一种基于多通道卷积神经网络的人脸性别识别方法及装置制造方法
【专利摘要】本发明提供一种基于多通道卷积神经网络的人脸性别识别方法及装置，其中基于多通道卷积神经网络的人脸性别识别方法，包括：从当前获取的图像中得到人脸图像；对人脸图像进行处理，得到多个颜色通道信息；将多个颜色通道信息输入到预先得到的卷积神经网络中进行计算，得到表示性别的输出结果；当表示性别的输出结果在第一预设范围内时，标识人脸性别为男性；当表示性别的输出结果在第二预设范围内时，标识人脸性别为女性。这样通过将人脸图像中的多个颜色通道信息输入到预先得到的卷积神经网络中进行计算，得到表示性别的输出结果。与现有技术相比增加了性别识别的颜色特征，从而相对于基于单一的灰颜色通道信息识别来说提高性别识别准确度。
【专利说明】一种基于多通道卷积神经网络的人脸性别识别方法及装置
【技术领域】
[0001] 本发明涉及人脸性别识别【技术领域】，更具体地说，涉及一种基于多通道卷积神经 网络的人脸性别识别方法及装置。
【背景技术】
[0002] 基于人脸图像的性别识别方法是人脸图像信息利用计算机技术识别被观察者的 性别属性的过程，主要包括：人脸图像预处理、人脸性别特征提取、人脸性别分类和识别结 果稳定四步骤。其中，人脸性别特征提取是性别分类算法的前提，性别特征提取的好坏直接 影响着最后性别分类的性能。
[0003] 目前，人脸性别特征提取的方法总体分为两类，一类是人工设计，包括LBP(Local BinaryPatterns，局部二值模式），HOG(HistogramofOrientedGradient，方向梯度直方 图），SIFT(Scale-invariantFeatureTransform，尺度不变特征转换）等；另一类是自动 学习。人工设计的人脸性别特征提取方法具有识别效果好的特点，但是设计过程复杂，特征 挑选过程繁琐，一定程度上依赖于设计者的经验。基于自动学习的人脸性别特征提取方法 避免人工设计的缺点，同时达到了非常好的识别效果。
[0004] 基于自动学习的人脸性别特征提取方法在进行特征提取时，仅提取灰度颜色通道 信息进行人脸性别识别，虽然可以避免人工设计的缺点，但是其识别效果还是有一定缺陷。
【发明内容】
[0005] 有鉴于此，本发明的目的是提供一种基于多通道卷积神经网络的人脸性别识别方 法及装置，用于提高性别识别准确度。
[0006] 为了实现上述目的，本发明提供如下技术方案：
[0007] 本发明提供一种基于多通道卷积神经网络的人脸性别识别方法，包括：
[0008] 从当前获取的图像中得到人脸图像，其中所述人脸图像为RGB图像；
[0009] 对所述人脸图像进行处理，得到多个颜色通道信息；
[0010] 将所述多个颜色通道信息输入到预先得到的卷积神经网络中进行计算，得到表示 性别的输出结果；
[0011] 当所述表示性别的输出结果在第一预设范围内时，标识人脸性别为男性；
[0012] 当所述表示性别的输出结果在第二预设范围内时，标识人脸性别为女性。
[0013] 优选地，所述多个颜色通道信息包括红颜色通道信息、绿颜色通道信息、蓝颜色通 道信息、灰颜色通道信息、灰红颜色通道信息、灰绿颜色通道信息和灰蓝颜色通道信息。
[0014] 优选地，对所述人脸图像进行处理，得到多个颜色通道信息，包括：
[0015] 从所述人脸图像的R通道中获取红颜色通道信息；
[0016] 从所述人脸图像的G通道中获取绿颜色通道信息；
[0017] 从所述人脸图像的B通道中获取蓝颜色通道信息；
[0018] 获取所述人脸图像的R通道、G通道和B通道的权重，将各通道内的像素分别与对 应的权重相乘并相加得到所述灰颜色通道信息，其中r+g+b= 1，r为R通道的权重，g为G通道的权重，b为B通道的权重；
