CN111062230A - 一种性别识别模型训练方法和装置及性别识别方法和装置 - Google Patents
一种性别识别模型训练方法和装置及性别识别方法和装置 Download PDFInfo
- Publication number
- CN111062230A CN111062230A CN201811204269.6A CN201811204269A CN111062230A CN 111062230 A CN111062230 A CN 111062230A CN 201811204269 A CN201811204269 A CN 201811204269A CN 111062230 A CN111062230 A CN 111062230A
- Authority
- CN
- China
- Prior art keywords
- image
- vector
- gender
- sample
- sample group
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000012549 training Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 320
- 239000011159 matrix material Substances 0.000 claims abstract description 159
- 230000009467 reduction Effects 0.000 claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 52
- 230000001815 facial effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 abstract description 47
- 230000000694 effects Effects 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 18
- 238000000513 principal component analysis Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 15
- 230000015654 memory Effects 0.000 description 11
- 230000006835 compression Effects 0.000 description 9
- 238000007906 compression Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 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
- G06V40/172—Classification, e.g. identification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (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)
Abstract
本申请提供了一种性别识别模型训练方法和装置及性别识别方法和装置,在性别识别模型训练的时候,通过获取至少一个样本组;对每个样本组中的各张人脸样本图像的图像向量进行降维处理后,生成与该样本组对应的目标投影矩阵,并获取每张人脸样本图像的投影向量;根据该样本组中各个投影向量,获取该样本组中所有性别标签为男性的人脸样本图像的男性平均向量,以及所有性别标签为女性的人脸样本图像的女性平均向量;根据各样本组对应的目标投影矩阵、男性平均向量、以及女性平均向量,确定性别识别模型。从而能够在压缩域实现人脸图像性别识别,解决现有技术中存在的图像处理量大、计算效率低的问题,达到保证识别率的情况下,提高计算效率的效果。
Description
技术领域
本申请涉及图像识别技术领域,具体而言,涉及一种性别识别模型训练方法和装置及性别识别方法和装置。
背景技术
性别是人类生物特征的重要属性之一,是人脸识别的重要组成部分,众多应用可结合性别分类提供更加智能的人机交互,如实时监控系统、应用智能界面、智能广告推荐等。因此,对性别识别的研究具有广泛的应用前景。目前,针对人脸图像性别识别的图像处理算法存在图像处理量大、计算效率低的问题。
发明内容
有鉴于此,本申请实施例的目的在于提供一种性别识别模型训练方法和装置及性别识别方法和装置,能够在压缩域实现人脸图像性别识别,解决现有技术中存在的图像处理量大、计算效率低的问题,从而达到保证识别率的情况下,提高计算效率的效果。
第一方面,本申请实施例提供了一种性别识别模型训练方法,包括:
获取至少一个样本组;每个所述样本组中,包括至少一张性别标签为男性的人脸样本图像和至少一张性别标签为女性的人脸样本图像;
针对每个所述样本组,对该样本组中的各张所述人脸样本图像的图像向量进行降维处理后,生成与该样本组对应的目标投影矩阵,并获取该样本组中每张所述人脸样本图像的投影向量;
根据该样本组中各张所述人脸样本图像的投影向量,获取该样本组中所有性别标签为男性的人脸样本图像的男性平均向量,以及所有性别标签为女性的人脸样本图像的女性平均向量;
根据各样本组对应的目标投影矩阵、所述男性平均向量、以及所述女性平均向量,确定所述性别识别模型。
结合第一方面,本申请实施例提供了第一方面的第一种可能的实施方式,其中,基于下述方式对该样本组中的各张所述人脸样本图像的图像向量进行降维处理:
针对每个所述样本组,随机生成与该样本组对应的随机正交投影矩阵;
将该样本组对应的随机正交投影矩阵,分别和该样本组中各张所述人脸样本图像的图像向量的乘积,确定为该样本组中各张所述人脸样本图像的降维向量。
结合第一方面的第一种可能的实施方式,本申请实施例提供了第一方面的第二种可能的实施方式,其中,基于下述方式生成与该样本组对应的目标投影矩阵:
对该样本组中各张所述人脸样本图像的降维向量进行中心化操作,获取每张所述人脸样本图像的中心化降维向量;
根据该样本组中各张所述人脸样本图像的中心化降维向量,生成向量矩阵;
获取所述向量矩阵的协方差矩阵,并基于所述协方差矩阵的特征向量,获取与该样本组对应的中间投影矩阵;
根据该样本组对应的中间投影矩阵以及所述随机正交投影矩阵,生成与该样本组对应的目标投影矩阵。
结合第一方面的第二种可能的实施方式,本申请实施例提供了第一方面的第三种可能的实施方式,其中,基于下述方式获取该样本组中每张所述人脸样本图像的投影向量:
计算与该样本组对应的中间投影矩阵分别与该样本组中各张所述人脸样本图像的降维向量的乘积,生成每张所述人脸样本图像的投影向量。
