本發(fā)明涉及人臉識別技術(shù)領(lǐng)域，特別地，涉及一種人臉屬性識別方法及裝置.。

背景技術(shù)：

人臉屬性識別技術(shù)是通過檢測人臉圖像，獲得該人臉圖像的年齡、性別等屬性信息。在目前的生活中，安全問題成為了大家關(guān)注的重心。通過監(jiān)控視頻獲取行人的年齡、性別等屬性則能夠更好的協(xié)助司法人員匹配嫌疑人的特征，協(xié)助辦案。對于購物網(wǎng)站，計(jì)算機(jī)系統(tǒng)在自動分析購物者年齡性別屬性后則能夠自動向消費(fèi)者推薦與其身份相符的商品。除此之外，包含人臉圖像屬性識別技術(shù)的應(yīng)用軟件也具有更強(qiáng)的娛樂特性。

早期的人臉屬性檢測技術(shù)多為利用傳統(tǒng)的svm(supportvectormachine，支撐向量機(jī))進(jìn)行分類的方法，對于性別、是否戴眼鏡等屬性可以利用分類器實(shí)現(xiàn)轉(zhuǎn)化為二分類問題，對于年齡則將其轉(zhuǎn)化為不同年齡或不同年齡段的多分類問題?，F(xiàn)階段深度學(xué)習(xí)技術(shù)因其卓越的性能而被廣泛使用，在人臉屬性識別中也有很多應(yīng)用。

然而，基于人臉圖像的屬性識別很大程度受人臉角度、姿態(tài)和光線等因素的影響，識別難度很大，傳統(tǒng)的利用svm的方法很難做到很高的準(zhǔn)確率，該方法容易受到環(huán)境因素影響。

gillevi和talhassner提出的利用深度學(xué)習(xí)進(jìn)行屬性識別的方法，識別出年齡的精度低，只能判斷出該人臉圖像屬于哪個年齡段。另外他們使用的深度殘差網(wǎng)絡(luò)模型層數(shù)少，對于圖像的表達(dá)能力弱，所以方法魯棒性較弱，識別結(jié)果的準(zhǔn)確性較差。

劉昕等人的方法由于使用了8個深層的網(wǎng)絡(luò)，雖然年齡識別準(zhǔn)確度較高，但是識別速度慢，無法做到實(shí)時(shí)的屬性檢測。另外他們的方法只實(shí)現(xiàn)了年齡屬性的識別，而沒有做其他屬性的識別。

因此，現(xiàn)有的人臉屬性檢測技術(shù)在識別類型和識別準(zhǔn)確度上存在的缺陷，是一個亟待解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種人臉屬性識別方法及裝置，以解決現(xiàn)有的人臉屬性檢測技術(shù)在識別類型和識別準(zhǔn)確度上存在的缺陷的技術(shù)問題。

本發(fā)明采用的技術(shù)方案如下：

根據(jù)本發(fā)明的一個方面，提供一種人臉屬性識別方法，包括步驟：

利用深度殘差網(wǎng)絡(luò)對已收集的人臉圖像的人臉屬性進(jìn)行訓(xùn)練，得到帶有多種人臉屬性特征的多屬性網(wǎng)絡(luò)訓(xùn)練模型；

運(yùn)用得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型來對待識別圖像的人臉屬性進(jìn)行多屬性預(yù)測，以識別待識別圖像中的多種人臉屬性。

進(jìn)一步地，利用深度殘差網(wǎng)絡(luò)對已收集的人臉圖像的人臉屬性進(jìn)行訓(xùn)練，得到帶有多種人臉屬性特征的多屬性網(wǎng)絡(luò)訓(xùn)練模型的步驟包括：

將已收集的人臉圖像輸入深度殘差網(wǎng)絡(luò)，利用深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)提取人臉圖像中的人臉屬性特征，以在深度殘差網(wǎng)絡(luò)中輸出人臉特征向量；

對深度殘差網(wǎng)絡(luò)進(jìn)行拓展，將深度殘差網(wǎng)絡(luò)輸出的人臉特征向量集中訓(xùn)練成多屬性網(wǎng)絡(luò)模型。

進(jìn)一步地，對深度殘差網(wǎng)絡(luò)進(jìn)行拓展，將深度殘差網(wǎng)絡(luò)輸出的人臉特征向量集中訓(xùn)練成多屬性網(wǎng)絡(luò)模型的步驟包括：

在深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)后面添加深度神經(jīng)網(wǎng)絡(luò)的全連接層，使全連接層與深度殘差網(wǎng)絡(luò)輸出的人臉特征向量對應(yīng)連接；

將深度殘差網(wǎng)絡(luò)中輸出的人臉特征向量對應(yīng)輸入到全連接層上，得到設(shè)定維度的人臉特征訓(xùn)練圖像的多屬性特征。

進(jìn)一步地，將深度殘差網(wǎng)絡(luò)中輸出的人臉特征向量對應(yīng)輸入到全連接層上，得到設(shè)定維度的人臉特征訓(xùn)練圖像的多屬性特征的步驟之后包括：

在深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)后面添加深度神經(jīng)網(wǎng)絡(luò)的損失函數(shù)層，使損失函數(shù)層與深度殘差網(wǎng)絡(luò)中的輸出層對應(yīng)相連，獲取多屬性人臉特征訓(xùn)練圖像中的訓(xùn)練數(shù)據(jù)集標(biāo)簽，計(jì)算出深度殘差網(wǎng)絡(luò)中多屬性人臉特征訓(xùn)練圖像前向傳播時(shí)的損失。

進(jìn)一步地，運(yùn)用得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型來對待識別圖像的人臉屬性進(jìn)行多屬性預(yù)測，以識別待識別圖像中的多種人臉屬性的步驟包括：

將待識別圖像輸入多屬性網(wǎng)絡(luò)訓(xùn)練模型，提取待識別圖像中的多屬性人臉特征；

將提取的多屬性人臉特征分別輸入對應(yīng)的全連接層，得到設(shè)定維度的人臉圖像多屬性預(yù)測特征；

將全連接層的輸出結(jié)果送入softmax層，計(jì)算出多屬性人臉特征的最大概率值，以識別待識別圖像中的多種人臉屬性。

根據(jù)本發(fā)明的另一方面，還提供一種人臉屬性識別裝置，包括：

訓(xùn)練模塊，用于利用深度殘差網(wǎng)絡(luò)對已收集的人臉圖像的人臉屬性進(jìn)行訓(xùn)練，得到帶有多種人臉屬性特征的多屬性網(wǎng)絡(luò)訓(xùn)練模型；