[0019] 获取所述人脸图像的灰颜色通道和R通道的权重，将各通道内的像素分别与对应 的权重相乘并相加得到所述灰红颜色通道信息，其中gray+r= 1，gray为灰颜色通道的权 重，r为R通道的权重；
[0020] 获取所述人脸图像的灰颜色通道和G通道的权重，将各通道内的像素分别与对应 的权重相乘并相加得到所述灰绿颜色通道信息，其中gray+g= 1，gray为灰颜色通道的权 重，g为G通道的权重；
[0021] 获取所述人脸图像的灰颜色通道和B通道的权重，将各通道内的像素分别与对应 的权重相乘并相加得到所述灰绿颜色通道信息，其中gray+b= 1，gray为灰颜色通道的权 重，b为B通道的权重。
[0022] 优选地，所述将所述多个颜色通道信息输入到预先得到的卷积神经网络中进行计 算，得到表示性别的输出结果，包括：
[0023] 将所述多个颜色通道信息输入到所述卷积神经网络中的特征抽取层，得到输出向 量；
[0024] 将所述输出向量输入到所述卷积神经网络中的全连接层，得到表示性别的输出结 果。
[0025] 优选地，将所述多个颜色通道信息输入到所述卷积神经网络中的特征抽取层，得 到输出向量，包括： f \
[0026] 依据公式\ =/Σ切叫.*夂+ 4进行卷积运算，并对卷积后的运算结果进 KieuJJ 行下采样得到输出向量，其中Mj表示输入的颜色通道数，inputi表示第i个颜色通道的输 入，1?表示第i个颜色通道与第一个卷积层中第j个平面的卷积核，h表示第一个卷积层 中第j个平面的偏置，&是第一个卷积层的第j个平面，f( ·)表示激活函数，号表示 卷积操作。
[0027] 本发明还提供一种基于多通道卷积神经网络的人脸性别识别装置，包括：
[0028] 第一获取单元，用于从当前获取的图像中得到人脸图像，其中所述人脸图像为RGB 图像；
[0029] 第二获取单元，用于对所述人脸图像进行处理，得到多个颜色通道信息；
[0030] 计算单元，用于将所述多个颜色通道信息输入到预先得到的卷积神经网络中进行 计算，得到表示性别的输出结果；
[0031] 第一标识单元，用于当所述表示性别的输出结果在第一预设范围内时，标识人脸 性别为男性；
[0032] 第二标识单元，用于当所述表示性别的输出结果在第二预设范围内时，标识人脸 性别为女性。
[0033] 优选地，所述多个颜色通道信息包括红颜色通道信息、绿颜色通道信息、蓝颜色通 道信息、灰颜色通道信息、灰红颜色通道信息、灰绿颜色通道信息和灰蓝颜色通道信息。
[0034] 优选地，所述第二获取单元包括：红颜色通道信息获取子单元、绿颜色通道信息获 取子单元、蓝颜色通道信息获取子单元、灰颜色通道信息获取子单元、灰红颜色通道信息获 取子单元、灰绿颜色通道信息获取子单元和灰蓝颜色通道信息获取子单元；其中，
[0035] 所述红颜色通道信息获取子单元，用于从所述人脸图像的R通道中获取红颜色通 道信息；
[0036] 所述绿颜色通道信息获取子单元，用于从所述人脸图像的G通道中获取绿颜色通 道信息；
[0037] 所述蓝颜色通道信息获取子单元，用于从所述人脸图像的B通道中获取蓝颜色通 道信息；
[0038] 所述灰颜色通道信息获取子单元，用于获取所述人脸图像的R通道、G通道和B通 道的权重，将各通道内的像素分别与对应的权重相乘并相加得到所述灰颜色通道信息，其 中r+g+b= 1，r为R通道的权重，g为G通道的权重，b为B通道的权重；
[0039] 所述灰红颜色通道信息获取子单元，用于获取所述人脸图像的灰颜色通道和R通 道的权重，将各通道内的像素分别与对应的权重相乘并相加得到所述灰红颜色通道信息， 其中gray+r= 1，gray为灰颜色通道的权重，r为R通道的权重；