结合第一方面,本申请实施例提供了第一方面的第四种可能的实施方式,其中,所述根据该样本组中各张所述人脸样本图像的投影向量,获取该样本组中所有性别标签为男性的人脸样本图像的男性平均向量,以及所有性别标签为女性的人脸样本图像的女性平均向量,包括:
根据该样本组中各张所述人脸样本图像的投影向量,计算该样本组中所有性别标签为男性的人脸样本图像的投影向量的平均值,将该样本组中所有性别标签为男性的人脸样本图像的投影向量的平均值作为与该样本组对应的所述男性平均向量;
根据该样本组中各张所述人脸样本图像的投影向量,计算该样本组中所有性别标签为女性的人脸样本图像的投影向量的平均值,将该样本组中所有性别标签为女性的人脸样本图像的投影向量的平均值作为与该样本组对应的所述女性平均向量。
第二方面,本申请实施例提供了一种性别识别方法,包括:
获取待识别人脸图像;
将所述待识别人脸图像的目标图像向量,输入至如第一方面和第一方面的第一种可能的实施方式至第四种可能的实施方式的任意一项所述的性别识别模型训练方法所得到性别识别模型中,获得所述待识别人脸图像的性别识别结果;
所述性别识别模型包括:多个目标投影矩阵、以及与每个目标投影矩阵对应的男性平均向量和女性平均向量。
结合第二方面,本申请实施例提供了第二方面的第一种可能的实施方式,其中,所述将所述待识别人脸图像的目标图像向量,输入至如第一方面和第一方面的第一种可能的实施方式至第四种可能的实施方式的任意一项所述的性别识别模型训练方法所得到性别识别模型中,获得所述待识别人脸图像的性别识别结果,包括:
根据所述待识别人脸图像的目标图像向量,以及各个所述目标投影矩阵,获取与每个所述目标投影矩阵对应的目标投影向量;
根据与各个所述目标投影矩阵对应的所述目标投影向量,以及与各个所述目标投影矩阵对应的男性平均向量和女性平均向量,获得所述待识别人脸图像的性别识别结果。
结合第二方面的第一种可能的实施方式,本申请实施例提供了第二方面的第二种可能的实施方式,其中,所述根据与各个所述目标投影矩阵对应的所述目标投影向量,以及与各个所述目标投影矩阵对应的男性平均向量和女性平均向量,获得所述待识别人脸图像的性别识别结果,包括:
针对每个目标投影矩阵,分别计算与该目标投影矩阵对应所述目标投影向量和与该目标投影矩阵对应的男性平均向量之间的第一距离,以及和与该目标投影矩阵对应的女性平均向量之间的第二距离;
根据各个目标投影矩阵对应的第一距离和第二距离,确定所述待识别人脸图像的性别识别结果。
第三方面,本申请实施例提供了一种性别识别模型训练装置,包括:
人脸样本图像获取模块:用于获取至少一个样本组;每个所述样本组中,包括至少一张性别标签为男性的人脸样本图像和至少一张性别标签为女性的人脸样本图像;
第一处理模块:用于针对每个所述样本组,对该样本组中的各张所述人脸样本图像的图像向量进行降维处理后,生成与每张人脸样本图像的目标投影矩阵,并获取该样本组中每张所述人脸样本图像的投影向量;
第二处理模块:用于根据该样本组中各张所述人脸样本图像的投影向量,获取该样本组中所有性别标签为男性的人脸样本图像的男性平均向量,以及所有性别标签为女性的人脸样本图像的女性平均向量;
性别识别模型获取模块:用于根据各样本组对应的目标投影矩阵、所述男性平均向量、以及所述女性平均向量,确定所述性别识别模型。
第四方面,本申请实施例提供了一种性别识别装置,包括:
待识别人脸图像获取模块:用于获取待识别人脸图像;
性别识别结果获取模块:用于将所述待识别人脸图像的目标图像向量,输入至如第一方面和第一方面的第一种可能的实施方式至第四种可能的实施方式的任意一项所述的性别识别模型训练方法所得到性别识别模型中,获得所述待识别人脸图像的性别识别结果;所述性别识别模型包括:多个目标投影矩阵、以及与每个目标投影矩阵对应的男性平均向量和女性平均向量。
本申请实施例提供的一种性别识别模型训练方法和装置及性别识别方法和装置,在性别识别模型训练的时候,通过获取至少一个样本组;每个样本组中,包括至少一张性别标签为男性的人脸样本图像和至少一张性别标签为女性的人脸样本图像;针对每个样本组,对该样本组中的各张人脸样本图像的图像向量进行降维处理后,生成与该样本组对应的目标投影矩阵,并获取该样本组中每张人脸样本图像的投影向量;根据该样本组中各张人脸样本图像的投影向量,获取该样本组中所有性别标签为男性的人脸样本图像的男性平均向量,以及所有性别标签为女性的人脸样本图像的女性平均向量;根据各样本组对应的目标投影矩阵、男性平均向量、以及女性平均向量,确定性别识别模型。本申请实施例采用先将样本图像的图像向量进行降维,以减少在生成投影向量过程中的计算量,并将投影向量,以及根据投影向量生成的男性平均向量和女性平均向量结合的方式确定性别识别模型,从而能够在压缩域实现人脸图像性别识别,解决现有技术中存在的图像处理量大、计算效率低的问题,从而达到在保证识别率的情况下,提高计算效率的效果。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的一种性别识别模型训练方法的流程图;
图2示出了本申请实施例所提供的性别识别模型训练方法中,对样本组中的各张人脸样本图像的图像向量进行降维处理的流程图;
图3示出了本申请实施例所提供的性别识别模型训练方法中,生成与该样本组对应的目标投影矩阵的流程图:
图4示出了本申请实施例所提供的一种性别识别方法的流程图;
图5示出了本申请实施例所提供的性别识别方法中,获得待识别人脸图像的性别识别结果的流程图;
图6示出了本申请实施例所提供的性别识别方法中,具体获得待识别人脸图像的性别识别结果的流程图;
图7示出了本申请实施例所提供的一种性别识别模型训练装置的结构示意图;
图8示出了本申请实施例所提供的一种性别识别装置的结构示意图;
图9示出了本申请实施例所提供的一种计算机设备的结构示意图;
图10示出了本申请实施例所提供的另一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。
主成分分析(Principal Component Analysis,PCA)是降维和压缩领域的核心算法,PCA是考察多个变量间相关性的一种多元统计方法,可以通过少数几个主成分来揭示多个变量间的内部结构,从而减小处理量,提高计算效率。但在其求解的过程中,需计算协方差矩阵的特征值和特征向量,特征分解的过程计算量极其庞大,因此传统的主成分分析在编码器端占用资源过多,导致基于主成分分析的人脸图像性别识别的图像处理算法存在图像处理量大、计算效率低的问题。基于此,本申请提供的一种性别识别模型训练方法和装置及性别识别方法和装置,能够在压缩域实现人脸图像性别识别,解决现有技术中存在的图像处理量大、计算效率低的问题,从而达到在保证识别率的情况下,提高计算效率的效果。
