[发明专利]人脸结构化信息识别方法、系统、装置及存储介质

说明书

本发明提出一种人脸结构化信息识别方法、系统及装置，其中的方法包括：根据行人样本数据集建立相应的人脸结构化数据集；其中，人脸结构化数据集中具有行人样本的人脸结构化数据；根据预设属性划分类别对人脸结构化数据集内的人脸结构化数据进行属性统计；根据人脸结构化数据的属性统计结果，采用过采样和/或欠采样的方式对人脸结构化数据集进行平衡度调整，以使人脸结构化数据集的平衡度均衡；使用平衡度调整后的人脸结构化数据集对预设的人脸结构化网络模型进行训练；使用训练后的人脸结构化网络模型对待识别图像进行人脸结构化信息识别。本发明提供技术方案能够解决现有的人脸结构化信息识别的训练样本不均衡、特征提取精度低等问题。

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种人脸结构化信息识别方法、系统、装置及存储介质。

背景技术

目前，人脸结构化在图像检测、人脸识别、微表情识别等应用上都引起了极大关注。人脸结构化主要是根据给定的人脸面部图像或者行人头部图像进行人脸识别、人脸ReID以及属性识别等，例如性别识别、年龄估计、表情识别、发型识别、判别是否戴口罩等。然而，由于人脸角度、光照等变化引起的人脸面部变化，人脸结构化还存在很多挑战。

传统的卷积神经网络模型一般只能解决一个特定的任务，例如性别识别、年龄估计等。而一些多任务学习模型虽然能够一次性同时处理两个以上的任务，但没有考虑到人脸属性中很多属性具有其独特性和强相关性，例如是否有胡子和性别之间的关系。

此外，在行人头部的人脸结构化信息识别的数据中，训练集经常会出现标签不平衡的情况，例如发型识别中，“光头”属性相较于其他发型来说，正样本非常少，这种不平衡性容易导致正样本中较少的属性被其他属性覆盖，从而影响模型最终的识别准确率。目前虽已有的一些解决数据不平衡的方法，但主要是针对单任务多分类问题提出的，而人脸结构化识别采用的是多任务学习模型，重新平衡多标签数据非常困难，往往平衡其中一个属性就会影响到另一个属性的平衡，目前，也没有很好的方案能够解决人脸属性识别中的数据不平衡问题。

另外，在获取人脸结构化信息时，不同的属性依赖的图像信息不同，年龄和表情识别更依赖于人脸面部信息，而发型和帽子等属性更加依赖行人头部信息，因此，仅仅只依靠原始样本对预设的模型进行训练，模型的特征提取精度较差。

基于以上几个问题，亟需一种训练样本较均衡、模型特征提取精度高的多任务人脸结构化识别方法。

发明内容

本发明提供一种人脸结构化信息识别方法、系统、电子装置以及计算机存储介质，其主要目的在于解决现有的人脸结构化方法具有训练样本不均衡、特征提取精度低等问题。

为实现上述目的，本发明提供一种人脸结构化信息识别方法，该方法包括如下步骤：

根据行人样本数据集建立相应的人脸结构化数据集；其中，所述人脸结构化数据集中具有行人样本的人脸结构化数据；

根据预设属性划分类别对所述人脸结构化数据集内的人脸结构化数据进行属性统计；

根据所述人脸结构化数据的属性统计结果，采用过采样和/或欠采样的方式对所述人脸结构化数据集进行平衡度调整，以使所述人脸结构化数据集的平衡度均衡；

使用平衡度调整后的人脸结构化数据集对预设的人脸结构化网络模型进行训练；

使用训练后的人脸结构化网络模型对待识别图像进行人脸结构化信息识别。

另外，本发明还提供一种人脸结构化信息识别系统，所述人脸结构化信息识别系统包括：

样本获取单元，用于根据行人样本数据集建立相应的人脸结构化数据集；其中，所述人脸结构化数据集中具有行人样本的人脸结构化数据；

属性统计单元，用于根据预设属性划分类别对所述人脸结构化数据集内的人脸结构化数据进行属性统计；