CN111723762A - 人脸属性识别方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明提供的人脸属性识别方法、装置、电子设备及存储介质，涉及人脸识别技术领域，该方法包括：获取待识别人脸图像；基于预先训练的人脸检测模型检测待识别人脸图像以获得多个子图像数据；每个子图像数据包含待识别人脸图像的有效人脸区域和有效人脸区域对应的人脸质量评分；将人脸质量评分大于或等于质量评分阈值时对应的子图像数据输入预先训练的属性识别模型中，通过属性识别模型的多个属性提取层获取待识别人脸图像对应的多个属性信息。本发明相较于现有技术，能够实现提升属性识别的泛化性能和属性识别的精度，大幅降低属性识别的耗时的有益效果。

Description

人脸属性识别方法、装置、电子设备及存储介质

技术领域

本发明涉及人脸识别技术领域，具体而言，涉及一种人脸属性识别方法、装置、电子设备及存储介质。

背景技术

随着互联网技术的发展，人脸识别技术的应用领域越来越广泛。人脸属性识别是人脸识别领域中的重要技术之一，随着机器学习技术的发展，人脸属性识别技术可以精准的识别出人脸的性别、年龄、表情、是否带眼镜等属性值。

现有技术中，人脸属性识别技术的一般流程是：先通过人脸检测模型得到人脸区域；再将得到的人脸区域输入人脸特征点定位模型进行人脸特征对齐；最后将特征对齐后的人脸区域单独输入年龄识别模型、性别识别模型、微笑识别模型等等独立属性识别模型中得到人脸的不同属性。

在实现本发明的过程中，发明人发现现有技术存在严重的不足：为了获得高精度的人脸子图数据需要对检测到人脸区域进行人脸特征对齐，该过程中会出现过拟合现象导致模型泛化能力差，降低了人脸属性识别的精度，同时，属性识别模型采用多个独立的子模型，在属性比较多的时候，算法的耗时和内存需求会成倍的增长。

发明内容

有鉴于此，本发明提供一种人脸属性识别方法、装置、电子设备及存储介质，用于提升属性识别的泛化性能和属性识别的精度，大幅降低属性识别的耗时。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供一种人脸属性识别方法，所述方法包括：获取待识别人脸图像；基于预先训练的人脸检测模型检测所述待识别人脸图像以获得多个子图像数据；每个所述子图像数据包含所述待识别人脸图像的有效人脸区域和所述有效人脸区域对应的人脸质量评分；将人脸质量评分大于或等于质量评分阈值时对应的子图像数据输入预先训练的属性识别模型中，通过所述属性识别模型的多个属性提取层获取所述待识别人脸图像对应的属性信息。

可选地，在所述获取待识别人脸图像的步骤之前，所述方法还包括：获取多个人脸图像样本和每个所述人脸图像样本对应的属性训练数据集；基于所述多个人脸图像样本、第一损失函数、第二损失函数和第三损失函数对人脸检测模型进行训练；根据训练后的人脸检测模型获得每个所述人脸图像样本对应的多个子图像训练数据；基于每个所述人脸图像样本对应多个子图像训练数据和属性训练数据集对所述属性识别模型进行训练。

可选地，所述基于所述多个人脸图像样本、第一损失函数、第二损失函数和第三损失函数对人脸检测模型进行训练的步骤，包括：对每个所述人脸图像样本进行有效人脸区域预测，直至所述第一损失函数收敛；对预测的所述有效人脸区域进行人脸质量评分直至所述第二损失函数和所述第三损失函数收敛。

可选地，所述第一损失函数为giouloss；所述第二损失函数为focalloss；所述第三损失函数为ohemloss。

可选地，所述基于每个人脸图像样本对应多个子图像训练数据和属性训练数据集对所述属性识别模型进行训练的步骤，包括：根据每个人脸图像样本对应的多个子图像训练数据获取所述多个属性预测值；根据每个人脸图像样本对应的多个属性的预测值与属性数据集获得所述多个属性的损失值；根据所述多个人脸图像样本对应的属性损失值对所述属性识别模型进行参数调整，直至所述多个人脸图像样本对应的属性损失值小于或等于阈值。

