每个所述人脸图片进行图像预处理,得到每个所述人脸图片对应的标准人脸图片;
相应的,所述当接收到待识别人脸图片时,将所述待识别人脸图片输入所述目标学习模型中,得到所述待识别人脸图片的性别识别结果和年龄识别结果,包括:
当接收到待识别人脸图片时,对所述待识别人脸图片进行图像预处理,得到每个所述人脸图片对应的待识别标准人脸图片;
将所述待识别标准人脸图片输入所述目标学习模型中,得到所述待识别人脸图片的性别识别结果和年龄识别结果。
其中,对目标人脸图片进行图像预处理,包括:
调整所述目标人脸图片的尺寸为目标尺寸。
其中,对目标人脸图片进行图像预处理,包括:
识别所述目标人脸图片中的人眼位置,根据所述人眼位置矫正所述目标人脸图片,以使所述目标人脸图片中的人脸为正脸。
其中,所述利用所述训练集训练mobilefacenet学习模型,包括:
利用所述训练集训练mobilefacenet学习模型;其中,在训练过程中采用交叉熵损失函数。
其中,所述mobilefacenet学习模型包括用于对输入人脸图片进行特征提取的特征提取层;
与所述特征提取层连接的性别分支对应的第一batchnorm层和年龄分支对应的第二batchnorm层;
与所述第一batchnorm层连接的所述性别分支对应的第一全连接层;
与所述第二batchnorm层连接的所述年龄分支对应的第二全连接层。
其中,所述特征提取层利用全局可分离卷积对所述输入人脸图片进行特征提取。
为实现上述目的,本申请提供了一种人脸识别系统,包括:
获取模块,用于获取训练集;其中,所述训练集包括已标记性别和年龄的人脸图片;
训练模块,用于利用所述训练集训练mobilefacenet学习模型,得到训练完成的目标学习模型;
识别模块,用于当接收到待识别人脸图片时,将所述待识别人脸图片输入所述目标学习模型中,得到所述待识别人脸图片的性别识别结果和年龄识别结果。
为实现上述目的,本申请提供了一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述人脸识别方法的步骤。
为实现上述目的,本申请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上存储有计算机程序,所述计算机程序被处理器执行时实现如上述人脸识别方法的步骤。
通过以上方案可知,本申请提供的一种人脸识别方法,包括:获取训练集;其中,所述训练集包括已标记性别和年龄的人脸图片;利用所述训练集训练mobilefacenet学习模型,得到训练完成的目标学习模型;当接收到待识别人脸图片时,将所述待识别人脸图片输入所述目标学习模型中,得到所述待识别人脸图片的性别识别结果和年龄识别结果。
本申请提供的人脸识别方法,通过训练完成的mobilefacenet学习模型对人脸图片的性别和年龄进行识别。mobilefacenet学习模型采用轻量高效的网络设计和损失函数设计,可以同时解决人脸识别中效率和准确度的问题。另外,训练利用的训练集包括同时标记了性别和年龄的人脸图片,训练完成的mobilefacenet学习模型可以同时输出性别和年龄的识别结果,进一步提高了人脸识别的效率。由此可见,本申请提供的人脸识别方法,提高了人脸识别的效率和准确度。本申请还公开了一种人脸识别系统及一种电子设备和一种计算机可读存储介质,同样能实现上述技术效果。
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的,并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1为根据一示例性实施例示出的一种人脸识别方法的流程图;
图2为bottleneck结构的卷积的结构示意图;
图3为根据一示例性实施例示出的另一种人脸识别方法的流程图;
图4为根据一示例性实施例示出的一种人脸识别系统的结构图;
图5为根据一示例性实施例示出的一种电子设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例公开了一种人脸识别方法,提高了人脸识别的效率和准确度。
参见图1,根据一示例性实施例示出的一种人脸识别方法的流程图,如图1所示,包括:
S101:获取训练集;其中,所述训练集包括已标记性别和年龄的人脸图片;
在本步骤中,获取用于训练深度学习模型的训练集,该训练集中的人脸图片为使用mtcnn人脸检测模型裁剪数据集中后的人脸图片。训练集中的人脸图片已标记性别和年龄,其中,性别标签包括男和女,对应的后续目标学习模型输出的性别分类为两分类。年龄标签可以包括0至99岁,超过超过99岁可以视为99岁,对应的后续目标学习模型输出的年龄分类为100分类。当然还可以根据年龄分层设置年龄标签,例如,年龄标签可以为N维数组,对应的后续目标学习模型输出的年龄分类为N分类,标签中的第1个数据对应年龄0-9岁,第2个数据对应年龄10-19岁,依此类推,在此不进行具体限定。
