[发明专利]一种人体及人脸属性识别方法及系统

权利要求书

1.一种人体及人脸属性识别方法，其特征在于，包括如下步骤：

步骤一：准备数据集，所述数据集包括两部分：人体属性数据集和人脸属性数据集；

步骤二：基于人体属性数据集，利用深度神经网络训练人体属性识别模型，并对模型进行评估及优化；

步骤三：基于人脸属性数据集，训练人脸属性识别模型，并对模型进行评估和优化；

步骤四：整合人脸属性和人体属性模型；对于待识别的图片Image，检测人脸，利用程序脚本将人脸图片自动裁剪输出为image_face，然后调用人脸属性识别模型，得到输出结果dict1，与此同时，对于待识别图片直接调用人体属性识别模型，得到输出结果dict2；

步骤五：将输出结果dict1与dict2融合成一个输出结果集：dict：{face_attribute：True or False，…，pedestrian_attribute:True or False，…}。

2.如权利要求1所述的一种人体及人脸属性识别方法，其特征在于：所述步骤一中，所述人体属性数据集来自于PETA数据集，具体是从PETA数据集中选出35个属性进行识别；所述人脸属性数据集来自于CelebA数据集。

3.如权利要求2所述的一种人体及人脸属性识别方法，其特征在于：所述步骤二具体为：基于PETA数据集，对于每一张输入图片Image，输出为一个dict：{pedestrian_attribute：True or False}，如果结果字典为：{pedestrian_attribute：True}表示图片中的人有人体属性，如果结果字典为：{pedestrian_attribute：False}表示图片中的人没有人体属性，利用深度神经网络训练人体属性识别模型，使得

F(Image)＝{pedestrian_attribute:True or False}；

对模型进行测试，如果模型准确率低于可用阈值Threshold(F)，所述可用阈值设为0.8，则优化数据集或模型，重新训练，直到模型可用。

4.如权利要求3所述的一种人体及人脸属性识别方法，其特征在于：所述步骤三具体为：基于CelebA数据集，对于每一张输入图片Image，输出为一个dict：{face_attribute：True or False}，如果结果字典为：{face_attribute：True}表示图片中的人有人脸属性，如果结果字典为：{face_attribute：False}表示图片中的人没有人脸属性，利用深度神经网络训练人脸属性识别模型，使得

F(Image)＝{face_attribute:True or False}；

对模型进行测试，如果模型准确率低于可用阈值Threshold(F)，所述可用阈值设为0.8，则优化数据集或模型，重新训练，直到模型可用。

5.一种根据权利要求1-4之一所述方法进行的人体及人脸属性识别系统，其特征在于：包括：数据源模块、模型训练模块、属性识别模块；

所述数据源模块，用于训练人体属性识别和人脸属性识别模型所需要准备的数据集，主要包括：用于人体属性识别训练的PETA数据集和用于人脸属性识别训练的CelebA数据集；

所述模型训练模块，利用深度神经网络训练人体属性识别模型和人脸属性识别模型，其中包括四个子模块：人体属性识别模型训练子模块，人体属性识别模型子模块，人脸属性识别模型训练子模块，人脸识别模型子模块；所述人体属性识别模型训练子模块，是根据PETA数据集，利用深度神经网络训练人体属性识别模型；所述人体属性识别模型子模块，是对模型进行评估及优化，最终得到可用的人体属性识别模型；所述人脸属性识别模型训练子模块，是根据CelebA数据集，利用深度神经网络训练人脸属性识别模型；所述人脸属性识别模型子模块，是对模型进行评估及优化，最终得到可用的人脸属性识别模型；

所述属性识别模块，提供人体属性和人脸属性识别的综合接口，接收待识别的图片，通过调用模型最终返回有关的人体属性和人脸属性；其中包括五个子模块：待识别图片接收子模块，人体属性识别子模块，人脸检测子模块，人脸属性识别子模块，识别信息返回子模块。所述待识别图片接收子模块，用于接收待识别的图片信息；所述人体属性识别子模块，对于待识别的图片，调用人体属性识别模型，得到有关人体属性；所述人脸检测子模块，对于待识别的图片，检测人脸，进行裁剪输出图片；所述人脸属性识别子模块，对于输出的人脸图片，调用人脸属性识别模型，得到图片中人脸的相关属性；所述识别信息返回子模块，将最终识别的属性信息整合并返回。