性别判断方法、装置、存储介质及电子设备与流程

本申请涉及电子设备技术领域，具体涉及一种性别判断方法、装置、存储介质及电子设备。

背景技术：

目前，随着终端技术的高速发展，如智能手机越来越深入人们的生活之中，智能手机的拍照功能越来越强大，智能手机已成为用户拍照的首选。

现有的智能手机的人脸性别识别方法中，是使用大量的人脸图像对模型进行训练，然后将事先训练好的模型植入智能手机系统中，在拍照时使用训练好的性别识别系统对照片中的人物性别进行判断。然而现有的性别判断系统通常会出现判断不准确的情况。

技术实现要素：

本申请实施例提供了一种性别判断方法、装置、存储介质及电子设备，能够提高对图像的性别判断的准确度。

第一方面，本申请实施例了提供了的性别判断方法，包括：

从人脸数据库中获取多张训练人脸图像；

利用预设模型的第一神经网络获取所述多张训练人脸图像的高层特征集合，利用预设模型的第二神经网络获取所述多张训练人脸图像的底层特征集合；

将所述高层特征集合和所述底层特征集合进行融合，得到融合特征集合；

将所述融合特征集合作为训练数据输入预设模型的预测模块中进行训练，得到训练后的预设模型；

利用所述训练后的预设模型对当前人脸图像进行判断，得到所述当前人脸图像对应的性别特征。

第二方面，本申请实施例提供了的一种性别判断装置，所述装置包括：

训练人脸图像获取模块，用于从人脸数据库中获取多张训练人脸图像；

第一获取模块，用于利用预设模型的第一神经网络获取所述多张训练人脸图像的高层特征集合，利用预设模型的第二神经网络获取所述多张训练人脸图像的底层特征集合；

第二获取模块，用于将所述高层特征集合和所述底层特征集合进行融合，得到融合特征集合；

训练模块，用于将所述融合特征集合作为训练数据输入预设模型的预测模块中进行训练，得到训练后的预设模型；

判断模块，用于利用所述训练后的预设模型对当前人脸图像进行判断，得到所述当前人脸图像对应的性别特征。

第三方面，本申请实施例提供的存储介质，其上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如本申请任一实施例提供的性别判断方法。

第四方面，本申请实施例提供的电子设备，包括处理器和存储器，所述存储器有计算机程序，所述处理器通过调用所述计算机程序，用于执行如本申请任一实施例提供的性别判断方法。

本申请实施例提供的性别判断方法，首先从人脸数据库中获取多张训练人脸图像；然后利用预设模型的第一神经网络获取多张训练人脸图像的高层特征集合，利用预设模型的第二神经网络获取多张训练人脸图像的底层特征集合；接着将高层特征集合和底层特征集合进行融合，得到融合特征集合；再将融合特征集合作为训练数据输入预设模型的预测模块中进行训练，得到训练后的预设模型；最后利用训练后的预设模型对当前人脸图像进行判断，得到当前人脸图像对应的性别特征。将第一神经网络和第二神经网络获取的高层特征集合和底层特征集合融合，然后将融合后的特征集合后输入预设模型的预测模块进行训练，可以提高训练后的预设模型判断图像性别的准确度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的性别判断方法的应用场景示意图。

图2为本申请实施例提供的性别判断方法的流程示意图。

图3为本申请实施例提供的性别判断方法的另一流程示意图。

图4为本申请实施例提供的性别判断方法的另一应用场景示意图。

图5为本申请实施例提供的性别判断方法的又一应用场景示意图。

图6为本申请实施例提供的性别判断装置的结构示意图。

图7为本申请实施例提供的性别判断装置的另一结构示意图。

图8为本申请实施例提供的电子设备的结构示意图。

图9为本申请实施例提供的电子设备的另一结构示意图。

具体实施方式

请参照图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本申请具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。

在以下的说明中，本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本申请原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。

本文所使用的术语“模块”可看做为在该运算系统上执行的软件对象。本文所述的不同组件、模块、引擎及服务可看做为在该运算系统上的实施对象。而本文所述的装置及方法可以以软件的方式进行实施，当然也可在硬件上进行实施，均在本申请保护范围之内。

