《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 人工智能 > 设计应用 > 人脸属性识别系统的设计与实现
人脸属性识别系统的设计与实现
2021年电子技术应用第4期
王高升
华北计算机系统工程研究所，北京100083
摘要： 目前，精确地进行人脸识别在现实场景中得到了大量的应用，如监控、门禁等，而只针对人脸属性进行的识别在娱乐、安防和社交媒体领域同样有着广泛的应用。因此，基于深度卷积神经网络MTCNN进行人脸检测，基于Resnet50网络进行人脸属性的识别，同时使用Python语言设计开发实现人脸属性识别应用界面的系统。通过数据实验，该系统使用基于深度卷积神经网络的人脸属性识别模型在性别、年龄以及种族属性的识别上准确率分别达到了97.32%、71.64%及92.13%，同时人脸属性识别应用系统能够稳定地运行，具有一定的应用价值。
中圖分類號(hào)： TN06；TP3
文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.200354
中文引用格式： 王高升. 人臉屬性識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].電子技術(shù)應(yīng)用，2021，47(4)：112-115，125.
英文引用格式： Wang Gaosheng. Design and implementation of face attribute recognition system[J]. Application of Electronic Technique，2021，47(4)：112-115，125.
Design and implementation of face attribute recognition system
Wang Gaosheng
National Computer System Engineering Research Institute of China，Beijing 100083，China
Abstract： At present, accurate face recognition has been widely used in real scenes, such as monitoring, access control, etc., and recognition only for face attributes is also widely used in entertainment, security and social media. Therefore, the paper is based on deep convolutional neural network MTCNN for face detection and Resnet50 network for face attribute recognition. At the same time, it uses Python language to design and develop a system that implements face attribute recognition application interface. Through data experiments, the system uses a face attribute recognition model based on deep convolutional neural networks to achieve 97.32%, 71.64% and 92.13% accuracy in identifying gender, age and ethnic attributes, respectively. At the same time, the face attribute recognition application system can run stably and has certain application value.
Key words : deep learning; convolutional neural network; face detection; face attributes recognition; application system development

0 引言

    人臉的屬性包含了人的面部相關(guān)重要的信息，如人的年齡、性別、種族等屬性信息。人臉屬性的識(shí)別就是借助提取出的人臉面部的屬性信息然后再進(jìn)行識(shí)別的過程。最近的幾年來，隨著計(jì)算機(jī)視覺技術(shù)、深度學(xué)習(xí)及卷積神經(jīng)網(wǎng)絡(luò)的飛速發(fā)展與應(yīng)用，出現(xiàn)了許多人臉檢測(cè)與識(shí)別相關(guān)的應(yīng)用，其中常見的一些應(yīng)用場景包括：道路上的行人監(jiān)控系統(tǒng)(如檢測(cè)道路上的行人是否佩戴墨鏡或者口罩等)、人臉識(shí)別的門禁系統(tǒng)[1]以及采用人臉識(shí)別的打卡簽到系統(tǒng)等。雖然目前在人臉檢測(cè)與人臉屬性識(shí)別的方面得到了非常大的發(fā)展，不過很多的之前的研究僅僅局限于預(yù)測(cè)單個(gè)的人臉的屬性(例如性別或者年齡)或者為每個(gè)的人臉屬性信息都通過學(xué)習(xí)得到一個(gè)單獨(dú)的用于進(jìn)行識(shí)別的模型。

    相比于基于HOG-多尺度LBP特征的人臉性別識(shí)別[2]的93.0%準(zhǔn)確率，本文采用的人臉屬性識(shí)別網(wǎng)絡(luò)在性別屬性識(shí)別的準(zhǔn)確率上有了4.32%的提升。文獻(xiàn)[2]提出了一種方向梯度直方圖和多尺度局部二值模式多特征融合的人臉性別識(shí)別算法。首先，對(duì)輸入圖像進(jìn)行裁剪和縮放得到多個(gè)分辨率的人臉圖像,再分別提取LBP統(tǒng)計(jì)直方圖并合成一個(gè)特征向量；然后提取目標(biāo)圖像頭肩模型的HOG特征得到HOG特征向量；最后，將LBP特征向量與HOG特征向量合成一個(gè)新的特征向量，應(yīng)用支持向量機(jī)進(jìn)行訓(xùn)練。而相比于本文提出的采用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉檢測(cè)及人臉屬性的識(shí)別，本文的網(wǎng)絡(luò)結(jié)構(gòu)在性別屬性識(shí)別上有著更好的效果。

    同時(shí)本文采用的網(wǎng)絡(luò)結(jié)構(gòu)相比于DEPGHAN A[3]提出的基于MTL的DCNN網(wǎng)絡(luò)去識(shí)別人臉的屬性，其網(wǎng)絡(luò)是基于不同的任務(wù)采用不同的數(shù)據(jù)集去訓(xùn)練該DCNN網(wǎng)絡(luò)，本文通過采用Resnet50深度殘差卷積神經(jīng)網(wǎng)絡(luò)同時(shí)進(jìn)行人臉多屬性的識(shí)別，使用一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)多個(gè)人臉屬性的識(shí)別而非單一人臉屬性識(shí)別，同時(shí)本文人臉多屬性識(shí)別的準(zhǔn)確率相比于基于MTL的DCNN網(wǎng)絡(luò)在年齡屬性識(shí)別及性別屬性識(shí)別上分別有7.64%和6.32%的提升，提升顯著。




本文詳細(xì)內(nèi)容請(qǐng)下載：http://ihrv.cn/resource/share/2000003487




作者信息：

王高升

(華北計(jì)算機(jī)系統(tǒng)工程研究所，北京100083)

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。

相關(guān)內(nèi)容