本申请实施例通过对原始图像数据通过随机投影压缩降维后,基于降维后的图像向量进行PCA计算,获得投影矩阵,并将投影向量,以及根据投影向量生成的男性平均向量和女性平均向量结合的方式确定性别识别模型。这样就可以实现在压缩域中进行性别识别。解决现有技术中存在的图像处理量大、计算效率低的问题,从而达到在保证识别率的情况下,提高计算效率的效果。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种性别识别模型训练方法进行详细介绍。
参见图1所示,本申请实施例所提供的性别识别模型训练方法包括S101~S104:
S101:获取至少一个样本组。
其中,每个样本组中,包括至少一张性别标签为男性的人脸样本图像和至少一张性别标签为女性的人脸样本图像。
在具体实现的时候,首先获取多个带有性别标签的人脸样本图像,将所有人脸样本图像随机分到至少一个样本组中。
可选地,多个带有性别标签的人脸样本图像可以从群组影像(Image of Group,IoG)数据库中选取,该数据库是在自然条件下采集的,人脸图像具有多样性,包含不同姿态、不同表情,甚至是遮挡和低分辨率的多种图像。
可选地,所有人脸样本图像可以平均划分到至少一个样本组中,也可以不平均划分;不同样本组中可以有相同的人脸样本图像,也可以没有相同的人脸样本图像。
另外,为了保证每个样本组中包括至少一张性别标签为男性的人脸样本图像和至少一张性别标签为女性的人脸样本图像,可以先构成性别标签为男性的人脸样本图像组和性别标签为女性的人脸样本图像组,然后从性别标签为男性的人脸样本图像组和性别标签为女性的人脸样本图像组中,分别随机选取人脸样本图像,构成样本组。
此处,样本组的个数由实验数据分析得到。个数取多了,可能会导致识别过程计算速度慢,个数取少了,可能会导致识别率下降。具体的分析过程,会在下文中详述。
S102:针对每个样本组,对该样本组中的各张人脸样本图像的图像向量进行降维处理后,生成与该样本组对应的目标投影矩阵,并获取该样本组中每张人脸样本图像的投影向量。
具体实现的时候,参见图2所示,本申请实施例基于下述方式对各个样本组中的各张人脸样本图像的图像向量进行降维处理:
S201:针对每个样本组,随机生成与该样本组对应的随机正交投影矩阵。
此处,随机正交投影矩阵为计算机程序随机生成,随机正交投影矩阵是由正交向量组成,随机正交投影矩阵的维度是根据每张人脸样本图像的图像向量的维度决定的。
例如,每张人脸样本图像的图像向量的维度为n×1维的列向量,随机正交投影矩阵的维度可以为k×n维的正交矩阵。
不同的样本组对应的随机正交投影矩阵可以相同,也可以不同。一般情况下,由于随机正交投影矩阵是随机生成的,因此不同样本组对应的随机正交投影矩阵是不同的。
S202:将该样本组对应的随机正交投影矩阵,分别和该样本组中各张人脸样本图像的图像向量的乘积,确定为该样本组中各张人脸样本图像的降维向量。
具体实现的时候,分别计算该样本组对应的随机正交投影矩阵与该样本组中每张人脸样本图像的图像向量的乘积,将得到的乘积确定为该样本组中各张人脸样本图像的降维向量。
例如,该样本组中一共有m张人脸样本图像,每张人脸样本图像的图像向量的维度为n×1,随机正交投影矩阵的维度为k×n,则将随机正交投影矩阵分别与每张人脸样本图像的图像向量作乘积之后,会得到m个k×1的降维向量,此时,人脸样本图像的图像向量就从n维降到了k维。
步骤S102在具体实现的时候,参见图3所示,基于下述方式生成与该样本组对应的目标投影矩阵:
S301:对该样本组中各张人脸样本图像的降维向量进行中心化操作,获取每张人脸样本图像的中心化降维向量。
此处,对降维向量进行中心化操作是为取消由于纲量不同,自身变异或数据值相差较大所引起的误差。中心化操作可看为是一个平移的过程,平移后的数据以原点为基准,更容易描述。
具体实现的时候,通过下述方法对该样本组中各张人脸样本图像的降维向量进行中心化操作:
步骤1:计算所有降维向量中的每个特征的平均值;
例如,降维向量由三个特征组成,即(特征1,特征2,特征3),假如降维向量1为(1,2,3),降维向量2为(4,5,6),降维向量3为(7,8,9),则降维向量1、降维向量2、降维向量3对应的特征1的平均值为(1+4+7)/3=4,特征2的平均值为(2+5+8)/3=5,特征3的平均值为(3+6+9)/3=6。
步骤2:将每个降维向量的各个特征的值减去该特征的平均值,获取每张人脸样本图像的中心化降维向量;
例如:步骤1中的降维向量1得到的中心化降维向量1为(-3,-3,-3),降维向量2得到的中心化降维向量2为(0,0,0),降维向量3得到的中心化降维向量3为(3,3,3)。
通过上述步骤1和步骤2得到每张人脸样本图像的中心化降维向量后,通过步骤S302生成向量矩阵。
S302:根据该样本组中各张人脸样本图像的中心化降维向量,生成向量矩阵。
例如,由S301中得到的中心化降维向量1,中心化降维向量2,以及中心化降维向量3,生成的向量矩阵为(中心化降维向量1,中心化降维向量2,中心化降维向量3)。
S303:获取向量矩阵的协方差矩阵,并基于协方差矩阵的特征向量,获取与该样本组对应的中间投影矩阵。
具体实现的时候,向量矩阵为X,则协方差矩阵为XXT,对协方差矩阵XXT作特征值分解,得到协方差矩阵XXT的特征值和特征向量。
例如,如步骤S202中所述的,人脸样本图像的图像向量就从n维降到了k维,即降维向量为k×1维,则中心化降维矩阵也为k×1维,生成的向量矩阵为k×m维,协方差矩阵为k×k维,对k×k维的协方差矩阵作特征值分解后,得到k个特征值和k个特征向量。
得到k个特征向量后,可选地,如果不想再对数据进行降维,可以将所有特征向量构成中间投影矩阵,如果还想再对数据进行降维,也可以取前k′个最大的特征值对应的特征向量构成中间投影矩阵。
可选地,k′的取值可以通过能量比值法来确定,能量比值法是指将所有特征值从大到小排列,如果前k′个特征值的和占所有特征值的和的预设百分比,则将这前k′个特征值对应的特征向量构成中间投影矩阵。例如预设百分比可以为90%、91%、85%等。
S304:根据该样本组对应的中间投影矩阵以及随机正交投影矩阵,生成与该样本组对应的目标投影矩阵。
具体实现的时候,将该样本组对应的中间投影矩阵和随机正交投影矩阵的乘积,作为与该样本组对应的目标投影矩阵。
例如,随机正交投影矩阵的维度为k×n维,中间投影矩阵的维度为k(k′)×k维,则目标投影矩阵的维度为k(k′)×n维。
步骤S102在具体实现的时候,基于下述方式获取该样本组中每张人脸样本图像的投影向量:
具体实现的时候:计算与该样本组对应的中间投影矩阵分别与该样本组中各张人脸样本图像的降维向量的乘积,生成每张人脸样本图像的投影向量。
例如,假如中间投影矩阵的维度为k′×k,降维向量的维度为k×1,则每张人脸样本图像的投影向量的维度为k′×1,如果k′≠k,这时,又进行了第二次降维,如果k′=k,这时,没有进行第二次降维。