第二方面，本发明实施例提供一种人脸属性识别装置，包括：获取模块、检测模块和属性识别模块；所述获取模块，用于获取待识别人脸图像；所述检测模块，用于基于预先训练的人脸检测模型检测所述待识别人脸图像以获得多个子图像数据；每个所述子图像数据包含所述待识别人脸图像的有效人脸区域和所述有效人脸区域对应的人脸质量评分；所述属性识别模块，用于将人脸质量评分大于或等于质量评分阈值时对应的子图像数据输入预先训练的属性识别模型中，通过所述属性识别模型的多个属性提取层获取所述待识别人脸图像对应的属性信息。

可选地，所述人脸属性识别装置还包括训练模块；所述获取模块，还用于获取多个人脸图像样本和每个所述人脸图像样本对应的属性训练数据集；所述训练模块，用于基于所述多个人脸图像样本、第一损失函数、第二损失函数和第三损失函数对人脸检测模型进行训练；所述获取模块，还用于根据训练后的人脸检测模型获得每个所述人脸图像样本对应的多个子图像训练数据；所述训练模块，还用于基于每个所述人脸图像样本对应多个子图像训练数据和属性训练数据集对所述属性识别模型进行训练。

可选地，所述训练模块，还用于对每个所述人脸图像样本进行有效人脸区域预测，直至所述第一损失函数收敛；还用于对预测的所述有效人脸区域进行人脸质量评分直至所述第二损失函数和所述第三损失函数收敛。

第三方面，本发明实施例提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现如第一方面所述的人脸属性识别方法。

第四方面，本发明实施例提供一种存储介质，其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第一方面所述的人脸属性识别方法。

与现有技术相比，本发明实施例能够实现的技术效果为：

本发明实施例提供了一种人脸属性识别方法、装置、电子设备及存储介质，该方法包括：获取待识别人脸图像；基于预先训练的人脸检测模型检测所述待识别人脸图像以获得多个子图像数据；每个所述子图像数据包含所述待识别人脸图像的有效人脸区域和所述有效人脸区域对应的人脸质量评分；将人脸质量评分大于或等于质量评分阈值时对应的子图像数据输入预先训练的属性识别模型中，通过所述属性识别模型的多个属性提取层获取所述待识别人脸图像对应的属性信息。本发明在进行人脸识别的过程中，首先对待识别人脸头像进行有效区域检测，并对检测到的有效人脸区域内的人脸质量进行质量评估，该步骤替代了现有技术中的人脸特征对齐步骤，能够提升模型的泛化能力和属性识别的精度，进一步地，将检测到的高精度的人脸子图数据输入到属性识别模型中，通过预先设计的多个属性识别层来进行属性识别，相比于现有技术中通过多个独立的子模型识别的方式，本发明通过一个属性识别模型就能完成多个属性的识别，节省了属性识别的时间，综上所述，本发明相较于现有技术，能够实现提升属性识别的泛化性能和属性识别的精度，大幅降低属性识别的耗时的有益效果。

本发明实施例的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，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发明的某些实施例，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为本发明实施例提供的一种人脸属性识别方法的示意性流程图；

图2为本发明实施例提供的人脸属性识别模型进行属性识别的示意性图；

图3为本发明实施例提供的另一种人脸属性识别方法的示意性流程图；

图4为本发明实施例提供的一种人脸检测模型训练方法的示意性流程图；

图5为本发明实施例提供的一种人脸属性识别模型训练方法的示意性流程图；

图6为本发明实施例提供的一种人脸属性识别装置的功能模块图；

图7为本发明实施例提供的另一种人脸属性识别装置的功能模块图；

图8为本发明实施例提供的一种电子设备的结构框图。

图注：40-人脸属性识别装置；401-获取模块；402-检测模块；403-识别模块；404-训练模块；50-电子设备；501-存储器；502-处理器；503-通信接口。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

目前，现有技术中的人脸属性识别方法的一般流程是：先将待识别的人脸图像输入人脸检测模型得包含有效人脸区域的人脸子图；然后将得到的人脸子图输入人脸特征点定位模型进行仿射变换得到矫正后的人脸子图；再将矫正后的人脸子图分别输入至多个独立的属性识别模型中得到人脸的不同属性，例如，将人脸子图分别输入年龄识别模型、性别识别模型、表情识别模型中得到人脸年龄、性别、表情等属性，最后将得到的不同属性组合到一起输出。