S102:利用所述训练集训练mobilefacenet学习模型,得到训练完成的目标学习模型;
在具体实施中,利用上一步骤获取的训练集训练mobilefacenet学习模型,得到训练完成的目标学习模型。mobilefacenet为当前较新的深度学习模型,主要被应用于人脸识别方向,对于人脸相关的应用有一定的适用性。在训练过程中对年龄分支和性别分支进行同时训练,得到目标学习模型,实现了同一学习模型同时输出性别和年龄分类结果。
优选的,在训练过程中采用交叉熵损失函数,由于mobilefacenet轻量高效的的网络设计和损失函数设计,能同时满足准确性和效率问题。
在具体实施中,所述mobilefacenet学习模型包括用于对输入人脸图片进行特征提取的特征提取层;与所述特征提取层连接的性别分支对应的第一batchnorm层和年龄分支对应的第二batchnorm层;与所述第一batchnorm层连接的所述性别分支对应的第一全连接层;与所述第二batchnorm层连接的所述年龄分支对应的第二全连接层。
mobilefacenet学习模型的特征提取层的具体网络结构如表1所示:
表1
Input | Operator | t | c | n | s |
112<sup>2</sup>×3 | conv3×3 | - | 64 | 1 | 2 |
56<sup>2</sup>×64 | depthwise conv3×3 | - | 64 | 1 | 1 |
56<sup>2</sup>×64 | bottleneneck | 2 | 64 | 5 | 2 |
28<sup>2</sup>×64 | bottleneneck | 4 | 128 | 1 | 2 |
14<sup>2</sup>×128 | bottleneneck | 2 | 128 | 6 | 1 |
14<sup>2</sup>×128 | bottleneneck | 4 | 128 | 1 | 2 |
7<sup>2</sup>×128 | bottleneneck | 2 | 128 | 2 | 1 |
7<sup>2</sup>×128 | conv1×1 | - | 512 | 1 | 1 |
7<sup>2</sup>×512 | linear GDConv7×7 | - | 512 | 1 | 1 |
其中,Input代表输入特征的大小和维度,Operator代表每一步的操作,t为bottleneck中使用参数,c为卷积核的个数,即输出特征图的通道数,n为每一行操作重复的次数,s为卷积或池化操作的步长。
conv为卷积操作,conv3×3即代表卷积核为3×3的卷积操作,depthwise代表depthwise类型的卷积,bottleneck代表bottleneck结构的卷积,其结构如图2所示。GDConv(global depthwise convolution)为全局可分离卷积。如果输入特征的维度h×w,那么全局可分离卷积的卷积核大小也是h×w,通道数即为特征维数。
上述特征提取层利用全局可分离卷积对所述输入人脸图片进行特征提取,使用全局可分离卷积代替全局池化,对人脸特征信息尽可能保留,提高特征提取的准确度,进而提高人脸识别的准确度。
mobilefacenet学习模型的性别分支为:与上述特征提取层相连的3×3×32、步长为1的卷积层,与该卷积层相连的bn(batchnorm)层,与该bn层相连的全连接层,该全连接层的输出为两分类,即性别分支的输出为两分类。
mobilefacenet学习模型的年龄分支为:与上述特征提取层相连的3×3×32、步长为1的卷积层,与该卷积层相连的bn(batchnorm)层,与该bn层相连的全连接层,此处不对输出分类的具体数量进行限定。
S103:当接收到待识别人脸图片时,将所述待识别人脸图片输入所述目标学习模型中,得到所述待识别人脸图片的性别识别结果和年龄识别结果。
在本步骤中,当接收到待识别人脸图片时,该待识别人脸图片也为使用mtcnn人脸检测模型裁剪数据集中后的人脸图片。将其输入上一步骤训练完成的目标学习模型中,同时得到该待识别人脸图片的性别识别结果和年龄识别结果。
本申请实施例提供的人脸识别方法,通过训练完成的mobilefacenet学习模型对人脸图片的性别和年龄进行识别。mobilefacenet学习模型采用轻量高效的网络设计和损失函数设计,可以同时解决人脸识别中效率和准确度的问题。另外,训练利用的训练集包括同时标记了性别和年龄的人脸图片,训练完成的mobilefacenet学习模型可以同时输出性别和年龄的识别结果,进一步提高了人脸识别的效率。由此可见,本申请实施例提供的人脸识别方法,提高了人脸识别的效率和准确度。
本申请实施例公开了一种人脸识别方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的:
参见图3,根据一示例性实施例示出的另一种人脸识别方法的流程图,如图3所示,包括:
S201:获取训练集,并对所述训练集中的每个所述人脸图片进行图像预处理,得到每个所述人脸图片对应的标准人脸图片;
在本实施例中,利用训练集中的人脸图片训练mobilefacenet学习模型之前,首先对每个人脸图片进行图像预处理,得到标准人脸图片。此处不对预处理的具体操作进行限定,对目标人脸图片进行图像预处理的步骤可以包括调整所述目标人脸图片的尺寸为目标尺寸。例如,可以将人脸图片的大小同一为112×112。对目标人脸图片进行图像预处理的步骤也可以包括识别所述目标人脸图片中的人眼位置,根据所述人眼位置矫正所述目标人脸图片,以使所述目标人脸图片中的人脸为正脸。在具体实施中,根据目标人脸图片中的人眼位置,将目标人脸图片中的人脸矫正至双眼水平,即矫正人脸为正脸。
S202:利用所述标准人脸图片训练mobilefacenet学习模型,得到训练完成的目标学习模型;
S203:当接收到待识别人脸图片时,对所述待识别人脸图片进行图像预处理,得到每个所述人脸图片对应的待识别标准人脸图片;
在本步骤中,将待识别人脸图片输入目标学习模型之前,同样需要对该待识别人脸图片进行图像预处理,具体过程与上述介绍相似,在此不再赘述。
S204:将所述待识别标准人脸图片输入所述目标学习模型中,得到所述待识别人脸图片的性别识别结果和年龄识别结果。
由此可见,本实施例利用经过图像预处理的标准人脸图片训练mobilefacenet学习模型,提高了特征提取的准确度,因此进一步提高了训练完成的目标学习模型对待识别人脸图片进行人脸识别的准确度。
下面对本申请实施例提供的一种人脸识别系统进行介绍,下文描述的一种人脸识别系统与上文描述的一种人脸识别方法可以相互参照。
参见图4,根据一示例性实施例示出的一种人脸识别系统的结构图,如图4所示,包括:
获取模块401,用于获取训练集;其中,所述训练集包括已标记性别和年龄的人脸图片;
训练模块402,用于利用所述训练集训练mobilefacenet学习模型,得到训练完成的目标学习模型;
识别模块403,用于当接收到待识别人脸图片时,将所述待识别人脸图片输入所述目标学习模型中,得到所述待识别人脸图片的性别识别结果和年龄识别结果。
本申请实施例提供的人脸识别系统,通过训练完成的mobilefacenet学习模型对人脸图片的性别和年龄进行识别。mobilefacenet学习模型采用轻量高效的网络设计和损失函数设计,可以同时解决人脸识别中效率和准确度的问题。另外,训练利用的训练集包括同时标记了性别和年龄的人脸图片,训练完成的mobilefacenet学习模型可以同时输出性别和年龄的识别结果,进一步提高了人脸识别的效率。由此可见,本申请实施例提供的人脸识别系统,提高了人脸识别的效率和准确度。
在上述实施例的基础上,作为一种优选实施方式,所述获取模块401具体为获取训练集,并对所述训练集中的每个所述人脸图片进行图像预处理,得到每个所述人脸图片对应的标准人脸图片的模块;
相应的,所述识别模块403包括:
预处理单元,用于当接收到待识别人脸图片时,对所述待识别人脸图片进行图像预处理,得到每个所述人脸图片对应的待识别标准人脸图片;
识别单元,用于将所述待识别标准人脸图片输入所述目标学习模型中,得到所述待识别人脸图片的性别识别结果和年龄识别结果。
在上述实施例的基础上,作为一种优选实施方式,所述预处理单元具体为调整所述目标人脸图片的尺寸为目标尺寸的单元。
在上述实施例的基础上,作为一种优选实施方式,所述预处理单元具体为识别所述目标人脸图片中的人眼位置,根据所述人眼位置矫正所述目标人脸图片,以使所述目标人脸图片中的人脸为正脸的单元。
在上述实施例的基础上,作为一种优选实施方式,所述mobilefacenet学习模型包括用于对输入人脸图片进行特征提取的特征提取层;
与所述特征提取层连接的性别分支对应的第一batchnorm层和年龄分支对应的第二batchnorm层;
与所述第一batchnorm层连接的所述性别分支对应的第一全连接层;
与所述第二batchnorm层连接的所述年龄分支对应的第二全连接层。
关于上述实施例中的系统,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本申请还提供了一种电子设备,参见图5,本申请实施例提供的一种电子设备500的结构图,如图5所示,可以包括处理器11和存储器12。该电子设备500还可以包括多媒体组件13,输入/输出(I/O)接口14,以及通信组件15中的一者或多者。