通过步骤S102可以看出,本申请实施例中的得到中间投影矩阵的过程实际就是通过现有技术中PCA算法得到投影矩阵的过程,而本申请实施例中的目标投影矩阵实际为随机正交投影矩阵和中间投影矩阵的乘积。本申请实施例得到的目标投影矩阵构成了性别识别模型的一部分,这样使得在性别识别的过程中,得到待识别人脸图像的目标图像向量后,可直接乘以本申请实施例得到的目标投影矩阵,避免每次识别的时候,需要将目标图像向量先乘以随机正交投影矩阵,再乘以中间投影矩阵,从而可以简化计算机程序的计算过程。
执行完步骤S102后,本申请实施例提供的性别识别模型训练方法还包括下述S103和S104:
S103:根据该样本组中各张人脸样本图像的投影向量,获取该样本组中所有性别标签为男性的人脸样本图像的男性平均向量,以及所有性别标签为女性的人脸样本图像的女性平均向量。
具体实现的时候,根据该样本组中各张人脸样本图像的投影向量,计算该样本组中所有性别标签为男性的人脸样本图像的投影向量的平均值,将该样本组中所有性别标签为男性的人脸样本图像的投影向量的平均值作为与该样本组对应的男性平均向量;
根据该样本组中各张人脸样本图像的投影向量,计算该样本组中所有性别标签为女性的人脸样本图像的投影向量的平均值,将该样本组中所有性别标签为女性的人脸样本图像的投影向量的平均值作为与该样本组对应的女性平均向量。
S104:根据各样本组对应的目标投影矩阵、男性平均向量、以及女性平均向量,确定性别识别模型。
可以看出,本申请实施例的性别识别模型包括:多个目标投影矩阵、以及与每个目标投影矩阵对应的男性平均向量和女性平均向量。
本申请实施例提供的性别识别模型训练方法,在性别识别模型训练的时候,通过获取至少一个样本组;每个样本组中,包括至少一张性别标签为男性的人脸样本图像和至少一张性别标签为女性的人脸样本图像;针对每个样本组,对该样本组中的各张人脸样本图像的图像向量进行降维处理后,生成与该样本组对应的目标投影矩阵,并获取该样本组中每张人脸样本图像的投影向量;根据该样本组中各张人脸样本图像的投影向量,获取该样本组中所有性别标签为男性的人脸样本图像的男性平均向量,以及所有性别标签为女性的人脸样本图像的女性平均向量;根据各样本组对应的目标投影矩阵、男性平均向量、以及女性平均向量,确定性别识别模型。本申请实施例采用先将样本图像的图像向量进行降维,以减少在生成投影向量过程中的计算量,并将投影向量,以及根据投影向量生成的男性平均向量和女性平均向量结合的方式确定性别识别模型,从而能够在压缩域实现人脸图像性别识别,解决现有技术中存在的图像处理量大、计算效率低的问题,从而达到在保证识别率的情况下,提高计算效率的效果。
参见图4所示,本申请实施例还提供一种性别识别方法包括:
S401:获取待识别人脸图像。
S402:将待识别人脸图像的目标图像向量,输入至通过本申请实施例提供的性别识别模型训练方法得到的性别识别模型中,获得待识别人脸图像的性别识别结果。
此处,性别识别模型包括:多个目标投影矩阵、以及与每个目标投影矩阵对应的男性平均向量和女性平均向量。
具体实现的时候,参见图5所示,通过下述步骤获得待识别人脸图像的性别识别结果:
S501:根据待识别人脸图像的目标图像向量,以及各个目标投影矩阵,获取与每个目标投影矩阵对应的目标投影向量。
具体实现的时候,计算每个目标投影矩阵与目标图像向量的乘积,获取与每个目标投影矩阵对应的目标投影向量。
例如,假如有5个目标投影矩阵,分别计算这5个目标投影矩阵的转置与目标图像向量的乘积,得到5个与每个目标投影矩阵对应的目标投影向量。如果目标投影矩阵的维度为k(k′)×n,目标图像向量的维度为n×1,则目标投影向量的维度为k(k′)×1。
S502:根据与各个目标投影矩阵对应的目标投影向量,以及与各个目标投影矩阵对应的男性平均向量和女性平均向量,获得待识别人脸图像的性别识别结果。
具体实现的时候,参见图6所示,具体通过下述步骤获得待识别人脸图像的性别识别结果:
S601:针对每个目标投影矩阵,分别计算与该目标投影矩阵对应目标投影向量和与该目标投影矩阵对应的男性平均向量之间的第一距离,以及和与该目标投影矩阵对应的女性平均向量之间的第二距离。
具体实现的时候,可选地,计算第一距离和第二距离时,可采用欧氏距离计算方法、曼哈顿距离计算方法、或余弦距离计算方法等。
S602:根据各个目标投影矩阵对应的第一距离和第二距离,确定待识别人脸图像的性别识别结果。
具体实现的时候,可选地,通过下述两种方式中任意一种确定待识别人脸图像的性别识别结果:
方式一:
比较每个目标投影矩阵对应的第一距离和第二距离的大小关系,如果第一距离较小,则将男性,作为与该目标投影矩阵对应的一个中间性别识别结果,如果第二距离较小,则将女性,作为与该目标投影矩阵对应的一个中间性别识别结果;
将所有中间性别识别结果中出现较多的性别种类,作为待识别人脸图像的性别识别结果。
例如,假如得到的所有中间性别识别结果依次为:男、男、男、女、女,则出现较多的性别种类为男,则将男,作为待识别人脸图像的性别识别结果。
方式二:
计算与所有目标投影矩阵对应的第一距离的和,或平均值,计算与所有目标投影矩阵对应的第二距离的和,或平均值;
比较所有第一距离的和,或平均值与所有第二距离的和,或平均值的大小关系,将较小的和,或平均值对应的性别种类,作为待识别人脸图像的性别识别结果。
下面详细介绍本申请实施例提供的样本组的个数取值分析过程:
本申请实施例通过测试样本对本申请实施例提供的性别识别模型训练方法得到的性别识别模型进行测试。根据随机得到的5组不同测试样本进行了5组实验,分析在不同测试样本下,基于本申请实施例提供的性别识别模型进行人脸性别识别时,在不同压缩率和样本组的个数J的情况下,对应的准确率、PCA计算时间、以及获得性别识别结果计算时间。其中,PCA计算时间与获得性别识别结果计算时间之和,为测试用的总时间。经过大量的重复实验,得到的实验结果如表1所示:
表1
本申请实施例选取了两种压缩率,一个为0.234,一个为0.5。K/N取0.234,是由于采用能量比值法确定中间投影矩阵时,预设百分比选取为99%,图像向量降维后的维度为700,此时的压缩率为0.234。
从表1中可以看准确率与输入的测试样本相关,与压缩率和J的取值无关。根据表1中的实验结果可知,在压缩域中利用PCA方法进行人脸性别识别,在相同压缩率下,J的不同取值仅对PCA计算时间和获得性别识别结果计算时间有影响,且J越大,PCA计算时间和获得性别识别结果计算时间越长,而对准确率的影响非常小。因此在压缩域中进行人脸性别识别时,为了得到较高的识别效率,降低计算时间,J的取值可以取较小的值,例如取1。
本申请实施例还提供了本申请实施例提供的性别识别方法与基于传统的PCA算法进行性别识别的方法的识别效果的对比实验。得到的实验结果如表2所示:
表2