上述做法有两个严重的不足：第一，输入属性识别模型的数据需要进行人脸特征对齐，人脸对齐步骤中需要归一化人脸姿态，也就是对人脸子图数据进行绕Z轴旋转(翻滚、roll)，绕X轴前后旋转(俯仰、pitch)，绕Y轴左右旋转(偏摆、yaw)等操作，将人脸调整到预定的大小和形态后再进行属性分析该过程容易出现姿态过拟合，导致模型的泛化能力差，降低属性识别的精度；第二，现有的属性识别模型采用多个独立的模型，也就是常规的人脸属性识别算法识别每一个人脸属性时都是一个独立的过程，即年龄识别、性别识别、表情识别等都是相互独立的算法，这样一来，在属性比较多的时候，人脸属性识别算法的耗时和内存需求会成倍的增长，不利用产品化。

为了解决上述技术问题，本发明实施例提供一种人脸属性识别方法，其核心在于：首先去除人脸特征点对齐步骤，采用高精度的人脸检测方法进行人脸的检测；其次，人脸属性识别模型采用统一的网络结构，并利用不同任务分支的方式完成人脸属性的识别，将高精度的人脸子图数据送入采用统一网络结构的属性识别模型中，利用人脸属性识别模型是不同网络分支完成人脸属性的识别，不仅避免了人脸对齐步骤造成的模型泛化能力差，降低属性识别的精度的问题，同时采用统一的网络结构的属性识别模型完成不同属性的识别，解决了现有人脸属性识别算法的耗时和内存需求大的问题。

为了详细描述上述发明实施例提供的人脸属性识别方法的技术方案，请参见图1，图1为本发明实施例提供的一种人脸属性识别方法的示意性流程图，该方法包括以下步骤：

步骤204、获取待识别人脸图像。

在本发明实施例中，待识别人脸头像可以由电子设备通过摄像装置获取得到或者是由电子设备从网络、云相册等下载得到的图像、还可以是用户上传到电子设备的图像，还可以是电子设备中预先存储的图像，此处不作限定；待识别人脸头像中可以包含人脸的多个属性信息，例如人脸的年龄、性别、表情、是否戴眼镜以及landmark特征等，用户可以根据实际的需求识别待识别人脸中的一个或多个属性信息。

步骤205、基于预先训练的人脸检测模型检测待识别人脸图像以获得多个子图像数据；每个子图像数据包含待识别人脸图像的有效人脸区域和有效人脸区域对应的人脸质量评分。

在本发明实施例中，由于在人脸目标检测算法中，对于输入的一张图像，可能会生成成千上万的人脸区域预选框(region proposal)，也就是人脸子图，为了在不进行人脸属性对齐的前提下依然能够获得高精度的人脸子图数据，可以在进行人脸检测的过程中，获得人脸子图包围区域，该人脸子图包围区域需要紧贴有效人脸区域，同时，为了为人脸属性模型提供高精度的人脸子图，人脸检测模型还可以为人脸子图的评分需要提供质量参考信息，进而过滤掉低质量的人脸子图。具体的实现方式可以是：

第一步、对获得的每一个人脸子图确定有效人脸区域；

第二步、对每一个人脸子图有效人脸区域进行人脸质量评分。

步骤206、将人脸质量评分大于或等于质量评分阈值时对应的子图像数据输入预先训练的属性识别模型中，通过属性识别模型的多个属性提取层获取待识别人脸图像对应的多个属性信息。

在本发明实施例中，用户可以根据实际的场景设置人脸质量评分阈值，例如可以将评分阈值设置为0.7，在人脸检测模型获得子图数据中，当包含有效人脸区域的子图中，人脸质量评分的值大于或等于0.7，则可以将该人脸子图数据输入到人脸属性识别模型中进行属性识别。

在本发明实施例中，人脸属性信息可以包含年龄、性别、表情、人脸属性对于是否微笑，是否戴帽子，是否带眼镜以及landmark特征中的一种或多种，为了能够在统一的属性识别模型中分别获取多个属性信息，提供的属性识别模型可以包含多个属性提取层，用来提取多个属性信息。

