[发明专利]基于卷积神经网络的人脸图像性别识别模型及识别方法

说明书

一种基于卷积神经网络的人脸图像性别识别方法及识别模型，双路深浅网络分别采用不同尺度的卷积核对图像进行特征提取，得到不同尺度、语义的特征，考虑到深层网络的计算量，在网络中加入Slice层和Eltwise层，极大地精简了模型也增强了特征响应，此外还引入了L‑Softmax Loss作为输出层，在简化网络反向传播计算量的同时有效调节了类间和类内距离，在保证准确度不损失的前提下，极大减少了计算机的运算量。

技术领域

本发明涉及一种基于卷积神经网络的人脸图像性别识别方法及识别模型，尤其涉及一种基于多尺度双路深浅卷积神经网络的人脸图像性别识别模型及识别方法。

背景技术

人脸图像的性别识别是人脸分析的重要任务，性别识别在现今的人脸识别中常常作为必备的属性展示在身份验证中(图1为常见的人脸识别)。早期的识别方法多基于手工提取特征方法，如SVM，PCA，贝叶斯决策。以上的方法大多忽略了人脸图像的中像素的二维相关性，因此在分类准确率上并没有满意的效果。随着深度学习的兴起，卷积神经网络也常用于人脸性别识别，该卷积神经网络采用稀疏连接和权值共享等简化网络操作，卷积层和采样层交替进行，简化了模型的复杂度。实验表明，卷积神经网络结构有效地克服了光照、旋转等因素的影响，具有较好的鲁棒性，但在人脸图像不清晰及人脸姿态变化大的图像中识别的精度并不高。

发明内容

本发明提供一种基于卷积神经网络的人脸图像性别识别模型及识别方法，提高了识别准确度，并减少了运算量。

为了达到上述目的，本本发明提供一种基于卷积神经网络的人脸图像性别识别模型，包含：

输入层，用于输入经过预处理后统一大小的人脸图像；

深层网络卷积层，其提取的特征中包含更丰富和更完整的语义特征；

浅层网络卷积层，其提取的特征中包含细部纹理边缘信息；

融合层，用于将深层网络卷积层提取的特征和浅层网络卷积层提取的特征进行特征融合；

全连接层，用于将卷积池化后的特征图转换为向量；

输出层，用于采用L-Softmax Loss函数对特征进行分类输出。

所述的深层网络卷积层包含：

多个卷积层，用于提取人脸图像中的特征，所述的卷积层的数量为10～20；

多个池化层，用于对卷积层提取到的特征进行降维处理；

多个Slice层，用于将经过卷积层提取到的多个特征图均分为两部分；

多个Eltwise层，用于从两部分特征图中对比选取特征响应最高的特征图。

所述的浅层网络卷积层包含：

多个卷积层，用于提取人脸图像中的特征，所述的卷积层的数量为小于10；

多个池化层，用于对卷积层提取到的特征进行降维处理。

本发明还提供一种基于卷积神经网络的人脸图像性别识别方法，包含以下步骤：

深层网络卷积层和浅层网络卷积层分别提取输入层中输入的人脸图像中的特征；

融合层将深层网络卷积层提取的特征和浅层网络卷积层提取的特征进行特征融合；

全连接层将卷积池化后的特征图转换为向量；

输出层采用L-Softmax Loss函数对特征进行分类输出。

输入层输入统一大小的人脸图像。

所述的深层网络卷积层提取人脸图像中特征的方法包含：

卷积层提取人脸图像中的特征；