[发明专利]一种复杂场景下的多尺度特征人脸属性识别系统及其方法

说明书

本发明属于人脸识别技术领域，公开了一种复杂场景下的多尺度特征人脸属性识别系统及其方法，包括特征提取模块、特征融合模块和多任务输出网络模块，特征提取模块用于将输入的图像信息进行批归一化，将得到的特征图分别进行卷积和空洞卷积；特征融合模块用于利用普通卷积和空洞卷积实现特征计算和融合；多任务输出网络模块用于通过全连接层进行分类，在网络分支之前依次设置全连接，负责共享特征提取。本发明不仅能够保证网络具有强大的特征提取能力，也能够将不同尺度的信息进行有效融合，使用专用的特征共享通道保证了特征的有效流动，使网络性能得到提升，无论是局部属性特征还是全局属性特征性能都有了巨大的提升。

技术领域

本发明属于人脸识别技术领域，尤其涉及一种复杂场景下的多尺度特征人脸属性识别系统及其方法。

背景技术

目前，在复杂场景下人脸图像中首先存在图像的模糊、曝光、暗光、噪声等影响，导致图像质量降低；其次也受到图像中的人脸姿态、拍摄角度、人脸扭曲、人脸老化等造成的有效信息丢失。其次不同的人脸属性对模型的多尺度特征提取能力也提出了很高的要求。上述两种情况都会使从人脸图像中提取到有效的人脸特征变得十分困难，识别准确度也不理想。

A-Net网络结构较为简单，难以提取到更加深层次的全局属性特征，因此在局部特征属性上的识别效果要好于全局特征属性，但是整体的识别准确率依然不高。MCFA采用不同层次的特征图共享，获得不同尺度的特征图信息，相比于A-Net网络，其在全局特征属性的识别准确率更高，因此取得了较好的识别效果，网络的特征提取能力显著增强。MCNN网络充分利用了不同尺度的特征，但是其分支点的确定将会影响网络整体的识别准确率，虽然准确率也获得了较大的提升，但是在局部属性特征的准确率上略低于MCFA网络，其在全局属性特征的准确率更高。MCFA、MCNN虽然采取了多尺度特征的思想，但是其忽略了多尺度特征的有效融合和流动共享。

通过上述分析，现有技术存在的问题及缺陷为：

现有的人脸属性识别方法主要关注对不同人脸尺度特征进行有效的提取，忽略了利用特征共享来提升算法性能，依然存在精度不高等问题。

解决以上问题及缺陷的意义为：

目前方法的网络共享采用软参数共享的方式，这种方法需要多个子任务之间进行参数链接，存在模型冗余、计算复杂等情况。本发明通过特征共享通道进行参数共享，降低了网络复杂度，也一定程度上提高了网络的特征提取能力和特征共享能力，进一步提高了算法的准确率

发明内容

针对现有技术存在的问题，本发明提供了一种复杂场景下的多尺度特征人脸属性识别系统及其方法。

本发明是这样实现的，一种复杂场景下的多尺度特征人脸属性识别系统包括：

特征提取模块，用于将输入的图像信息进行批归一化，将得到的特征图分别进行卷积和空洞卷积；

特征融合模块，用于利用普通卷积和空洞卷积实现特征计算和融合；

多任务输出网络模块，用于通过全连接层进行分类，在网络分支之前依次设置全连接，负责共享特征提取。

进一步，所述特征提取模块中，输入经过第一层1×1卷积后获得的输出为X，对其进行批归一化和PRelu操作，将当前输出进行3×3的普通卷积和空洞率为2的3×3空洞卷积，再次进行批归一化和PRelu，经过1×1的卷积和批归一化，其输出X_BN为：

X_BN1＝F_R＝1(X_BN)

X_BN2＝F_R＝2(X_BN)

公式中，F表示进行卷积操作，R＝2表示空洞率为2的空洞卷积，R＝1为普通卷积，将得到的特征图进行相加，获得输出Y，表达式如下：