[发明专利]一种性别分类的方法、设备、终端及计算机存储介质

说明书

本发明提出了一种性别分类的方法、设备、终端及计算机存储介质，该方法包括：获取预先训练好的图像特征提取模型；将所述图像特征提取模型中具有自动提取图像特征能力的卷积层和池化层迁移到用于性别分类的神经网络模型中进行迁移学习训练；基于训练完成的所述神经网络模型对待识别的眼周图像进行性别识别。本方案采用迁移学习，利用预先训练好的图像特征提取模型中具有自动提取图像特征能力的卷积层和池化层迁移到用于性别分类的神经网络模型中，并利用迁移学习训练完成的神经网络模型进行性别的识别，不需要重新完全训练多个模型，提升了效率，实现了更快的分类速度以及更高的分类精度。

技术领域

本发明涉及神经网络技术领域，特别涉及一种性别分类的方法、设备、终端及计算机存储介质。

背景技术

随着计算机科学技术的迅速发展，网络化与智能化已经成为信息领域的发展方向。由此，生物特征识别技术得到了迅速的发展。所谓生物识别技术是指，通过计算机与各种传感器和生物统计原理相结合，利用人体的生理结构和行为特征，进行个人身份认证，常用的有人脸、虹膜、指纹、语音等。对于特征的提取，卷积神经网络在图像识别领域越来越受到欢迎；现有的针对眼周图像分类的方法是传统的机器学习，通过支持向量机(SVM)等机器学习分类技术进行分类，缺点是步骤复杂，导致效率低，分类准确率低。

由此，目前需要一种更好的方法来解决这种问题。

发明内容

针对现有技术中的缺陷，本发明提出了一种性别分类的方法、设备、终端及计算机存储介质，实现了更快的分类速度以及更高的分类精度。

具体的，本发明提出了以下具体的实施例：

本发明实施例提出了一种性别分类的方法，包括：

获取预先训练好的图像特征提取模型；

将所述图像特征提取模型中具有自动提取图像特征能力的卷积层和池化层迁移到用于性别分类的神经网络模型中进行迁移学习训练；

基于训练完成的所述神经网络模型对待识别的眼周图像进行性别识别。

在一个具体的实施例中，所述图像特征提取模型为在ImageNet上预先训练好的VGG模型和Resnet34模型。

在一个具体的实施例中，所述眼周图像为虹膜图像。

在一个具体的实施例中，所述迁移学习训练，包括：

获取样本数据作为训练数据库，并将所述图像特征提取模型的结构参数作为训练数据源；

基于所述训练数据库和所述训练数据源对所述神经网络模型的全连接层进行训练；

将训练得到的所述全连接层的结构参数作为下一阶段的特征提取输入源，并对所述神经网络模型的结构层数进行调整，以及采用Softmax分类器作为最后的分类输出层。

在一个具体的实施例中，所述样本数据为确定分类结果为男性或女性的眼周图像；

所述“获取样本数据作为训练数据库”，包括：

对所述样本数据中的眼周图像进行扩增，并基于扩增后的眼周图像生成训练数据库。

在一个具体的实施例中，所述扩增包括以下一个或多个的组合：水平翻转、旋转。

本发明实施例还提出了一种性别分类的设备，包括：

获取模块，用于获取预先训练好的图像特征提取模型；

训练模块，用于将所述图像特征提取模型中具有自动提取图像特征能力的卷积层和池化层迁移到用于性别分类的神经网络模型中进行迁移学习训练；

分类模块，用于基于训练完成的所述神经网络模型对待识别的眼周图像进行性别识别。