[0040] 所述灰绿颜色通道信息获取子单元，用于获取所述人脸图像的灰颜色通道和G通 道的权重，将各通道内的像素分别与对应的权重相乘并相加得到所述灰绿颜色通道信息， 其中gray+g =1，gray为灰颜色通道的权重，g为G通道的权重；
[0041] 所述灰蓝颜色通道信息获取子单元，用于获取所述人脸图像的灰颜色通道和B通 道的权重，将各通道内的像素分别与对应的权重相乘并相加得到所述灰绿颜色通道信息， 其中gray+b= 1，gray为灰颜色通道的权重，b为B通道的权重。
[0042] 优选地，所述计算单元包括：第一计算子单元和第二计算子单元；其中，
[0043] 所述第一计算子单元，用于将所述多个颜色通道信息输入到所述卷积神经网络中 的特征抽取层，得到输出向量；
[0044] 所述第二计算子单元，用于将所述输出向量输入到所述卷积神经网络中的全连接 层，得到表示性别的输出结果。
[0045] 优选地，所述第一计算子单元将所述多个颜色通道信息输入到所述卷积神经网络 中的特征抽取层，得到输出向量，包括：
[0046] 依据公式
【权利要求】
1. 一种基于多通道卷积神经网络的人脸性别识别方法，其特征在于，包括： 从当前获取的图像中得到人脸图像，其中所述人脸图像为RGB图像； 对所述人脸图像进行处理，得到多个颜色通道信息； 将所述多个颜色通道信息输入到预先得到的卷积神经网络中进行计算，得到表示性别 的输出结果； 当所述表示性别的输出结果在第一预设范围内时，标识人脸性别为男性； 当所述表示性别的输出结果在第二预设范围内时，标识人脸性别为女性。
2. 根据权利要求1所述的方法，其特征在于，所述多个颜色通道信息包括红颜色通道 信息、绿颜色通道信息、蓝颜色通道信息、灰颜色通道信息、灰红颜色通道信息、灰绿颜色通 道信息和灰蓝颜色通道信息。
3. 根据权利要求2所述的方法，其特征在于，对所述人脸图像进行处理，得到多个颜色 通道信息，包括： 从所述人脸图像的R通道中获取红颜色通道信息； 从所述人脸图像的G通道中获取绿颜色通道信息； 从所述人脸图像的B通道中获取蓝颜色通道信息； 获取所述人脸图像的R通道、G通道和B通道的权重，将各通道内的像素分别与对应的 权重相乘并相加得到所述灰颜色通道信息，其中r+g+b=l，r为R通道的权重，g为G通道 的权重，b为B通道的权重； 获取所述人脸图像的灰颜色通道和R通道的权重，将各通道内的像素分别与对应的权 重相乘并相加得到所述灰红颜色通道信息，其中gray+r= 1，gray为灰颜色通道的权重，r 为R通道的权重； 获取所述人脸图像的灰颜色通道和G通道的权重，将各通道内的像素分别与对应的权 重相乘并相加得到所述灰绿颜色通道信息，其中gray+g=1，gray为灰颜色通道的权重，g 为G通道的权重； 获取所述人脸图像的灰颜色通道和B通道的权重，将各通道内的像素分别与对应的权 重相乘并相加得到所述灰绿颜色通道信息，其中gray+b= 1，gray为灰颜色通道的权重，b 为B通道的权重。
4. 根据权利要求1所述的方法，其特征在于，所述将所述多个颜色通道信息输入到预 先得到的卷积神经网络中进行计算，得到表示性别的输出结果，包括： 将所述多个颜色通道信息输入到所述卷积神经网络中的特征抽取层，得到输出向量； 将所述输出向量输入到所述卷积神经网络中的全连接层，得到表示性别的输出结果。
5. 根据权利要求4所述的方法，其特征在于，将所述多个颜色通道信息输入到所述卷 积神经网络中的特征抽取层，得到输出向量，包括：
采样得到输出向量，其中％表示输入的颜色通道数，inputi表示第i个颜色通道的输入，ku表示第i个颜色通道与第一个卷积层中第j个平面的卷积核，h表示第一个卷积层中第j 个平面的偏置，&是第一个卷积层的第j个平面，f( ?)表示激活函数，号表示卷积操 作。