預(yù)測模塊，用于運(yùn)用得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型來對待識別圖像的人臉屬性進(jìn)行多屬性預(yù)測，以識別待識別圖像中的多種人臉屬性。

進(jìn)一步地，訓(xùn)練模塊包括第一提取單元和拓展單元，

第一提取單元，用于將已收集的人臉圖像輸入深度殘差網(wǎng)絡(luò)，利用深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)提取人臉圖像中的人臉屬性特征，以在深度殘差網(wǎng)絡(luò)中輸出人臉特征向量；

拓展單元，用于對深度殘差網(wǎng)絡(luò)進(jìn)行拓展，將深度殘差網(wǎng)絡(luò)輸出的人臉特征向量集中訓(xùn)練成多屬性網(wǎng)絡(luò)模型。

進(jìn)一步地，拓展單元包括連接子單元和訓(xùn)練圖像獲取子單元，

連接子單元，用于在深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)后面添加深度神經(jīng)網(wǎng)絡(luò)的全連接層，使全連接層與深度殘差網(wǎng)絡(luò)輸出的人臉特征向量對應(yīng)連接；

訓(xùn)練圖像獲取子單元，用于將深度殘差網(wǎng)絡(luò)中輸出的人臉特征向量對應(yīng)輸入到全連接層上，得到設(shè)定維度的人臉特征訓(xùn)練圖像的多屬性特征。

進(jìn)一步地，拓展單元還包括損失計(jì)算子單元，

損失計(jì)算子單元，用于在深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)后面添加深度神經(jīng)網(wǎng)絡(luò)的損失函數(shù)層，使損失函數(shù)層與深度殘差網(wǎng)絡(luò)中的輸出層對應(yīng)相連，獲取多屬性人臉特征訓(xùn)練圖像中的訓(xùn)練數(shù)據(jù)集標(biāo)簽，計(jì)算出深度殘差網(wǎng)絡(luò)中多屬性人臉特征訓(xùn)練圖像前向傳播時(shí)的損失。

進(jìn)一步地，預(yù)測模塊包括第二提取單元、獲取單元和計(jì)算單元，

第二提取單元，用于將待識別圖像輸入多屬性網(wǎng)絡(luò)訓(xùn)練模型，提取待識別圖像中的多屬性人臉特征；

獲取單元，用于將提取的多屬性人臉特征分別輸入對應(yīng)的全連接層，得到設(shè)定維度的人臉圖像多屬性預(yù)測特征；

計(jì)算單元，用于將全連接層的輸出結(jié)果送入softmax層，計(jì)算出多屬性人臉特征的最大概率值，以識別待識別圖像中的多種人臉屬性。

本發(fā)明具有以下有益效果：

本發(fā)明提供的人臉屬性識別方法及裝置，通過利用深度殘差網(wǎng)絡(luò)對已收集的人臉圖像的人臉屬性進(jìn)行訓(xùn)練，得到帶有多種人臉屬性特征的多屬性網(wǎng)絡(luò)訓(xùn)練模型；運(yùn)用得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型來對待識別圖像的人臉屬性進(jìn)行多屬性預(yù)測，以識別待識別圖像中的多種人臉屬性。本發(fā)明提供的人臉屬性識別方法及裝置，利用一個深度殘差網(wǎng)絡(luò)對已收集的人臉圖像的人臉屬性進(jìn)行訓(xùn)練，根據(jù)特定任務(wù)訓(xùn)練得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型對待識別圖像的人臉屬性進(jìn)行多屬性預(yù)測，因多屬性網(wǎng)絡(luò)模型能提取出更強(qiáng)表達(dá)能力的人臉特征，從而可快速準(zhǔn)確識別人臉圖像中的多種人臉屬性。

除了上面所描述的目的、特征和優(yōu)點(diǎn)之外，本發(fā)明還有其它的目的、特征和優(yōu)點(diǎn)。下面將參照圖，對本發(fā)明作進(jìn)一步詳細(xì)的說明。

附圖說明

構(gòu)成本申請的一部分的附圖用來提供對本發(fā)明的進(jìn)一步理解，本發(fā)明的示意性實(shí)施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。在附圖中：

圖1是本發(fā)明人臉屬性識別方法第一優(yōu)選實(shí)施例的流程示意圖；

圖2為圖1中利用深度殘差網(wǎng)絡(luò)對已收集的人臉圖像的人臉屬性進(jìn)行訓(xùn)練，得到帶有多種人臉屬性特征的多屬性網(wǎng)絡(luò)訓(xùn)練模型的步驟優(yōu)選實(shí)施例的細(xì)化流程示意圖；

圖3為本發(fā)明人臉屬性識別方法優(yōu)選實(shí)施例中人臉多屬性網(wǎng)絡(luò)訓(xùn)練流程圖；

圖4為圖2中對深度殘差網(wǎng)絡(luò)進(jìn)行拓展，將深度殘差網(wǎng)絡(luò)輸出的人臉特征向量集中訓(xùn)練成多屬性網(wǎng)絡(luò)模型的步驟優(yōu)選實(shí)施例的細(xì)化流程示意圖；

圖5為圖1中運(yùn)用得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型來對待識別圖像的人臉屬性進(jìn)行多屬性預(yù)測，以識別待識別圖像中的多種人臉屬性的步驟優(yōu)選實(shí)施例的細(xì)化流程示意圖；

圖6為本發(fā)明人臉屬性識別方法優(yōu)選實(shí)施例中人臉多屬性預(yù)測流程圖；

圖7為本發(fā)明人臉屬性識別裝置第一優(yōu)選實(shí)施例的功能框圖；

圖8為圖7中訓(xùn)練模塊優(yōu)選實(shí)施例的功能模塊示意圖；

圖9為圖8中拓展單元優(yōu)選實(shí)施例的功能模塊示意圖；

圖10為圖7中預(yù)測模塊優(yōu)選實(shí)施例的功能模塊示意圖。

附圖標(biāo)號說明：

10、訓(xùn)練模塊；20、預(yù)測模塊；11、第一提取單元；12、拓展單元；121、連接子單元；122、訓(xùn)練圖像獲取子單元；123、損失計(jì)算子單元；21、第二提取單元；22、獲取單元；23、計(jì)算單元。