根据表2中的实验结果可知,利用本申请实施例提供的性别识别方法,在压缩域通过PCA方法进行性别识别时,由于随机正交投影矩阵计算一次后即可获得,因此测试用的时间主要为在压缩域中进行PCA计算与获得性别识别结果的计算时间。从表2中可以看出,在相同压缩率下,分别利用本申请提供的性别识别方法与传统PCA算法进行人脸性别识别时,可以保证基本一致的准确率,本申请实施例提供的性别识别方法,在压缩域进行性别识别时,测试用的总时间(PCA计算时间与获得性别识别结果计算时间之和)相对于直接利用传统PCA算法进行性别识别时测试用的总时间,减少了30%,尤其在压缩率比较小时,几乎减少了50%。因此可见,本申请实施例提供的性别识别方法既可以保证识别率,又大大提高了计算效率。
本申请实施例提供的性别识别方法,采用了本申请实施例提供的性别识别模型训练方法得到的性别识别模型。在性别识别模型训练的时候,通过获取至少一个样本组;每个样本组中,包括至少一张性别标签为男性的人脸样本图像和至少一张性别标签为女性的人脸样本图像;针对每个样本组,对该样本组中的各张人脸样本图像的图像向量进行降维处理后,生成与该样本组对应的目标投影矩阵,并获取该样本组中每张人脸样本图像的投影向量;根据该样本组中各张人脸样本图像的投影向量,获取该样本组中所有性别标签为男性的人脸样本图像的男性平均向量,以及所有性别标签为女性的人脸样本图像的女性平均向量;根据各样本组对应的目标投影矩阵、男性平均向量、以及女性平均向量,确定性别识别模型。本申请实施例采用先将样本图像的图像向量进行降维,以减少在生成投影向量过程中的计算量,并将投影向量,以及根据投影向量生成的男性平均向量和女性平均向量结合的方式确定性别识别模型,从而能够在压缩域实现人脸图像性别识别,解决现有技术中存在的图像处理量大、计算效率低的问题,从而达到在保证识别率的情况下,提高计算效率的效果。
基于同一发明构思,本申请实施例中还提供了与性别识别模型训练方法对应的性别识别模型训练装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述性别识别模型训练方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参见图7所示,本申请实施例所提供的性别识别模型训练装置,包括:
人脸样本图像获取模块71:用于获取至少一个样本组;每个样本组中,包括至少一张性别标签为男性的人脸样本图像和至少一张性别标签为女性的人脸样本图像;
第一处理模块72:用于针对每个样本组,对该样本组中的各张人脸样本图像的图像向量进行降维处理后,生成与每张人脸样本图像的目标投影矩阵,并获取该样本组中每张人脸样本图像的投影向量;
第二处理模块73:用于根据该样本组中各张人脸样本图像的投影向量,获取该样本组中所有性别标签为男性的人脸样本图像的男性平均向量,以及所有性别标签为女性的人脸样本图像的女性平均向量;
性别识别模型获取模块74:用于根据各样本组对应的目标投影矩阵、男性平均向量、以及女性平均向量,确定性别识别模型。
可选地,第一处理模块72,具体用于:基于下述方式对该样本组中的各张人脸样本图像的图像向量进行降维处理:
针对每个样本组,随机生成与该样本组对应的随机正交投影矩阵;
将该样本组对应的随机正交投影矩阵,分别和该样本组中各张人脸样本图像的图像向量的乘积,确定为该样本组中各张人脸样本图像的降维向量。
可选地,第一处理模块72,具体用于:基于下述方式生成与该样本组对应的目标投影矩阵:
对该样本组中各张人脸样本图像的降维向量进行中心化操作,获取每张人脸样本图像的中心化降维向量;
根据该样本组中各张人脸样本图像的中心化降维向量,生成向量矩阵;
获取向量矩阵的协方差矩阵,并基于协方差矩阵的特征向量,获取与该样本组对应的中间投影矩阵;
根据该样本组对应的中间投影矩阵以及随机正交投影矩阵,生成与该样本组对应的目标投影矩阵。
可选地,第一处理模块72,具体用于:基于下述方式获取该样本组中每张人脸样本图像的投影向量:
计算与该样本组对应的中间投影矩阵分别与该样本组中各张人脸样本图像的降维向量的乘积,生成每张人脸样本图像的投影向量。
可选地,第二处理模块73,具体用于:根据该样本组中各张人脸样本图像的投影向量,计算该样本组中所有性别标签为男性的人脸样本图像的投影向量的平均值,将该样本组中所有性别标签为男性的人脸样本图像的投影向量的平均值作为与该样本组对应的男性平均向量;
根据该样本组中各张人脸样本图像的投影向量,计算该样本组中所有性别标签为女性的人脸样本图像的投影向量的平均值,将该样本组中所有性别标签为女性的人脸样本图像的投影向量的平均值作为与该样本组对应的女性平均向量。
本申请实施例提供的性别识别模型训练装置,在性别识别模型训练的时候,通过获取至少一个样本组;每个样本组中,包括至少一张性别标签为男性的人脸样本图像和至少一张性别标签为女性的人脸样本图像;针对每个样本组,对该样本组中的各张人脸样本图像的图像向量进行降维处理后,生成与该样本组对应的目标投影矩阵,并获取该样本组中每张人脸样本图像的投影向量;根据该样本组中各张人脸样本图像的投影向量,获取该样本组中所有性别标签为男性的人脸样本图像的男性平均向量,以及所有性别标签为女性的人脸样本图像的女性平均向量;根据各样本组对应的目标投影矩阵、男性平均向量、以及女性平均向量,确定性别识别模型。本申请实施例采用先将样本图像的图像向量进行降维,以减少在生成投影向量过程中的计算量,并将投影向量,以及根据投影向量生成的男性平均向量和女性平均向量结合的方式确定性别识别模型,从而能够在压缩域实现人脸图像性别识别,解决现有技术中存在的图像处理量大、计算效率低的问题,从而达到在保证识别率的情况下,提高计算效率的效果。
基于同一发明构思,本申请实施例中还提供了与性别识别方法对应的性别识别装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述性别识别方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参见图8所示,本申请实施例所提供的性别识别装置,包括:
待识别人脸图像获取模块81:用于获取待识别人脸图像;
性别识别结果获取模块82:用于将待识别人脸图像的目标图像向量,输入至本申请得到的性别识别模型中,获得待识别人脸图像的性别识别结果。
具体地,性别识别模型包括:多个目标投影矩阵、以及与每个目标投影矩阵对应的男性平均向量和女性平均向量。
可选地,性别识别结果获取模块82,具体用于:根据待识别人脸图像的目标图像向量,以及各个目标投影矩阵,获取与每个目标投影矩阵对应的目标投影向量;
根据与各个目标投影矩阵对应的目标投影向量,以及与各个目标投影矩阵对应的男性平均向量和女性平均向量,获得待识别人脸图像的性别识别结果。
具体地,性别识别结果获取模块82,采用下述方式获得待识别人脸图像的性别识别结果:
针对每个目标投影矩阵,分别计算与该目标投影矩阵对应目标投影向量和与该目标投影矩阵对应的男性平均向量之间的第一距离,以及和与该目标投影矩阵对应的女性平均向量之间的第二距离;
根据各个目标投影矩阵对应的第一距离和第二距离,确定待识别人脸图像的性别识别结果。