6. -种基于多通道卷积神经网络的人脸性别识别装置，其特征在于，包括： 第一获取单元，用于从当前获取的图像中得到人脸图像，其中所述人脸图像为RGB图 像； 第二获取单元，用于对所述人脸图像进行处理，得到多个颜色通道信息； 计算单元，用于将所述多个颜色通道信息输入到预先得到的卷积神经网络中进行计 算，得到表示性别的输出结果； 第一标识单元，用于当所述表示性别的输出结果在第一预设范围内时，标识人脸性别 为男性； 第二标识单元，用于当所述表示性别的输出结果在第二预设范围内时，标识人脸性别 为女性。
7. 根据权利要求6所述的装置，其特征在于，所述多个颜色通道信息包括红颜色通道 信息、绿颜色通道信息、蓝颜色通道信息、灰颜色通道信息、灰红颜色通道信息、灰绿颜色通 道信息和灰蓝颜色通道信息。
8. 根据权利要求7所述的装置，其特征在于，所述第二获取单元包括：红颜色通道信息 获取子单元、绿颜色通道信息获取子单元、蓝颜色通道信息获取子单元、灰颜色通道信息获 取子单元、灰红颜色通道信息获取子单元、灰绿颜色通道信息获取子单元和灰蓝颜色通道 信息获取子单元；其中， 所述红颜色通道信息获取子单元，用于从所述人脸图像的R通道中获取红颜色通道信 息； 所述绿颜色通道信息获取子单元，用于从所述人脸图像的G通道中获取绿颜色通道信 息； 所述蓝颜色通道信息获取子单元，用于从所述人脸图像的B通道中获取蓝颜色通道信 息； 所述灰颜色通道信息获取子单元，用于获取所述人脸图像的R通道、G通道和B通道 的权重，将各通道内的像素分别与对应的权重相乘并相加得到所述灰颜色通道信息，其中 r+g+b= 1，r为R通道的权重，g为G通道的权重，b为B通道的权重； 所述灰红颜色通道信息获取子单元，用于获取所述人脸图像的灰颜色通道和R通道的 权重，将各通道内的像素分别与对应的权重相乘并相加得到所述灰红颜色通道信息，其中 gray+r= 1，gray为灰颜色通道的权重，r为R通道的权重； 所述灰绿颜色通道信息获取子单元，用于获取所述人脸图像的灰颜色通道和G通道的 权重，将各通道内的像素分别与对应的权重相乘并相加得到所述灰绿颜色通道信息，其中 gray+g =1，gray为灰颜色通道的权重，g为G通道的权重； 所述灰蓝颜色通道信息获取子单元，用于获取所述人脸图像的灰颜色通道和B通道的 权重，将各通道内的像素分别与对应的权重相乘并相加得到所述灰绿颜色通道信息，其中 gray+b= 1，gray为灰颜色通道的权重，b为B通道的权重。
9. 根据权利要求6所述的装置，其特征在于，所述计算单元包括：第一计算子单元和第 二计算子单元；其中， 所述第一计算子单元，用于将所述多个颜色通道信息输入到所述卷积神经网络中的特 征抽取层，得到输出向量； 所述第二计算子单元，用于将所述输出向量输入到所述卷积神经网络中的全连接层， 得到表示性别的输出结果。
10.根据权利要求9所述的装置，其特征在于，所述第一计算子单元将所述多个颜色通 道信息输入到所述卷积神经网络中的特征抽取层，得到输出向量，包括：
采样得到输出向量，其中％表示输入的颜色通道数，inputi表示第i个颜色通道的输入，ku表示第i个颜色通道与第一个卷积层中第j个平面的卷积核，h表示第一个卷积层中第j 个平面的偏置，&是第一个卷积层的第j个平面，f( ?)表示激活函数，号表示卷积操 作。
【文档编号】G06K9/00GK104484658SQ201410840403
【公开日】2015年4月1日 申请日期:2014年12月30日 优先权日:2014年12月30日
【发明者】卢金鑫, 谢衍涛 申请人:中科创达软件股份有限公司