具體實(shí)施方式

需要說明的是，在不沖突的情況下，本申請中的實(shí)施例及實(shí)施例中的特征可以相互組合。下面將參考附圖并結(jié)合實(shí)施例來詳細(xì)說明本發(fā)明。

參照圖1，本發(fā)明的優(yōu)選實(shí)施例提供一種人臉屬性識別方法，包括步驟：

步驟s100、利用深度殘差網(wǎng)絡(luò)對已收集的人臉圖像的人臉屬性進(jìn)行訓(xùn)練，得到帶有多種人臉屬性特征的多屬性網(wǎng)絡(luò)訓(xùn)練模型。

由于不同的人臉屬性相互間具有相關(guān)性，通過一個深度殘差網(wǎng)絡(luò)訓(xùn)練已收集的人臉圖像的所有人臉屬性，得到帶有多種人臉屬性特征的多屬性網(wǎng)絡(luò)訓(xùn)練模型。在機(jī)器學(xué)習(xí)中，訓(xùn)練是用帶有標(biāo)簽的人臉圖像來訓(xùn)練一個機(jī)器學(xué)習(xí)的模型。由于深度殘差網(wǎng)絡(luò)具有更深的網(wǎng)絡(luò)層數(shù)，對于不同的任務(wù)訓(xùn)練都取得了很好的效果。其中，人臉屬性包括年齡、性別、眼鏡、頭部姿態(tài)、胡須、眼睛狀態(tài)和微笑程度等中的二種或二種以上。

步驟s200、運(yùn)用得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型來對待識別圖像的人臉屬性進(jìn)行多屬性預(yù)測，以識別待識別圖像中的多種人臉屬性。

將待識別圖像輸入到訓(xùn)練得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型中，運(yùn)用多屬性網(wǎng)絡(luò)訓(xùn)練模型來對待識別圖像的人臉屬性進(jìn)行多屬性預(yù)測，以識別待識別圖像中的多種人臉屬性，并輸出識別結(jié)果。預(yù)測是指用訓(xùn)練得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型對未知標(biāo)簽的待識別圖像做預(yù)測，預(yù)測待識別圖像的未知標(biāo)簽。在本實(shí)施例中，對于性別、眼鏡、微笑這種較為容易的二分類問題，直接用softmax層得出該屬性是或否的概率，把最大概率值作為該屬性的預(yù)測。對于年齡，softmax層輸出與年齡對應(yīng)的80維年齡預(yù)測概率分布，用概率分布與標(biāo)準(zhǔn)年齡基求相似性，用相似性得到的權(quán)重對標(biāo)準(zhǔn)年齡基加權(quán)求和，最大值對應(yīng)維度為年齡屬性的預(yù)測。

本實(shí)施例提供的人臉屬性識別方法，利用深度殘差網(wǎng)絡(luò)對已收集的人臉圖像的人臉屬性進(jìn)行訓(xùn)練，得到帶有多種人臉屬性特征的多屬性網(wǎng)絡(luò)訓(xùn)練模型；運(yùn)用得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型來對待識別圖像的人臉屬性進(jìn)行多屬性預(yù)測，以識別待識別圖像中的多種人臉屬性。本實(shí)施例提供的人臉屬性識別方法，利用一個深度殘差網(wǎng)絡(luò)對已收集的人臉圖像的人臉屬性進(jìn)行訓(xùn)練，根據(jù)特定任務(wù)訓(xùn)練得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型對待識別圖像的人臉屬性進(jìn)行多屬性預(yù)測，因多屬性網(wǎng)絡(luò)模型能提取出更強(qiáng)表達(dá)能力的人臉特征，從而可快速準(zhǔn)確識別人臉圖像中的多種人臉屬性。

優(yōu)選地，如圖2所示，本實(shí)施例提供的人臉屬性識別方法，步驟s100包括：

步驟s110、將已收集的人臉圖像輸入深度殘差網(wǎng)絡(luò)，利用深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)提取人臉圖像中的人臉屬性特征，以在深度殘差網(wǎng)絡(luò)中輸出人臉特征向量。

深度殘差網(wǎng)絡(luò)是在2015年由微軟亞洲實(shí)驗(yàn)室提出的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)具有更深的網(wǎng)絡(luò)層數(shù)，在多項(xiàng)圖像相關(guān)競賽中奪冠。在本實(shí)施例中，利用深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)提取人臉圖像中的人臉屬性特征，以在深度殘差網(wǎng)絡(luò)中輸出人臉特征向量，人臉屬性包括年齡、性別、眼鏡、頭部姿態(tài)、胡須、眼睛狀態(tài)和微笑程度等中的二種或二種以上。

步驟s120、對深度殘差網(wǎng)絡(luò)進(jìn)行拓展，將深度殘差網(wǎng)絡(luò)輸出的人臉特征向量集中訓(xùn)練成多屬性網(wǎng)絡(luò)模型。

利用網(wǎng)上公布的在imagenet數(shù)據(jù)集上訓(xùn)練的網(wǎng)絡(luò)模型，對提取的人臉圖像中的人臉屬性特征進(jìn)行再訓(xùn)練來得到多屬性網(wǎng)絡(luò)模型。原深度殘差網(wǎng)絡(luò)輸出為1000維向量，對圖像做分類，能夠分類1000類物體，對應(yīng)輸出1000維度，每一維度對應(yīng)識別為某種分類物體的概率。在本實(shí)施例中，為了訓(xùn)練多屬性網(wǎng)絡(luò)，對深度殘差網(wǎng)絡(luò)進(jìn)行拓展，在深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)后面添加與每個屬性相對應(yīng)的損失函數(shù)層，使每個損失函數(shù)層都與深度殘差網(wǎng)絡(luò)的輸出層相連。如圖3所示，對于殘差網(wǎng)絡(luò)輸出的1000維特征向量分別連接不同的全連接層來識別不同任務(wù)。