具体地，本发明实施例的人脸属性模型可以采用卷积神经网络结构，包含多个特征层，不同的特征层上进行不同人脸属性的获取。例如，当获取人脸年龄和人脸性别两个属性，可以在较浅特征层中直接获取；当获取是否微笑，是否戴帽子，是否带眼镜以及landmark特征等类属性信息时，则需要模型的深层网络结构，对部分特征使用筛选机制进行信息筛选从而提高属性的精度，所以本发明实施例的属性识别模型的深层网络结构中使用最大池化层(max pool)作为特征筛选层，去掉不必要的信息，然后和正常卷积层的结果进行融合达到对特征的筛选和保留的目的；使用上采样upsample和ele add操作将深层特征进行扩大后融合到浅层特征中，同时满足提供更大的感受野但是又不破坏浅层信息的需求。

为了详细描述本发明实施例通过统一的属性识别模型进行多个属性识别的过程，下面给出一种通过属性识别模型进行属性识别的示意图，参见图2，图2为本发明实施例提供的一种属性识别模型进行属性识别的示意图。

本发明实施例的人脸属性识别模型在进行属性识别的过程中，不同的特征层获取不同的属性信息，如图2所示，在获得高精度的子图数据时，为了方便特征提取，先将数据进行归一化处理，归一化后将数据输入模型的卷积特征层中，在每一层卷积结构中，模型设计时采用的卷积核不同，当获取人脸年龄和人脸性别两个属性，可以在较浅卷积特征层中直接获取；当获取是否微笑，是否戴帽子，是否带眼镜以及landmark特征等类属性信息时，则需要模型的深层网络结构，对部分特征使用筛选机制进行信息筛选从而提高属性的精度，所以本发明实施例的属性识别模型的深层网络结构中使用最大池化层(max pool)作为特征筛选层，去掉不必要的信息，然后和正常卷积层的结果进行融合达到对特征的筛选和保留的目的，通过使用上采样和ele add操作将深层特征进行扩大后融合到浅层特征中，进而提取出是否微笑，是否戴帽子，是否带眼镜以及landmark特征等类属性信息。

本发明实施例提供了一种人脸属性识别方法，包括：获取待识别人脸图像；基于预先训练的人脸检测模型检测所述待识别人脸图像以获得多个子图像数据；每个所述子图像数据包含所述待识别人脸图像的有效人脸区域和所述有效人脸区域对应的人脸质量评分；将人脸质量评分大于或等于质量评分阈值时对应的子图像数据输入预先训练的属性识别模型中，通过所述属性识别模型的多个属性提取层获取所述待识别人脸图像对应的属性信息。在进行人脸识别的过程中，首先对待识别人脸头像进行有效区域检测，并对检测到的有效人脸区域内的人脸质量进行质量评估，该步骤替代了现有技术中的人脸特征对齐步骤，能够提升模型的泛化能力和属性识别的精度，进一步地，将检测到的高精度的人脸子图数据输入到属性识别模型中，通过预先设计的多个属性识别层来进行属性识别，相比于现有技术中通过多个独立的子模型识别的方式，本发明通过一个属性识别模型就能完成多个属性的识别，实现了节省属性识别的时间和成本的有益效果。

可选地，为了能够获取高精度的人脸子图数据，并根据高精度的人脸子图数据进行属性识别，需要预先训练好用于获取高精度的人脸子图数据的人脸检测模型和采用统一网络结构的人脸属性识别模型，具体的实现方式可以是先获取多个人脸图像和每个人脸图像中对应的属性数据集作为训练样本，将多个人脸图像训练样本输入到初始的人脸检测模型中，并采用高精度的损失函数对初始人脸检测模型和初始人脸属性识别模型进行参数调整，根据损失函数损失值调整人脸检测模型和人脸属性识别模型对应的参数，从而确定出最优的人脸检测模型和人脸属性识别模型，利用最优的人脸检测模型获取待识别人脸图像的高精度子图数据，利用最优的人脸属性识别模型根据高精度子图数据进行属性识别。

为了方便描述，下面在图1的基础上，给出一种获得预先训练好的人脸检测模型和人脸属性模型的实现方式，参见图3，图3为本发明实施例提供的另一种人脸属性识别方法的示意性流程图，其中在获取待识别人脸图像之前，还包括以下步骤：