其中,处理器11用于控制该电子设备500的整体操作,以完成上述的人脸识别方法中的全部或部分步骤。存储器12用于存储各种类型的数据以支持在该电子设备500的操作,这些数据例如可以包括用于在该电子设备500上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器12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,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件13可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器12或通过通信组件15发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口14为处理器11和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件15用于该电子设备500与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件15可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,电子设备500可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的人脸识别方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述人脸识别方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器12,上述程序指令可由电子设备500的处理器11执行以完成上述的人脸识别方法。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种人脸识别方法,其特征在于,包括:
获取训练集;其中,所述训练集包括已标记性别和年龄的人脸图片;
利用所述训练集训练mobilefacenet学习模型,得到训练完成的目标学习模型;
当接收到待识别人脸图片时,将所述待识别人脸图片输入所述目标学习模型中,得到所述待识别人脸图片的性别识别结果和年龄识别结果。
2.根据权利要求1所述人脸识别方法,其特征在于,所述获取训练集,包括:
获取训练集,并对所述训练集中的每个所述人脸图片进行图像预处理,得到每个所述人脸图片对应的标准人脸图片;
相应的,所述当接收到待识别人脸图片时,将所述待识别人脸图片输入所述目标学习模型中,得到所述待识别人脸图片的性别识别结果和年龄识别结果,包括:
当接收到待识别人脸图片时,对所述待识别人脸图片进行图像预处理,得到每个所述人脸图片对应的待识别标准人脸图片;
将所述待识别标准人脸图片输入所述目标学习模型中,得到所述待识别人脸图片的性别识别结果和年龄识别结果。
3.根据权利要求2所述人脸识别方法,其特征在于,对目标人脸图片进行图像预处理,包括:
调整所述目标人脸图片的尺寸为目标尺寸。
4.根据权利要求2所述人脸识别方法,其特征在于,对目标人脸图片进行图像预处理,包括:
识别所述目标人脸图片中的人眼位置,根据所述人眼位置矫正所述目标人脸图片,以使所述目标人脸图片中的人脸为正脸。
5.根据权利要求1所述人脸识别方法,其特征在于,所述利用所述训练集训练mobilefacenet学习模型,包括:
利用所述训练集训练mobilefacenet学习模型;其中,在训练过程中采用交叉熵损失函数。
6.根据权利要求1至5中任一项所述人脸识别方法,其特征在于,所述mobilefacenet学习模型包括用于对输入人脸图片进行特征提取的特征提取层;
与所述特征提取层连接的性别分支对应的第一batchnorm层和年龄分支对应的第二batchnorm层;
与所述第一batchnorm层连接的所述性别分支对应的第一全连接层;
与所述第二batchnorm层连接的所述年龄分支对应的第二全连接层。
7.根据权利要求6所述人脸识别方法,其特征在于,所述特征提取层利用全局可分离卷积对所述输入人脸图片进行特征提取。
8.一种人脸识别系统,其特征在于,包括:
获取模块,用于获取训练集;其中,所述训练集包括已标记性别和年龄的人脸图片;
训练模块,用于利用所述训练集训练mobilefacenet学习模型,得到训练完成的目标学习模型;
识别模块,用于当接收到待识别人脸图片时,将所述待识别人脸图片输入所述目标学习模型中,得到所述待识别人脸图片的性别识别结果和年龄识别结果。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述人脸识别方法的步骤。