本實(shí)施例提供的人臉屬性識別方法，將已收集的人臉圖像輸入深度殘差網(wǎng)絡(luò)，利用深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)提取人臉圖像中的人臉屬性特征，以在深度殘差網(wǎng)絡(luò)中輸出人臉特征向量；對深度殘差網(wǎng)絡(luò)進(jìn)行拓展，將深度殘差網(wǎng)絡(luò)輸出的人臉特征向量集中訓(xùn)練成多屬性網(wǎng)絡(luò)模型。本實(shí)施例提供的人臉屬性識別方法，利用一個深度殘差網(wǎng)絡(luò)實(shí)現(xiàn)人臉圖像多屬性的識別，根據(jù)特定任務(wù)訓(xùn)練出來的多屬性網(wǎng)絡(luò)模型提取出更強(qiáng)表達(dá)能力的人臉特征，實(shí)現(xiàn)人臉屬性的快速準(zhǔn)確的識別。

優(yōu)選地，如圖4所示，本實(shí)施例提供的人臉屬性識別方法，步驟s120包括：

步驟s121、在深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)后面添加深度神經(jīng)網(wǎng)絡(luò)的全連接層，使全連接層與深度殘差網(wǎng)絡(luò)輸出的人臉特征向量對應(yīng)連接。

請見圖3，由于臉部特征具有相關(guān)性，通過在深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)后面添加不同的深度神經(jīng)網(wǎng)絡(luò)的全連接層，使全連接層與深度殘差網(wǎng)絡(luò)輸出的1000維多屬性特征向量對應(yīng)連接。從而使不同屬性的識別可以共享同一個神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)多個屬性的同時(shí)訓(xùn)練與識別，最大限度加快訓(xùn)練與預(yù)測速度。

步驟s122、將深度殘差網(wǎng)絡(luò)中輸出的人臉特征向量對應(yīng)輸入到全連接層上，得到設(shè)定維度的人臉特征訓(xùn)練圖像的多屬性特征。

參見圖3，對于深度殘差網(wǎng)絡(luò)輸出的1000維特征向量分別連接不同的全連接層來識別不同任務(wù)。其中，對于年齡屬性，在對應(yīng)的全連接層fc1上輸出80維的人臉特征訓(xùn)練圖像的年齡屬性。對于性別屬性，在對應(yīng)的全連接層fc2上輸出2維的人臉特征訓(xùn)練圖像的性別屬性特征。對于眼鏡屬性，在對應(yīng)的全連接層fc3上輸出2維的人臉特征訓(xùn)練圖像的眼鏡屬性特征。

步驟s123、在深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)后面添加深度神經(jīng)網(wǎng)絡(luò)的損失函數(shù)層，使損失函數(shù)層與深度殘差網(wǎng)絡(luò)中的輸出層對應(yīng)相連，獲取多屬性人臉特征訓(xùn)練圖像中的訓(xùn)練數(shù)據(jù)集標(biāo)簽，計(jì)算出深度殘差網(wǎng)絡(luò)中多屬性人臉特征訓(xùn)練圖像前向傳播時(shí)的損失。

對于年齡屬性，不再使用常規(guī)的多年齡的分類方法來訓(xùn)練，而是將待識別圖像的年齡標(biāo)簽看作高斯函數(shù)的形式，利用交叉熵來計(jì)算深度殘差網(wǎng)絡(luò)中多屬性人臉特征訓(xùn)練圖像前向傳播時(shí)的損失。對于年齡為age的訓(xùn)練圖像，多屬性人臉特征訓(xùn)練圖像的年齡標(biāo)簽為：

其中，οage為該年齡對應(yīng)標(biāo)準(zhǔn)差，i取值從1到80表示預(yù)測年齡范圍為1歲到80歲。對于不同年齡設(shè)置οage有區(qū)別，在設(shè)定的年齡閾值范圍外時(shí)，例如較小年齡(<10歲)以及較大年齡(>70歲)設(shè)置更小的οage，從而可以避免邊緣年齡識別向中間年齡段偏移的問題。

將全連接層fc1輸出的多屬性人臉特征訓(xùn)練圖像中的80維年齡特征通過softmax層，輸出多屬性人臉特征訓(xùn)練圖像屬于每個年齡的概率，softmax運(yùn)算如下：

其中，x為輸入向量，p為輸出概率。交叉熵函數(shù)能夠更好的度量兩個概率分布之間的距離，因此計(jì)算輸出年齡概率p＝[p1,p2,…,p80]和標(biāo)簽q＝[q1,q2,…,q80]之間的損失使用的交叉熵代價(jià)函數(shù)，對于訓(xùn)練樣本標(biāo)簽，如下式所示：

其中，n為訓(xùn)練圖像張數(shù)，i為對應(yīng)維度。

對于除年齡屬性外的其他屬性使用softmax損失函數(shù)計(jì)算代價(jià)并進(jìn)行優(yōu)化，softmax代價(jià)函數(shù)如下所示：

其中，pj為softmax運(yùn)算概率值，j為多屬性人臉特征訓(xùn)練圖像真實(shí)的類別編號。

通過以上運(yùn)算，可以計(jì)算每一個屬性對應(yīng)的代價(jià)。并通過反向傳播算法更新網(wǎng)絡(luò)參數(shù)。

本實(shí)施例提供的人臉屬性識別方法，通過將深度殘差網(wǎng)絡(luò)中輸出的人臉特征向量對應(yīng)輸入到全連接層上，得到設(shè)定維度的人臉特征訓(xùn)練圖像的多屬性特征；在深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)后面添加深度神經(jīng)網(wǎng)絡(luò)的損失函數(shù)層，使損失函數(shù)層與深度殘差網(wǎng)絡(luò)中的輸出層對應(yīng)相連，獲取多屬性人臉特征訓(xùn)練圖像中的訓(xùn)練數(shù)據(jù)集標(biāo)簽，計(jì)算出深度殘差網(wǎng)絡(luò)中多屬性人臉特征訓(xùn)練圖像前向傳播時(shí)的損失。本實(shí)施例提供的人臉屬性識別方法，通過添加不同的神經(jīng)網(wǎng)絡(luò)的全連接層，從而使不同屬性的識別共享同一個神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)多個屬性的同時(shí)訓(xùn)練與識別，最大限度加快訓(xùn)練與預(yù)測速度；對于所有屬性中難度較大的年齡識別問題，將所有年齡圖像的標(biāo)簽表示為有方差區(qū)別的高斯函數(shù)的形式，采用交叉熵作為代價(jià)函數(shù)做訓(xùn)練，以得出合理的年齡預(yù)測方案，該方案通過一種軟分配的方法使得年齡識別具有更強(qiáng)的魯棒性。

