[发明专利]用于人脸识别的网络构建方法、识别方法及系统

说明书

本发明提出了一种用于人脸性别识别或年龄估计的深层网络构建方法，所述方法包含：步骤101)将所有的训练图片划分为若干组；步骤102)基于卷积神经网络提取一组训练图片的高层特征，进而得到由高层特征向量组成的第一矩阵；同时基于人工神经网络提取同一组训练图片的低层和全局特征，进而得到低层特征向量组成的第二矩阵；基于提取的第一矩阵、第二矩阵和定义的判决公式得到一组性别识别或者年龄估计的结果；其中定义的判决公式中的第一权值矩阵w₁、第二权值矩阵w₂、偏置矩阵b和调节权重β的值利用误差反向传播算法更新，获得这些参数的最终取值，完成网络构建。基于网络构建完成时确定的参数的值确定的判决公式进行待识别人脸的年龄和性别的判决。

技术领域

本发明涉及计算机视觉及深度学习技术领域，特别涉及一种用于人脸识别的网络构建方法、识别方法及系统。

背景技术

人脸作为一个对计算机来说识别和分析都非常困难的物体，从20世纪90年代开始就引起了研究者们的广泛关注。而成功有效的人脸分析在智能监控，视频索引以及人口信息统计等领域又存在着巨大的应用前景。人脸分析主要包括人脸的性别识别和人脸的年龄估计，性别分类的准确率和年龄估计的平均绝对误差分别是两者的关键性指标。

目前存在的人脸分析领域的相关研究，都是基于人为“手工”确定特征描述子来表示人脸，结合分类器算法或者回归算法展开。人工选定特征往往耗费大量的前期准备时间，具有主观性，且选取出来的特征往往在某一类数据上表现良好，而扩展到另外的数据时性能会有显著下降，泛化能力较弱。而实际应用时，传统方法的弱泛化能力恰好在质量较低的图片(强光照图片、存在背景干扰图片、歪脸侧脸图片)上性能不佳，满足不了实际应用的需求。目前人脸分析领域的研究受限于这一瓶颈而发展缓慢。另一方面，近年来,基于深度学习思想的方法取得了极大的发展，为计算机科学向智能化方向发展提供了算法上的支持。深度学习的基本思想就是构建深层的人工神经网络，模拟人脑的学习机制，采用非监督学习的方式“自动”学习目标物体的特征，学习到的特征具有层次结构，从具体细节到抽象概念，这样的特征对数据本身有着更本质的刻画。深度学习的方法在许多领域的应用都取得了突破性的成功，美国多家银行的手写数字识别系统、Google的图像分类语音识别综合项目Google Brain、微软的全自动同声传译系统都是基于深度学习的方法实现的。目前深度学习的方法主要包括深层稀疏自编码算法，深度信念网络算法以及卷积神经网络算法。其中卷积神经网络算法在图像处理的多个领域都取得了世界领先的水平，例如人脸检测，行人检测以及人脸识别等；而深度信念网络算法主要在语音识别领域的应用较多，效果较好；深层稀疏自编码算法则更多的被应用于数据降维类的问题。