kaiyun官方注册
您所在的位置: 首页> 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。
中图分类号:TN06;TP3
文献标识码:A
DOI:10.16157/j.issn.0258-7998.200354
中文引用格式:王高升. 人脸属性识别系统的设计与实现[J].电子技术应用,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

人脸的属性包含了人的面部相关重要的信息,如人的年龄、性别、种族等属性信息。人脸属性的识别就是借助提取出的人脸面部的属性信息然后再进行识别的过程。最近的几年来,随着计算机视觉技术、深度学习卷积神经网络的飞速发展与应用,出现了许多人脸检测与识别相关的应用,其中常见的一些应用场景包括:道路上的行人监控系统(如检测道路上的行人是否佩戴墨镜或者口罩等)、人脸识别的门禁系统[1]以及采用人脸识别的打卡签到系统等。虽然目前在人脸检测与人脸属性识别的方面得到了非常大的发展,不过很多的之前的研究仅仅局限于预测单个的人脸的属性(例如性别或者年龄)或者为每个的人脸属性信息都通过学习得到一个单独的用于进行识别的模型。

相比于基于HOG-多尺度LBP特征的人脸性别识别[2]的93.0%准确率,本文采用的人脸属性识别网络在性别属性识别的准确率上有了4.32%的提升。文献[2]提出了一种方向梯度直方图和多尺度局部二值模式多特征融合的人脸性别识别算法。首先,对输入图像进行裁剪和缩放得到多个分辨率的人脸图像,再分别提取LBP统计直方图并合成一个特征向量;然后提取目标图像头肩模型的HOG特征得到HOG特征向量;最后,将LBP特征向量与HOG特征向量合成一个新的特征向量,应用支持向量机进行训练。而相比于本文提出的采用深度卷积神经网络进行人脸检测及人脸属性的识别,本文的网络结构在性别属性识别上有着更好的效果。

同时本文采用的网络结构相比于DEPGHAN A[3]提出的基于MTL的DCNN网络去识别人脸的属性,其网络是基于不同的任务采用不同的数据集去训练该DCNN网络,本文通过采用Resnet50深度残差卷积神经网络同时进行人脸多属性的识别,使用一个网络结构实现多个人脸属性的识别而非单一人脸属性识别,同时本文人脸多属性识别的准确率相比于基于MTL的DCNN网络在年龄属性识别及性别属性识别上分别有7.64%和6.32%的提升,提升显著。




本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003487




作者信息:

王高升

(华北计算机系统工程研究所,北京100083)

此内容为AET网站原创,未经授权禁止转载。
Baidu
map