優(yōu)選地，如圖5所示，本實(shí)施例提供的人臉屬性識別方法，步驟s200包括：

步驟s210、將待識別圖像輸入多屬性網(wǎng)絡(luò)訓(xùn)練模型，提取待識別圖像中的多屬性人臉特征。

人臉多屬性預(yù)測的整體方案如圖6所示。將待識別圖像輸入多屬性網(wǎng)絡(luò)訓(xùn)練模型，通過多屬性網(wǎng)絡(luò)訓(xùn)練模型提取待識別圖像中的多屬性人臉特征，網(wǎng)絡(luò)輸出1000維特征向量。

步驟s220、將提取的多屬性人臉特征分別輸入對應(yīng)的全連接層，得到設(shè)定維度的人臉圖像多屬性預(yù)測特征。

對于年齡屬性，將多屬性網(wǎng)絡(luò)訓(xùn)練模型網(wǎng)絡(luò)輸出的1000維特征向量輸入對應(yīng)的全連接層fc1，在全連接層fc1中輸出具有80維年齡特征的人臉圖像多屬性預(yù)測特征。對于性別、是否戴眼鏡等其他屬性，將1000維特征向量輸入對應(yīng)的全連接層fci，在全連接層fci中輸出具有2維特征的人臉圖像多屬性預(yù)測特征。

步驟s230、將全連接層的輸出結(jié)果送入softmax層，計(jì)算出多屬性人臉特征的最大概率值，以識別待識別圖像中的多種人臉屬性。

對于年齡屬性，將全連接層fc1輸出結(jié)果送入對應(yīng)的softmax層，以計(jì)算出初始的各年齡預(yù)測概率的結(jié)果，輸出預(yù)測年齡。對于性別、是否戴眼鏡等其他屬性，通過對應(yīng)的softmax層計(jì)算出2維特征屬性是與否的概率，并取最大概率對應(yīng)情況判斷2維特征屬性情況。

在本實(shí)施例中，網(wǎng)絡(luò)訓(xùn)練結(jié)束后通過多屬性網(wǎng)絡(luò)訓(xùn)練模型預(yù)測待識別圖像的多種人臉屬性。對于除年齡外的其他屬性，參考圖6可得到。對于年齡屬性，構(gòu)造一組標(biāo)準(zhǔn)特征基。因?yàn)榫W(wǎng)絡(luò)輸出特征結(jié)果可能存在誤差，但相似年齡圖像輸出特征是相似的，通過特征比對找到相似年齡圖像并利用軟分配的方法將年齡標(biāo)簽加權(quán)求和，實(shí)現(xiàn)更準(zhǔn)確的年齡識別。

對于每個年齡挑選n張圖像作為標(biāo)準(zhǔn)年齡圖像，生成維度與年齡對應(yīng)的80維年齡特征f(即圖6中fc1通過softmax運(yùn)算后的結(jié)果)作為標(biāo)準(zhǔn)年齡特征基。對于每張待識別圖像同樣提取80維年齡特征f，并計(jì)算80維年齡特征f與標(biāo)準(zhǔn)年齡特征基之間的權(quán)重εi：

其中，f為80維年齡特征，為特征基中第i幅圖像特征。

將εi乘以圖像i對應(yīng)的標(biāo)準(zhǔn)的標(biāo)簽label作為圖像i對于年齡預(yù)測的貢獻(xiàn)值，將年齡特征基中所有圖像貢獻(xiàn)值對應(yīng)維度相加所得到的80維向量，則為最終預(yù)測結(jié)果，80維向量中最大值對應(yīng)維度即為預(yù)測年齡。

本實(shí)施例提供的人臉屬性識別方法，將待識別圖像輸入多屬性網(wǎng)絡(luò)訓(xùn)練模型，提取待識別圖像中的多屬性人臉特征；將提取的多屬性人臉特征分別輸入對應(yīng)的全連接層，得到設(shè)定維度的人臉圖像多屬性預(yù)測特征；將全連接層的輸出結(jié)果送入softmax層，計(jì)算出多屬性人臉特征的最大概率值，以識別待識別圖像中的多種人臉屬性。本實(shí)施例提供的人臉屬性識別方法，由于臉部特征都具有相關(guān)性，通過添加不同的神經(jīng)網(wǎng)絡(luò)全連接層，不同屬性的識別可以共享同一個神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)多個屬性的同時(shí)訓(xùn)練與識別，最大限度加快訓(xùn)練與預(yù)測速度；預(yù)測時(shí)利用年齡特征基里的標(biāo)準(zhǔn)標(biāo)簽加權(quán)求和來選出年齡預(yù)測結(jié)果。對于訓(xùn)練好的多屬性網(wǎng)絡(luò)訓(xùn)練模型，生成與各個年齡段對應(yīng)維度的年齡特征，并將生成的對應(yīng)維度的年齡特征作為年齡特征基。在待識別圖像中提取年齡特征向量，并將提取的年齡特征向量與所有年齡特征基計(jì)算距離，用距離的指數(shù)函數(shù)加權(quán)年齡特征基所對應(yīng)的待識別圖像的標(biāo)準(zhǔn)標(biāo)簽，將所有加權(quán)后的標(biāo)準(zhǔn)標(biāo)簽相加后求和，最大值對應(yīng)維度則為年齡預(yù)測值。該方案通過一種軟分配的方法使得年齡識別具有更強(qiáng)的魯棒性。