本申请实施例提供的性别识别装置,采用了本申请实施例提供的性别识别模型训练方法得到的性别识别模型。在性别识别模型训练的时候,通过获取至少一个样本组;每个样本组中,包括至少一张性别标签为男性的人脸样本图像和至少一张性别标签为女性的人脸样本图像;针对每个样本组,对该样本组中的各张人脸样本图像的图像向量进行降维处理后,生成与该样本组对应的目标投影矩阵,并获取该样本组中每张人脸样本图像的投影向量;根据该样本组中各张人脸样本图像的投影向量,获取该样本组中所有性别标签为男性的人脸样本图像的男性平均向量,以及所有性别标签为女性的人脸样本图像的女性平均向量;根据各样本组对应的目标投影矩阵、男性平均向量、以及女性平均向量,确定性别识别模型。本申请实施例采用先将样本图像的图像向量进行降维,以减少在生成投影向量过程中的计算量,并将投影向量,以及根据投影向量生成的男性平均向量和女性平均向量结合的方式确定性别识别模型,从而能够在压缩域实现人脸图像性别识别,解决现有技术中存在的图像处理量大、计算效率低的问题,从而达到在保证识别率的情况下,提高计算效率的效果。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述性别识别模型训练方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述性别识别模型训练方法,从而能够在压缩域实现人脸图像性别识别,解决现有技术中存在的图像处理量大、计算效率低的问题,从而达到在保证识别率的情况下,提高计算效率的效果。
本申请实施例还提供了另一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述性别识别方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述性别识别方法,从而能够在压缩域实现人脸图像性别识别,解决现有技术中存在的图像处理量大、计算效率低的问题,从而达到在保证识别率的情况下,提高计算效率的效果。
对应于图1中的性别识别模型训练方法,本申请实施例还提供了一种计算机设备,如图9所示,该设备包括存储器1000、处理器2000及存储在该存储器1000上并可在该处理器2000上运行的计算机程序,其中,上述处理器2000执行上述计算机程序时实现上述性别识别模型训练方法的步骤。
具体地,上述存储器1000和处理器2000能够为通用的存储器和处理器,这里不做具体限定,当处理器2000运行存储器1000存储的计算机程序时,能够执行上述性别识别模型训练方法,从而能够在压缩域实现人脸图像性别识别,解决现有技术中存在的图像处理量大、计算效率低的问题,从而在保证识别率的情况下,提高计算效率。
对应于图4中的性别识别方法,本申请实施例还提供了另一种计算机设备,如图10所示,该设备包括存储器3000、处理器4000及存储在该存储器3000上并可在该处理器4000上运行的计算机程序,其中,上述处理器4000执行上述计算机程序时实现上述性别识别方法的步骤。
具体地,上述存储器3000和处理器4000能够为通用的存储器和处理器,这里不做具体限定,当处理器4000运行存储器3000存储的计算机程序时,能够执行上述性别识别方法,从而能够在压缩域实现人脸图像性别识别,解决现有技术中存在的图像处理量大、计算效率低的问题,从而达到在保证识别率的情况下,提高计算效率的效果。
本申请实施例所提供的性别识别模型训练方法和装置及性别识别方法和装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的方法和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的。
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实施例方案的目的。
另外,在本申请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,也可以两个或两个以上单元集成在一个单元中。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请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)执行本申请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(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种性别识别模型训练方法,其特征在于,包括:
获取至少一个样本组;每个所述样本组中,包括至少一张性别标签为男性的人脸样本图像和至少一张性别标签为女性的人脸样本图像;
针对每个所述样本组,对该样本组中的各张所述人脸样本图像的图像向量进行降维处理后,生成与该样本组对应的目标投影矩阵,并获取该样本组中每张所述人脸样本图像的投影向量;
根据该样本组中各张所述人脸样本图像的投影向量,获取该样本组中所有性别标签为男性的人脸样本图像的男性平均向量,以及所有性别标签为女性的人脸样本图像的女性平均向量;
根据各样本组对应的目标投影矩阵、所述男性平均向量、以及所述女性平均向量,确定所述性别识别模型。
2.根据权利要求1所述的方法,其特征在于,基于下述方式对该样本组中的各张所述人脸样本图像的图像向量进行降维处理:
针对每个所述样本组,随机生成与该样本组对应的随机正交投影矩阵;
将该样本组对应的随机正交投影矩阵,分别和该样本组中各张所述人脸样本图像的图像向量的乘积,确定为该样本组中各张所述人脸样本图像的降维向量。
3.根据权利要求2所述的方法,其特征在于,基于下述方式生成与该样本组对应的目标投影矩阵:
对该样本组中各张所述人脸样本图像的降维向量进行中心化操作,获取每张所述人脸样本图像的中心化降维向量;
根据该样本组中各张所述人脸样本图像的中心化降维向量,生成向量矩阵;
获取所述向量矩阵的协方差矩阵,并基于所述协方差矩阵的特征向量,获取与该样本组对应的中间投影矩阵;
根据该样本组对应的中间投影矩阵以及所述随机正交投影矩阵,生成与该样本组对应的目标投影矩阵。
4.根据权利要求3所述的方法,其特征在于,基于下述方式获取该样本组中每张所述人脸样本图像的投影向量:
计算与该样本组对应的中间投影矩阵分别与该样本组中各张所述人脸样本图像的降维向量的乘积,生成每张所述人脸样本图像的投影向量。
5.根据权利要求1所述的方法,其特征在于,所述根据该样本组中各张所述人脸样本图像的投影向量,获取该样本组中所有性别标签为男性的人脸样本图像的男性平均向量,以及所有性别标签为女性的人脸样本图像的女性平均向量,包括:
根据该样本组中各张所述人脸样本图像的投影向量,计算该样本组中所有性别标签为男性的人脸样本图像的投影向量的平均值,将该样本组中所有性别标签为男性的人脸样本图像的投影向量的平均值作为与该样本组对应的所述男性平均向量;