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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述人脸识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910329184.9A CN110046941A (zh) | 2019-04-23 | 2019-04-23 | 一种人脸识别方法、系统及电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910329184.9A CN110046941A (zh) | 2019-04-23 | 2019-04-23 | 一种人脸识别方法、系统及电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110046941A true CN110046941A (zh) | 2019-07-23 |
Family
ID=67278798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910329184.9A Pending CN110046941A (zh) | 2019-04-23 | 2019-04-23 | 一种人脸识别方法、系统及电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046941A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598638A (zh) * | 2019-09-12 | 2019-12-20 | Oppo广东移动通信有限公司 | 模型训练方法、人脸性别预测方法、设备及存储介质 |
CN111027490A (zh) * | 2019-12-12 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 人脸属性识别方法及装置、存储介质 |
CN111914772A (zh) * | 2020-08-06 | 2020-11-10 | 北京金山云网络技术有限公司 | 识别年龄的方法、年龄识别模型的训练方法和装置 |
CN112786057A (zh) * | 2021-02-23 | 2021-05-11 | 厦门熵基科技有限公司 | 一种声纹识别方法、装置、电子设备及存储介质 |
CN113095347A (zh) * | 2020-01-09 | 2021-07-09 | 舜宇光学(浙江)研究院有限公司 | 基于深度学习的标记识别方法和训练方法及其系统和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7912246B1 (en) * | 2002-10-28 | 2011-03-22 | Videomining Corporation | Method and system for determining the age category of people based on facial images |
CN109034078A (zh) * | 2018-08-01 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 年龄识别模型的训练方法、年龄识别方法及相关设备 |
CN109271884A (zh) * | 2018-08-29 | 2019-01-25 | 厦门理工学院 | 人脸属性识别方法、装置、终端设备和存储介质 |
-
2019
- 2019-04-23 CN CN201910329184.9A patent/CN110046941A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7912246B1 (en) * | 2002-10-28 | 2011-03-22 | Videomining Corporation | Method and system for determining the age category of people based on facial images |
CN109034078A (zh) * | 2018-08-01 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 年龄识别模型的训练方法、年龄识别方法及相关设备 |
CN109271884A (zh) * | 2018-08-29 | 2019-01-25 | 厦门理工学院 | 人脸属性识别方法、装置、终端设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
SHENG CHEN 等: "MobileFaceNets: Efficient CNNs for Accurate Real-Time Face Verification on Mobile Devices", 《SPRINGER LNCS 10996》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598638A (zh) * | 2019-09-12 | 2019-12-20 | Oppo广东移动通信有限公司 | 模型训练方法、人脸性别预测方法、设备及存储介质 |