優(yōu)選地，如圖7所示，本實(shí)施例還提供一種人臉屬性識別裝置，包括：訓(xùn)練模塊10，用于利用深度殘差網(wǎng)絡(luò)對已收集的人臉圖像的人臉屬性進(jìn)行訓(xùn)練，得到帶有多種人臉屬性特征的多屬性網(wǎng)絡(luò)訓(xùn)練模型；預(yù)測模塊20，用于運(yùn)用得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型來對待識別圖像的人臉屬性進(jìn)行多屬性預(yù)測，以識別待識別圖像中的多種人臉屬性。

由于不同的人臉屬性相互間具有相關(guān)性，通過訓(xùn)練模塊10訓(xùn)練已收集的人臉圖像的所有人臉屬性，得到帶有多種人臉屬性特征的多屬性網(wǎng)絡(luò)訓(xùn)練模型。在機(jī)器學(xué)習(xí)中，訓(xùn)練是用帶有標(biāo)簽的人臉圖像來訓(xùn)練一個機(jī)器學(xué)習(xí)的模型。由于深度殘差網(wǎng)絡(luò)具有更深的網(wǎng)絡(luò)層數(shù)，對于不同的任務(wù)訓(xùn)練都取得了很好的效果。其中，人臉屬性包括年齡、性別、眼鏡、頭部姿態(tài)、胡須、眼睛狀態(tài)和微笑程度等中的二種或二種以上。

將待識別圖像輸入到訓(xùn)練得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型中，預(yù)測模塊20運(yùn)用多屬性網(wǎng)絡(luò)訓(xùn)練模型來對待識別圖像的人臉屬性進(jìn)行多屬性預(yù)測，以識別待識別圖像中的多種人臉屬性，并輸出識別結(jié)果。預(yù)測是指用訓(xùn)練得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型對未知標(biāo)簽的待識別圖像做預(yù)測，預(yù)測待識別圖像的未知標(biāo)簽。在本實(shí)施例中，對于性別、眼鏡、微笑這種較為容易的二分類問題，直接用softmax層得出該屬性是或否的概率，把最大概率值作為該屬性的預(yù)測。對于年齡，softmax層輸出與年齡對應(yīng)的80維年齡預(yù)測概率分布，用概率分布與標(biāo)準(zhǔn)年齡基求相似性，用相似性得到的權(quán)重對標(biāo)準(zhǔn)年齡基加權(quán)求和，最大值對應(yīng)維度為年齡屬性的預(yù)測。

本實(shí)施例提供的人臉屬性識別裝置，通過利用深度殘差網(wǎng)絡(luò)對已收集的人臉圖像的人臉屬性進(jìn)行訓(xùn)練，得到帶有多種人臉屬性特征的多屬性網(wǎng)絡(luò)訓(xùn)練模型；運(yùn)用得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型來對待識別圖像的人臉屬性進(jìn)行多屬性預(yù)測，以識別待識別圖像中的多種人臉屬性。本實(shí)施例提供的人臉屬性識別裝置，通過訓(xùn)練得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型對待識別圖像的人臉屬性進(jìn)行多屬性預(yù)測，可快速準(zhǔn)確識別人臉圖像中的多種人臉屬性。利用深度殘差網(wǎng)絡(luò)對已收集的人臉圖像的人臉屬性進(jìn)行訓(xùn)練，得到帶有多種人臉屬性特征的多屬性網(wǎng)絡(luò)訓(xùn)練模型；運(yùn)用得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型來對待識別圖像的人臉屬性進(jìn)行多屬性預(yù)測，以識別待識別圖像中的多種人臉屬性。本實(shí)施例提供的人臉屬性識別方法，利用一個深度殘差網(wǎng)絡(luò)對已收集的人臉圖像的人臉屬性進(jìn)行訓(xùn)練，根據(jù)特定任務(wù)訓(xùn)練得到的多屬性網(wǎng)絡(luò)訓(xùn)練模型對待識別圖像的人臉屬性進(jìn)行多屬性預(yù)測，因多屬性網(wǎng)絡(luò)模型能提取出更強(qiáng)表達(dá)能力的人臉特征，從而可快速準(zhǔn)確識別人臉圖像中的多種人臉屬性。

優(yōu)選地，本實(shí)施例提供的人臉屬性識別裝置，訓(xùn)練模塊10包括第一提取單元11和拓展單元12，第一提取單元11，用于將已收集的人臉圖像輸入深度殘差網(wǎng)絡(luò)，利用深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)提取人臉圖像中的人臉屬性特征，以在深度殘差網(wǎng)絡(luò)中輸出人臉特征向量；拓展單元12，用于對深度殘差網(wǎng)絡(luò)進(jìn)行拓展，將深度殘差網(wǎng)絡(luò)輸出的人臉特征向量集中訓(xùn)練成多屬性網(wǎng)絡(luò)模型。

深度殘差網(wǎng)絡(luò)是在2015年由微軟亞洲實(shí)驗(yàn)室提出的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)具有更深的網(wǎng)絡(luò)層數(shù)，在多項(xiàng)圖像相關(guān)競賽中奪冠。在本實(shí)施例中，利用第一提取單元11提取人臉圖像中的人臉屬性特征，以在深度殘差網(wǎng)絡(luò)中輸出人臉特征向量，人臉屬性包括年齡、性別、眼鏡、頭部姿態(tài)、胡須、眼睛狀態(tài)和微笑程度等中的二種或二種以上。

利用網(wǎng)上公布的在imagenet數(shù)據(jù)集上訓(xùn)練的網(wǎng)絡(luò)模型，對提取的人臉圖像中的人臉屬性特征進(jìn)行再訓(xùn)練來得到網(wǎng)絡(luò)模型。原深度殘差網(wǎng)絡(luò)輸出為1000維特征向量，對圖像做分類，能夠分類1000類物體，對應(yīng)輸出1000維度，每一維度對應(yīng)識別為某種分類物體的概率。在本實(shí)施例中，為了訓(xùn)練多屬性網(wǎng)絡(luò)，拓展單元12在深度殘差網(wǎng)絡(luò)進(jìn)行拓展，在深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)后面添加每個屬性的損失函數(shù)層，使每個損失函數(shù)層都與原深度殘差網(wǎng)絡(luò)的輸出層相連。如圖3所示，對于殘差網(wǎng)絡(luò)輸出的1000維特征向量分別連接不同的全連接層來識別不同任務(wù)。