步骤200、获取多个人脸图像样本和每个人脸图像样本对应的属性训练数据集。

在本发明实施例中，每个人脸图像样本可以包含多个属性信息，例如年龄、性别、表情、是否戴帽子，是否带眼镜等。属性训练数据集中包含每个人脸图像样本中属性的对应的属性值，在本发明实施例中，各个属性的属性值可以用数值的形式表示，例如，性别有两种，可以用1表示女，用0表示男，表情包括是否微笑、是否哭泣、是否恐惧等，可以用1代表是，0代表否，假设一张人脸图像中包含的属性信息是“性别女，年龄27、微笑、带眼镜”，则该人脸图像对应的属性信息的属性值可以组成一个向量，即[1,27,1,1]。

需要说明的是，在实际的场景中，人脸图像中包含的属性信息较多，都可以通过上述实施例中属性的表示方式来进行表示，从而可以获取属性的数据集信息。

步骤201、基于多个人脸图像样本、第一损失函数、第二损失函数和第三损失函数对人脸检测模型进行训练。

在本申请实施例中，为了能够为人脸属性模型提供高精度的子图数据，需要先训练出高精度的人脸检测模型，下面给出一种人脸检测模型的训练方法，参见图4，图4为本发明实施例提供的一种人脸检测模型训练方法的示意性流程图，其中步骤201包括以下子步骤：

子步骤201-1、对每个人脸图像样本进行有效人脸区域预测，直至第一损失函数收敛。

在本发明实施例中，人脸有效区域检测阶段可以使用第一损失函数(例如giouloss)作为人脸预选框的回归损失函数，从而促进边框的高精度回归；第一损失函数需要具有能够促进有效人脸区域定位更精确的功能。

子步骤201-2、对预测的有效人脸区域进行人脸质量评分直至第二损失函数和第三损失函数收敛。

在本发明实施例中，在获得高精度的有效人脸区域子图之后，可以采用第二损失函数和第三损失函数轮流训练人脸检测模型的策略进行人脸质量评分。本发明实施例中使用的第二损失函数和第三损失函数分别为focal loss和ohem loss，理由是在人脸目标检测算法中，对于输入的一张图像，可能会生成成千上万的预选框(region proposal)，也就是子图，但是其中只有很少一部分是包含真实目标的，这就带来了类别不均衡问题。通过focal loss可以解决在人脸目标检测中正负样本比例严重失衡的问题，同时该损失函数降低了大量简单负样本在训练中所占的权重。可以通过减少易分类样本的权重，使得模型在训练时更专注于难分类的样本，降低了网络信息的消耗，ohem loss能够筛选出困难样本，这些困难样本表示对分类和检测影响较大的样本，然后将筛选得到的这些样本应用在随机梯度下降中训练，具体而言，作为一种可选的实现方式，本发明实施例中的人脸评分部分采用的两个阶段进行模型训练，第一阶段(例如前70％训练时间)采用focal loss进行大量的目标区分，降低对网络信息的消耗，第二阶段(例如后30％训练时间)采用ohem loss进行精细化的评分，提高人脸评分的可信度。

步骤202、根据训练后的人脸检测模型获得每个人脸图像样本对应的多个子图像训练数据。

步骤203、基于每个人脸图像样本对应多个子图像训练数据和属性训练数据集对属性识别模型进行训练。

在本申请实施例中，为了能够获得准确的属性信息，需要对人脸属性模型进行训练，使得属性识别模型对待识别人脸图像的属性预测值与真实的属性值近似或者相同，具体而言可以通过计算模型预测的属性值与属性真实值之间的损失来调整属性识别模型的参数，使得损失值减小至不再变化或者损失值小于预设的阈值时，获得最优的属性识别模型，因此，为了能够获得预先训练的人脸属性识别模型，下面给出一种人脸属性识别模型的训练方法，参见图5，图5为本发明实施例提供的一种人脸属性识别模型训练方法的示意性流程图，其中步骤203包括以下子步骤：