CN111027490A (zh) * | 2019-12-12 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 人脸属性识别方法及装置、存储介质 |
CN111027490B (zh) * | 2019-12-12 | 2023-05-30 | 腾讯科技(深圳)有限公司 | 人脸属性识别方法及装置、存储介质 |
CN113095347A (zh) * | 2020-01-09 | 2021-07-09 | 舜宇光学(浙江)研究院有限公司 | 基于深度学习的标记识别方法和训练方法及其系统和电子设备 |
CN111914772A (zh) * | 2020-08-06 | 2020-11-10 | 北京金山云网络技术有限公司 | 识别年龄的方法、年龄识别模型的训练方法和装置 |
CN111914772B (zh) * | 2020-08-06 | 2024-05-03 | 北京金山云网络技术有限公司 | 识别年龄的方法、年龄识别模型的训练方法和装置 |
CN112786057A (zh) * | 2021-02-23 | 2021-05-11 | 厦门熵基科技有限公司 | 一种声纹识别方法、装置、电子设备及存储介质 |
CN112786057B (zh) * | 2021-02-23 | 2023-06-02 | 厦门熵基科技有限公司 | 一种声纹识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046941A (zh) | 一种人脸识别方法、系统及电子设备和存储介质 | |
US10943096B2 (en) | High-quality training data preparation for high-performance face recognition systems | |
CN110033332A (zh) | 一种人脸识别方法、系统及电子设备和存储介质 | |
WO2021077984A1 (zh) | 对象识别方法、装置、电子设备及可读存储介质 | |
Wang et al. | Large-scale isolated gesture recognition using convolutional neural networks | |
WO2018028546A1 (zh) | 一种关键点的定位方法及终端、计算机存储介质 | |
CN102831412B (zh) | 一种基于人脸识别的教学考勤方法及其装置 | |
CN109145766B (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
CN103971102B (zh) | 基于手指轮廓和决策树的静态手势识别方法 | |
JP7266674B2 (ja) | 画像分類モデルの訓練方法、画像処理方法及び装置 | |
CN109325547A (zh) | 非机动车图像多标签分类方法、系统、设备及存储介质 | |
CN108197532A (zh) | 人脸识别的方法、装置及计算机装置 | |
CN110533024B (zh) | 基于多尺度roi特征的双二次池化细粒度图像分类方法 | |
CN110084174A (zh) | 一种人脸识别方法、系统及电子设备和存储介质 | |
CN112101329B (zh) | 一种基于视频的文本识别方法、模型训练的方法及装置 | |
CN110363233B (zh) | 一种基于块检测器及特征融合的卷积神经网络的细粒度图像识别方法及系统 | |
Zhao et al. | Semantic parts based top-down pyramid for action recognition | |
CN103903013A (zh) | 一种无标记平面物体识别的优化算法 | |
CN103116754A (zh) | 基于识别模型的批量图像分割方法及系统 | |
CN104778238B (zh) | 一种视频显著性的分析方法及装置 | |
WO2019119396A1 (zh) | 人脸表情识别方法及装置 | |
CN104616002A (zh) | 用于年龄段判断的面部识别设备 | |
CN104143097A (zh) | 分类函数获取方法、人脸年龄识别方法、装置和设备 | |
CN111862030B (zh) | 一种人脸合成图检测方法、装置、电子设备及存储介质 | |
CN110321761A (zh) | 一种行为识别方法、终端设备及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190723 |