本實(shí)施例提供的人臉屬性識別裝置，將已收集的人臉圖像輸入深度殘差網(wǎng)絡(luò)，利用深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)提取人臉圖像中的人臉屬性特征，以在深度殘差網(wǎng)絡(luò)中輸出人臉特征向量；對深度殘差網(wǎng)絡(luò)進(jìn)行拓展，將深度殘差網(wǎng)絡(luò)輸出的人臉特征向量集中訓(xùn)練成多屬性網(wǎng)絡(luò)模型。本實(shí)施例提供的人臉屬性識別裝置，利用一個深度殘差網(wǎng)絡(luò)實(shí)現(xiàn)人臉圖像多屬性的識別，根據(jù)特定任務(wù)訓(xùn)練出來的多屬性網(wǎng)絡(luò)模型提取出更強(qiáng)表達(dá)能力的特征，實(shí)現(xiàn)人臉屬性的快速準(zhǔn)確的識別。

優(yōu)選地，本實(shí)施例提供的人臉屬性識別裝置，拓展單元12包括連接子單元121、訓(xùn)練圖像獲取子單元122和損失計(jì)算子單元123，連接子單元121，用于在深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)后面添加深度神經(jīng)網(wǎng)絡(luò)的全連接層，使全連接層與深度殘差網(wǎng)絡(luò)輸出的人臉特征向量對應(yīng)連接。訓(xùn)練圖像獲取子單元122，用于將深度殘差網(wǎng)絡(luò)中輸出的人臉特征向量對應(yīng)輸入到全連接層上，得到設(shè)定維度的人臉特征訓(xùn)練圖像的多屬性特征。損失計(jì)算子單元123，用于在深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)后面添加深度神經(jīng)網(wǎng)絡(luò)的損失函數(shù)層，使損失函數(shù)層與深度殘差網(wǎng)絡(luò)中的輸出層對應(yīng)相連，獲取多屬性人臉特征訓(xùn)練圖像中的訓(xùn)練數(shù)據(jù)集標(biāo)簽，計(jì)算出深度殘差網(wǎng)絡(luò)中多屬性人臉特征訓(xùn)練圖像前向傳播時(shí)的損失。

請見圖3，由于臉部特征具有相關(guān)性，通過在深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)后面添加不同的深度神經(jīng)網(wǎng)絡(luò)的全連接層，使全連接層與深度殘差網(wǎng)絡(luò)輸出的1000維多屬性特征向量對應(yīng)連接。從而使不同屬性的識別可以共享同一個神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)多個屬性的同時(shí)訓(xùn)練與識別，最大限度加快訓(xùn)練與預(yù)測速度。

參見圖3，對于深度殘差網(wǎng)絡(luò)輸出的1000維特征向量分別連接不同的全連接層來識別不同任務(wù)。其中，對于年齡屬性，在對應(yīng)的全連接層fc1上輸出80維的人臉特征訓(xùn)練圖像的年齡屬性。對于性別屬性，在對應(yīng)的全連接層fc2上輸出2維的人臉特征訓(xùn)練圖像的性別屬性特征。對于眼鏡屬性，在對應(yīng)的全連接層fc3上輸出2維的人臉特征訓(xùn)練圖像的眼鏡屬性特征。

對于年齡屬性，不再使用常規(guī)的多年齡的分類方法來訓(xùn)練，而是通過損失計(jì)算子單元123將待識別圖像的年齡標(biāo)簽看作高斯函數(shù)的形式，利用交叉熵來計(jì)算深度殘差網(wǎng)絡(luò)中多屬性人臉特征訓(xùn)練圖像前向傳播時(shí)的損失。對于年齡為age的訓(xùn)練圖像，多屬性人臉特征訓(xùn)練圖像的年齡標(biāo)簽為：

其中，οage為該年齡對應(yīng)標(biāo)準(zhǔn)差，i取值從1到80表示預(yù)測年齡范圍為1歲到80歲。對于不同年齡設(shè)置οage有區(qū)別，在設(shè)定的年齡閾值范圍外時(shí)，例如較小年齡(<10歲)以及較大年齡(>70歲)設(shè)置更小的οage，從而可以避免邊緣年齡識別向中間年齡段偏移的問題。

將全連接層fc1輸出的多屬性人臉特征訓(xùn)練圖像中的80維年齡特征通過softmax層，輸出多屬性人臉特征訓(xùn)練圖像屬于每個年齡的概率，softmax運(yùn)算如下：

其中，x為輸入向量，p為輸出概率。交叉熵函數(shù)能夠更好的度量兩個概率分布之間的距離，因此計(jì)算輸出年齡概率p＝[p1,p2,…,p80]和標(biāo)簽q＝[q1,q2,…,q80]之間的損失使用的交叉熵代價(jià)函數(shù)，對于訓(xùn)練樣本標(biāo)簽，如下式所示：

其中，n為訓(xùn)練圖像張數(shù)，i為對應(yīng)維度。

對于除年齡屬性外的其他屬性使用softmax損失函數(shù)計(jì)算代價(jià)并進(jìn)行優(yōu)化，softmax代價(jià)函數(shù)如下所示：

其中，pj為softmax運(yùn)算概率值，j為多屬性人臉特征訓(xùn)練圖像真實(shí)的類別編號。

通過以上運(yùn)算，可以計(jì)算每一個屬性對應(yīng)的代價(jià)。并通過反向傳播算法更新網(wǎng)絡(luò)參數(shù)。

本實(shí)施例提供的人臉屬性識別裝置，通過將深度殘差網(wǎng)絡(luò)中輸出的人臉特征向量對應(yīng)輸入到全連接層上，得到設(shè)定維度的人臉特征訓(xùn)練圖像的多屬性特征；在深度殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)后面添加深度神經(jīng)網(wǎng)絡(luò)的損失函數(shù)層，使損失函數(shù)層與深度殘差網(wǎng)絡(luò)中的輸出層對應(yīng)相連，獲取多屬性人臉特征訓(xùn)練圖像中的訓(xùn)練數(shù)據(jù)集標(biāo)簽，計(jì)算出深度殘差網(wǎng)絡(luò)中多屬性人臉特征訓(xùn)練圖像前向傳播時(shí)的損失。本實(shí)施例提供的人臉屬性識別方法裝置，通過添加不同的神經(jīng)網(wǎng)絡(luò)的全連接層，從而使不同屬性的識別共享同一個神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)多個屬性的同時(shí)訓(xùn)練與識別，最大限度加快訓(xùn)練與預(yù)測速度；對于所有屬性中難度較大的年齡識別問題，將所有年齡圖像的標(biāo)簽表示為有方差區(qū)別的高斯函數(shù)的形式，采用交叉熵作為代價(jià)函數(shù)做訓(xùn)練，以得出合理的年齡預(yù)測方案，該方案通過一種軟分配的方法使得年齡識別具有更強(qiáng)的魯棒性。