子步骤203-1、根据每个人脸图像样本对应的多个子图像训练数据获取多个属性预测值。

子步骤203-2、根据每个人脸图像样本对应的多个属性的预测值与属性数据集获得多个属性的损失值。

子步骤203-3、根据多个人脸图像样本对应的属性损失值对属性识别模型进行参数调整，直至多个人脸图像样本对应的属性损失值小于或等于阈值。

为了执行上述实施例及各个可能的方式中的相应步骤，以实现相应的技术效果，下面给出一种人脸属性识别装置的实现方式，参见图6，图6为本发明实施例提供的一种人脸属性识别装置的功能模块图。需要说明的是，本实施例所提供的一种人脸属性识别装置，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。该人脸属性识别装置40包括：获取模块401、检测模块402、识别模块403。

获取模块401，用于获取待识别人脸图像。

检测模块402，用于基于预先训练的人脸检测模型检测待识别人脸图像以获得多个子图像数据；每个子图像数据包含待识别人脸图像的有效人脸区域和有效人脸区域对应的人脸质量评分。

识别模块403，用于将人脸质量评分大于或等于质量评分阈值时对应的子图像数据输入预先训练的属性识别模型中，通过属性识别模型的多个属性提取层获取待识别人脸图像对应的多个属性信息。

可以理解的是，获取模块401、检测模块402、识别模块403可以协同的执行步骤204～步骤206以实现相应的技术效果。

可选地，为了是实现获得预先训练的人脸检测模型和属性识别模型，下面在图6的基础上，给出另一种人脸属性识别装置的实现方式，参见图7，图7为本发明实施例提供的另一种人脸属性识别装置的功能模块图，还包括训练模块404。

获取模块401，还用于获取多个人脸图像样本和每个人脸图像样本对应的属性训练数据集；训练模块404，用于基于所述多个人脸图像样本、第一损失函数、第二损失函数和第三损失函数对人脸检测模型进行训练；获取模块401，还用于根据训练后的人脸检测模型获得每个人脸图像样本对应的多个子图像训练数据；训练模块404，还用于基于每个人脸图像样本对应多个子图像训练数据和属性训练数据集对属性识别模型进行训练。

可以理解的是，获取模块401和训练模块404可以协同的执行步骤200～步骤203以实现相应的技术效果。

可选地，训练模块404具体用于对每个人脸图像样本进行有效人脸区域预测，直至第一损失函数收敛；还具体用于对预测的有效人脸区域进行人脸质量评分直至第二损失函数和第三损失函数收敛。

在本申请实施例中，第一损失函数可以为giou loss，第二损失函数可以为focalloss，第三损失函数可以为ohem loss。

可以理解的是，训练模块404可以用于执行步骤201-1～步骤201-2以实现相应的技术效果。

可选地，训练模块404还具体用于根据每个人脸图像样本对应的多个子图像训练数据获取多个属性预测值；还具体用于根据每个人脸图像样本对应的多个属性的预测值与属性数据集获得多个属性的损失值；还具体用于根据多个人脸图像样本对应的属性损失值对属性识别模型进行参数调整，直至多个人脸图像样本对应的属性损失值小于或等于阈值。

可以理解的是，训练模块404还可以用于执行步骤203-1～步骤203-2以实现相应的技术效果。

需要说明的是，上述模块可以软件或固件(Firmware)的形式存储于电子设备的存储器中或固化于电子设备的处理器中，并可由处理器执行上述人脸属性识别方法。

因此，本发明实施例还提供的一种电子设备，参见图8，图8本发明实施例提供的一种电子设备的方框示意图，该电子设备50包括存储器501、处理器502和通信接口503。该存储器501、处理器502和通信接口503相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。

存储器501可用于存储软件程序及模块，如本发明实施例所提供的人脸属性识别方法对应的程序指令/模块，处理器502通过执行存储在存储器501内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口503可用于与其他节点设备进行信令或数据的通信。在本发明中该电子设备50可以具有多个通信接口503。

其中，存储器501可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。

处理器502可以是一种集成电路芯片，具有信号处理能力。该处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。

电子设备50可以实现本发明提供的任一种人脸属性识别方法。该电子设备50可以是，但不限于，手机、平板电脑、笔记本电脑、服务器或其它具有处理能力的电子设备。该电子设备50还可以是具有人脸属性识别方法来获取人脸属性识别模型的电子设备。

