[发明专利]一种基于深度互学习和知识传递的人脸属性识别方法

说明书

本发明公开了一种基于深度互学习和知识传递的人脸属性识别方法，包括以下步骤：准备人脸数据集；对人脸数据集中的每张人脸图像进行随机图像翻转，分别作为两个模型Net1和Net2的输入，构建深度卷积神经网络迁移模型B_Net1和B_Net2，提取多属性之间的共享特征；为两个模型中的易识别任务搭建相同的属性预测网络S_Net，在属性的三个分组中均含有易识别任务属性和难识别属性；为两个模型中的难识别任务搭建相同的属性预测网络H_Net，在每个模型中，构建难识别任务子网络H_Net，与S_Net并行连接于B_Net。本发明解决了现有技术中存在的预测精度较低以及模型泛化能力不强的问题。

技术领域

本发明属于计算机视觉技术领域，特别涉及一种应用深度学习实现的人脸属性识别方法。

背景技术

人脸属性识别是一个重要的课题，可以应用于人脸识别领域的研究，如人脸验证、人脸检索。非实验室场景下的人脸图片受到光照、姿势、遮挡等因素的影响，同时也更贴近于现实生活中获取的人脸图片，基于非实验室场景下的人脸属性识别研究是十分有意义。使用人脸属性识别的方法对目标人脸进行属性分析有着重要的实用价值，可以用于广告精准投放、市场调查等诸多场景。

人脸存在发型、性别、有无胡须等几十种属性，对每种属性分别训练识别网络模型，忽略了属性之间的内在联系，预测的准确率也不高。因此在深度学习的背景下，当前人脸属性识别的研究方法普遍使用多任务学习同时对多种属性进行分组预测，以探寻多种属性之间的联系，网络模型使用神经网络进行构建。较为常见的分组方式有基于属性存在位置区域的分组方式、基于语义的分组方式以及基于属性异构性的分组方式，但仍然存在部分属性的预测精度较低以及模型泛化能力不强的问题。

发明内容

本发明的目的是提供一种基于深度互学习和知识传递的人脸属性识别方法，以解决现有技术中存在的预测精度较低以及模型泛化能力不强的问题。

为实现上述目的，本发明采用如下技术方案：

一种基于深度互学习和知识传递的人脸属性识别方法，包括以下步骤：

步骤1，准备人脸数据集，所述人脸数据集中包括人脸图像以及人脸图像对应的多属性标签；

步骤2，对人脸数据集中的每张人脸图像进行随机图像翻转，分别作为两个模型Net1和Net2的输入，构建深度卷积神经网络迁移模型B_Net1和B_Net2，提取多属性之间的共享特征；

步骤3：为Net1和Net2中的易识别任务搭建相同的属性预测网络S_Net，在属性的三个分组中均含有易识别任务属性和难识别属性；

步骤4：为Net1和Net2中的难识别任务搭建相同的属性预测网络H_Net，在每个模型中，构建难识别任务子网络H_Net，与S_Net并行连接于B_Net。

所述步骤1中，对人脸数据集中的每张人脸图像进行人脸检测、人脸关键点定位和人脸对齐。

所述步骤1中，人脸数据集选取CelebA数据集。

所述步骤2中，B_Net1和B_Net2的结构一致，其中，迁移模型选用谷歌的inceptionV3；B_Net1和B_Net2的网络结构如下：

input-conv_1-conv_2-conv_3-pooling_1-conv_4-conv_5-conv_6-pooling_2-inception_1-inception_2-inception_3-pooling_3-fc-softmax

其中，conv_i{i＝1,2,…,6}表示网络中的第i个卷积层，inception_j{j＝1,2,3}表示第j个inception模块。

所述步骤3中，在每个模型中，构建易识别任务子网络S_Net，连接于B_Net；S_Net网络结构如下：