優(yōu)選地，本實(shí)施例提供的人臉屬性識別裝置，預(yù)測模塊20包括第二提取單元21、獲取單元22和計(jì)算單元23，第二提取單元21，用于將待識別圖像輸入多屬性網(wǎng)絡(luò)訓(xùn)練模型，提取待識別圖像中的多屬性人臉特征；獲取單元22，用于將提取的多屬性人臉特征分別輸入對應(yīng)的全連接層，得到設(shè)定維度的人臉圖像多屬性預(yù)測特征；計(jì)算單元23，用于將全連接層的輸出結(jié)果送入softmax層，計(jì)算出多屬性人臉特征的最大概率值，以識別待識別圖像中的多種人臉屬性。

人臉多屬性預(yù)測的整體方案如圖6所示。將待識別圖像輸入多屬性網(wǎng)絡(luò)訓(xùn)練模型，第二提取單元21通過多屬性網(wǎng)絡(luò)訓(xùn)練模型提取待識別圖像中的多屬性人臉特征，網(wǎng)絡(luò)輸出1000維特征向量。

對于年齡屬性，獲取單元22將多屬性網(wǎng)絡(luò)訓(xùn)練模型網(wǎng)絡(luò)輸出的1000維特征向量輸入對應(yīng)的全連接層fc1，在全連接層fc1中輸出具有80維年齡特征的人臉圖像多屬性預(yù)測特征。對于性別、是否戴眼鏡等其他屬性，獲取單元22將1000維特征向量輸入對應(yīng)的全連接層fci，在全連接層fci中輸出具有2維特征的人臉圖像多屬性預(yù)測特征。

對于年齡屬性，計(jì)算單元23將全連接層fc1輸出結(jié)果送入對應(yīng)的softmax層，以計(jì)算出初始的各年齡預(yù)測概率的結(jié)果，輸出預(yù)測年齡。對于性別、是否戴眼鏡等其他屬性，計(jì)算單元23通過對應(yīng)的softmax層計(jì)算出2維特征屬性是與否的概率，并取最大概率對應(yīng)情況判斷2維特征屬性情況。

在本實(shí)施例中，網(wǎng)絡(luò)訓(xùn)練結(jié)束后通過多屬性網(wǎng)絡(luò)訓(xùn)練模型預(yù)測待識別圖像的多種人臉屬性。對于除年齡外的其他屬性，參考圖6可得到。對于年齡屬性，構(gòu)造一組標(biāo)準(zhǔn)特征基。因?yàn)榫W(wǎng)絡(luò)輸出特征結(jié)果可能存在誤差，但相似年齡圖像輸出特征是相似的，通過特征比對找到相似年齡圖像并利用軟分配的方法將年齡標(biāo)簽加權(quán)求和，實(shí)現(xiàn)更準(zhǔn)確的年齡識別。

對于每個年齡挑選n張圖像作為標(biāo)準(zhǔn)年齡圖像，生成維度與年齡對應(yīng)的80維年齡特征f(即圖6中fc1通過softmax運(yùn)算后的結(jié)果)作為標(biāo)準(zhǔn)年齡特征基。對于每張待識別圖像同樣提取80維年齡特征f，并計(jì)算80維年齡特征f與標(biāo)準(zhǔn)年齡特征基之間的權(quán)重εi：

其中，f為80維年齡特征，為特征基中第i幅圖像特征。

將εi乘以圖像i對應(yīng)的標(biāo)準(zhǔn)的標(biāo)簽label作為圖像i對于年齡預(yù)測的貢獻(xiàn)值，將年齡特征基中所有圖像貢獻(xiàn)值對應(yīng)維度相加所得到的80維向量，則為最終預(yù)測結(jié)果，80維向量中最大值對應(yīng)維度即為預(yù)測年齡。

本實(shí)施例提供的人臉屬性識別裝置，將待識別圖像輸入多屬性網(wǎng)絡(luò)訓(xùn)練模型，提取待識別圖像中的多屬性人臉特征；將提取的多屬性人臉特征分別輸入對應(yīng)的全連接層，得到設(shè)定維度的人臉圖像多屬性預(yù)測特征；將全連接層的輸出結(jié)果送入softmax層，計(jì)算出多屬性人臉特征的最大概率值，以識別待識別圖像中的多種人臉屬性。本實(shí)施例提供的人臉屬性識別裝置，由于臉部特征都具有相關(guān)性，通過添加不同的神經(jīng)網(wǎng)絡(luò)全連接層，不同屬性的識別可以共享同一個神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)多個屬性的同時(shí)訓(xùn)練與識別，最大限度加快訓(xùn)練與預(yù)測速度；預(yù)測時(shí)利用年齡特征基里的標(biāo)準(zhǔn)標(biāo)簽加權(quán)求和來選出年齡預(yù)測結(jié)果。對于訓(xùn)練好的多屬性網(wǎng)絡(luò)訓(xùn)練模型，生成與各個年齡段對應(yīng)維度的年齡特征，并將生成的對應(yīng)維度的年齡特征作為年齡特征基。在待識別圖像中提取年齡特征向量，并將提取的年齡特征向量與所有年齡特征基計(jì)算距離，用距離的指數(shù)函數(shù)加權(quán)年齡特征基所對應(yīng)的待識別圖像的標(biāo)準(zhǔn)標(biāo)簽，將所有加權(quán)后的標(biāo)準(zhǔn)標(biāo)簽相加后求和，最大值對應(yīng)維度則為年齡預(yù)測值。該方案通過一種軟分配的方法使得年齡識別具有更強(qiáng)的魯棒性。

以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù)人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。