本发明实施例还提供一种存储介质，其上存储有计算机程序，例如，当该存储介质存储于图8中的存储器501时，该计算机程序被处理器执行时实现如前述实施方式中任一项的人脸属性识别方法，该计算机可读存储介质可以是，但不限于，U盘、移动硬盘、ROM、RAM、PROM、EPROM、EEPROM、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，在本文中，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，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

Claims (10)

1.一种人脸属性识别方法，其特征在于，所述方法包括：

获取待识别人脸图像；

基于预先训练的人脸检测模型检测所述待识别人脸图像以获得多个子图像数据；每个所述子图像数据包含所述待识别人脸图像的有效人脸区域和所述有效人脸区域对应的人脸质量评分；

将人脸质量评分大于或等于质量评分阈值时对应的子图像数据输入预先训练的属性识别模型中，通过所述属性识别模型的多个属性提取层获取所述待识别人脸图像对应的多个属性信息。

2.根据权利要求1所述的人脸属性识别方法，其特征在于，在所述获取待识别人脸图像的步骤之前，所述方法还包括：

获取多个人脸图像样本和每个所述人脸图像样本对应的属性训练数据集；

基于所述多个人脸图像样本、第一损失函数、第二损失函数和第三损失函数对人脸检测模型进行训练；

根据训练后的人脸检测模型获得每个所述人脸图像样本对应的多个子图像训练数据；

基于每个所述人脸图像样本对应多个子图像训练数据和属性训练数据集对所述属性识别模型进行训练。

3.根据权利要求2所述的人脸属性识别方法，其特征在于，所述基于所述多个人脸图像样本、第一损失函数、第二损失函数和第三损失函数对人脸检测模型进行训练的步骤，包括：

对每个所述人脸图像样本进行有效人脸区域预测，直至所述第一损失函数收敛；

对预测的所述有效人脸区域进行人脸质量评分直至所述第二损失函数和所述第三损失函数收敛。

4.根据权利要求2或3所述的人脸属性识别方法，其特征在于，所述第一损失函数为giouloss；所述第二损失函数为focalloss；所述第三损失函数为ohemloss。

5.根据权利要求2所述的人脸属性识别方法，其特征在于，所述基于每个所述人脸图像样本对应多个子图像训练数据和属性训练数据集对所述属性识别模型进行训练的步骤，包括：

根据每个人脸图像样本对应的多个子图像训练数据获取多个属性预测值；

根据每个人脸图像样本对应的多个属性的预测值与属性数据集获得所述多个属性的损失值；

根据所述多个人脸图像样本对应的属性损失值对所述属性识别模型进行参数调整，直至所述多个人脸图像样本对应的属性损失值小于或等于阈值。

6.一种人脸属性识别装置，其特征在于，包括：获取模块、检测模块和识别模块；

所述获取模块，用于获取待识别人脸图像；

所述检测模块，用于基于预先训练的人脸检测模型检测所述待识别人脸图像以获得多个子图像数据；每个所述子图像数据包含所述待识别人脸图像的有效人脸区域和所述有效人脸区域对应的人脸质量评分；

所述识别模块，用于将人脸质量评分大于或等于质量评分阈值时对应的子图像数据输入预先训练的属性识别模型中，通过所述属性识别模型的多个属性提取层获取所述待识别人脸图像对应的多个属性信息。

7.根据权利要求6所述的人脸属性识别装置，其特征在于，还包括：训练模块；

所述获取模块，还用于获取多个人脸图像样本和每个所述人脸图像样本对应的属性训练数据集；

所述训练模块，用于基于所述多个人脸图像样本、第一损失函数、第二损失函数和第三损失函数对人脸检测模型进行训练；

所述获取模块，还用于根据训练后的人脸检测模型获得每个所述人脸图像样本对应的多个子图像训练数据；

所述训练模块，还用于基于每个所述人脸图像样本对应多个子图像训练数据和属性训练数据集对所述属性识别模型进行训练。

8.根据权利要求7所述的人脸属性识别装置，其特征在于，

所述训练模块，还用于对每个所述人脸图像样本进行有效人脸区域预测，直至所述第一损失函数收敛；还用于对预测的所述有效人脸区域进行人脸质量评分直至所述第二损失函数和所述第三损失函数收敛。

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现权利要求1-5任一项所述的人脸属性识别方法。

10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的人脸属性识别方法。

Images