根据该样本组中各张所述人脸样本图像的投影向量,计算该样本组中所有性别标签为女性的人脸样本图像的投影向量的平均值,将该样本组中所有性别标签为女性的人脸样本图像的投影向量的平均值作为与该样本组对应的所述女性平均向量。
6.一种性别识别方法,其特征在于,包括:
获取待识别人脸图像;
将所述待识别人脸图像的目标图像向量,输入至如权利要求1-5任意一项所述的性别识别模型训练方法所得到性别识别模型中,获得所述待识别人脸图像的性别识别结果;
所述性别识别模型包括:多个目标投影矩阵、以及与每个目标投影矩阵对应的男性平均向量和女性平均向量。
7.根据权利要求6所述的方法,其特征在于,所述将所述待识别人脸图像的目标图像向量,输入至如权利要求1-5任意一项所述的性别识别模型训练方法所得到性别识别模型中,获得所述待识别人脸图像的性别识别结果,包括:
根据所述待识别人脸图像的目标图像向量,以及各个所述目标投影矩阵,获取与每个所述目标投影矩阵对应的目标投影向量;
根据与各个所述目标投影矩阵对应的所述目标投影向量,以及与各个所述目标投影矩阵对应的男性平均向量和女性平均向量,获得所述待识别人脸图像的性别识别结果。
8.根据权利要求7所述的方法,其特征在于,所述根据与各个所述目标投影矩阵对应的所述目标投影向量,以及与各个所述目标投影矩阵对应的男性平均向量和女性平均向量,获得所述待识别人脸图像的性别识别结果,包括:
针对每个目标投影矩阵,分别计算与该目标投影矩阵对应所述目标投影向量和与该目标投影矩阵对应的男性平均向量之间的第一距离,以及和与该目标投影矩阵对应的女性平均向量之间的第二距离;
根据各个目标投影矩阵对应的第一距离和第二距离,确定所述待识别人脸图像的性别识别结果。
9.一种性别识别模型训练装置,其特征在于,包括:
人脸样本图像获取模块:用于获取至少一个样本组;每个所述样本组中,包括至少一张性别标签为男性的人脸样本图像和至少一张性别标签为女性的人脸样本图像;
第一处理模块:用于针对每个所述样本组,对该样本组中的各张所述人脸样本图像的图像向量进行降维处理后,生成与每张人脸样本图像的目标投影矩阵,并获取该样本组中每张所述人脸样本图像的投影向量;
第二处理模块:用于根据该样本组中各张所述人脸样本图像的投影向量,获取该样本组中所有性别标签为男性的人脸样本图像的男性平均向量,以及所有性别标签为女性的人脸样本图像的女性平均向量;
性别识别模型获取模块:用于根据各样本组对应的目标投影矩阵、所述男性平均向量、以及所述女性平均向量,确定所述性别识别模型。
10.一种性别识别装置,其特征在于,包括:
待识别人脸图像获取模块:用于获取待识别人脸图像;
性别识别结果获取模块:用于将所述待识别人脸图像的目标图像向量,输入至如权利要求1-5任意一项所述的性别识别模型训练方法所得到性别识别模型中,获得所述待识别人脸图像的性别识别结果;所述性别识别模型包括:多个目标投影矩阵、以及与每个目标投影矩阵对应的男性平均向量和女性平均向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811204269.6A CN111062230B (zh) | 2018-10-16 | 2018-10-16 | 一种性别识别模型训练方法和装置及性别识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811204269.6A CN111062230B (zh) | 2018-10-16 | 2018-10-16 | 一种性别识别模型训练方法和装置及性别识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062230A true CN111062230A (zh) | 2020-04-24 |
CN111062230B CN111062230B (zh) | 2023-08-08 |
Family
ID=70296563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811204269.6A Active CN111062230B (zh) | 2018-10-16 | 2018-10-16 | 一种性别识别模型训练方法和装置及性别识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062230B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738350A (zh) * | 2020-06-30 | 2020-10-02 | 山东超越数控电子股份有限公司 | 图像识别的方法及装置、电子设备、计算机可读介质 |
CN116311389A (zh) * | 2022-08-18 | 2023-06-23 | 荣耀终端有限公司 | 指纹识别的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070104362A1 (en) * | 2005-11-08 | 2007-05-10 | Samsung Electronics Co., Ltd. | Face recognition method, and system using gender information |
CN101329724A (zh) * | 2008-07-29 | 2008-12-24 | 上海天冠卫视技术研究所 | 一种优化的人脸识别方法和装置 |
CN106127159A (zh) * | 2016-06-28 | 2016-11-16 | 电子科技大学 | 一种基于卷积神经网络的性别识别方法 |
-
2018
- 2018-10-16 CN CN201811204269.6A patent/CN111062230B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070104362A1 (en) * | 2005-11-08 | 2007-05-10 | Samsung Electronics Co., Ltd. | Face recognition method, and system using gender information |
CN101329724A (zh) * | 2008-07-29 | 2008-12-24 | 上海天冠卫视技术研究所 | 一种优化的人脸识别方法和装置 |
CN106127159A (zh) * | 2016-06-28 | 2016-11-16 | 电子科技大学 | 一种基于卷积神经网络的性别识别方法 |
Non-Patent Citations (4)
Title |
---|
ZHIHONG ZHANG ET AL.: "An information theoretic approach to gender feature selection", 《IEEE XPLORE》 * |
丁宗元;王洪元;: "基于迭代投影向量学习的行人重识别", no. 04 * |
叶晓明;林小竹;: "基于主元分析的人脸识别方法研究", no. 02 * |
武勃,艾海舟,肖习攀,徐光: "人脸的性别分类", no. 11 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738350A (zh) * | 2020-06-30 | 2020-10-02 | 山东超越数控电子股份有限公司 | 图像识别的方法及装置、电子设备、计算机可读介质 |
CN116311389A (zh) * | 2022-08-18 | 2023-06-23 | 荣耀终端有限公司 | 指纹识别的方法和装置 |
CN116311389B (zh) * | 2022-08-18 | 2023-12-12 | 荣耀终端有限公司 | 指纹识别的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111062230B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | Large-scale multi-view subspace clustering in linear time | |
Erisoglu et al. | A new algorithm for initial cluster centers in k-means algorithm | |
Thomas et al. | CortexSuite: A synthetic brain benchmark suite | |
CN109063698B (zh) | 一种非负特征提取及人脸识别应用方法、系统及存储介质 | |
Greenewald et al. | Robust kronecker product PCA for spatio-temporal covariance estimation | |
Dollár et al. | Non-isometric manifold learning: Analysis and an algorithm | |
Huo et al. | Cross-modal metric learning for AUC optimization | |
Zhang et al. | Maximum margin multisurface support tensor machines with application to image classification and segmentation | |
Shen et al. | Orthogonal multiset canonical correlation analysis based on fractional-order and its application in multiple feature extraction and recognition | |
Lee | Location and scale-based CUSUM test with application to autoregressive models | |
CN111062230A (zh) | 一种性别识别模型训练方法和装置及性别识别方法和装置 | |
Schiff et al. | Predicting deep neural network generalization with perturbation response curves | |
US11520837B2 (en) | Clustering device, method and program | |
JP5522044B2 (ja) | クラスタリング装置、パターン判定方法、およびプログラム | |
Lu et al. | Uncorrelated multilinear principal component analysis through successive variance maximization | |
Koç et al. | A fast method for the implementation of common vector approach | |
Yao et al. | Covariate information matrix for sufficient dimension reduction | |
Zocco et al. | Lazy FSCA for unsupervised variable selection | |
Ciesielczyk et al. | RSVD-based dimensionality reduction for recommender systems | |
Yektaii et al. | A criterion for measuring the separability of clusters and its applications to principal component analysis | |
Sulieman et al. | A supervised feature selection approach based on global sensitivity | |
Arcolano et al. | Nyström approximation of Wishart matrices | |
Szwabe et al. | Long-tail recommendation based on reflective indexing | |
Lu et al. | A complete subspace analysis of linear discriminant analysis and its robust implementation | |
CN111582321A (zh) | 一种基于hsic最大化的张量子空间学习算法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240318 Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee after: Shenzhen Wanzhida Technology Co.,Ltd. Country or region after: China Address before: 105 West Third Ring Road North, Haidian District, Beijing Patentee before: Capital Normal University Country or region before: China |