本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是某些实施例还包括没有列出的步骤或模块，或某些实施例还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本申请实施例提供一种性别判断方法，该性别判断方法的执行主体可以是本申请实施例提供的性别判断装置，或者集成了该性别判断装置的电子设备，其中该性别判断装置可以采用硬件或者软件的方式实现。其中，电子设备可以是智能手机、平板电脑、掌上电脑、笔记本电脑、或者台式电脑等设备。

请参阅图1，图1为本申请实施例提供的性别判断方法的应用场景示意图，如图1所示，先从人脸数据库中选取训练人脸图像，然后利用预设模型e的第一神经网络a获取高层特征集合a1、预设模型e的第二神经网络b获取底层特征集合b1，然后将高层特征集合a1和底层特征集合b1进行融合得到融合特征集合c1，将融合特征集合c1输入预设模型e的预测模块d中作为训练数据，预测模块d根据融合特征集合c1进行训练，优化预设模型e中的各个参数，得到训练后的预设模型e1，然后获取具体场景的图像，如实时拍摄获取的照片，利用训练后的预设模型e1对具体场景的图像中的人物进行性别判断，得到一个预测结果，预测结果为男性或女性。

请参照图2，图2为本申请实施例提供的性别判断方法的流程示意图。本申请实施例提供的性别判断方法的具体流程可以如下：

201，从人脸数据库中获取多张训练人脸图像。

人脸数据库包括多张人脸图像，多张人脸图像包括正面人脸图像、侧面人脸图像、多角度的人脸图像。多角度的人脸图像包括多个俯视角度的人脸图像、多个仰视角度的人脸图像、多个侧面角度的人脸图像等。

多张人脸图像中可以一张人脸图像对应一个用户，也可以多张人脸图像对应同一个用户。其中，对应同一用户的多张人脸图像可以为多角度人脸图像。

人脸数据库中的多张人脸图像可以包括清晰度高的人脸图像，也可以包括清晰度低的人脸图像，还可以包括具有不同程度噪点的人脸图像，还包括多姿态的人脸图像。其中，多姿态的人脸图像包括笑脸人脸图像、严肃的人脸图像等各种表情的人脸图像。

人脸数据库可以由用户自己建立，如网上收集大量人脸图像、收集自己及周边亲友的人脸图像、拍摄获取街道上的大量人脸图像等。

人脸数据库还可以利用现有的人脸数据库，如celeba数据库等。

需要说明的是，人脸数据库中的人脸图像对应有其性别特征。

可以从人脸数据库中随机挑选多张训练人脸图像，也可以根据用户信息挑选对应的多张训练人脸图像。例如，可以根据用户拍摄获取的图像进行挑选，具体的，用户拍摄的图像东方人脸较多，则从人脸数据库中挑选的多张训练人脸图像中东方人脸的人脸图像比例较大。用户拍摄的图像儿童人脸较多，则从人脸数据库中挑选的多张训练人脸图像中儿童人脸的比例较大。用户拍摄的图像女性人脸较多，则从人脸数据库中挑选的多张训练人脸图像中女性人脸的比例较大。

202，利用预设模型的第一神经网络获取多张训练人脸图像的高层特征集合，利用预设模型的第二神经网络获取多张训练人脸图像的底层特征集合。

图像具有三大底层特征，即颜色、纹理和形状特征，当然底层特征也包括颜色、亮度、方向、纹理和边缘特征。底层特征集合包括多张训练人脸图像的各种底层特征的集合。

高层特征是基于底层特征的基础上去提取出更高级更加能反应出图像的语义信息的特征。也可以理解为高层特征是在底层特征的基础上经过特定算法(如卷积神经网络)进行构建的，一般指的是图像中物体的轮廓等更复杂的特征。相较于简单的提取图像原始信息的底层特征，高层特征信息更具有表现力，充分考虑到了场景的上下文信息。高层特征集合包括多张训练人脸图像的各种高层特征的集合。

具体的可以利用预设模型的第一神经网络获取多张训练人脸图像的高层特征集合，利用预设模型的第二神经网络获取多张训练人脸图像的底层特征集合。

203，将高层特征集合和底层特征集合进行融合，得到融合特征集合。

特征融合可以理解为将来源不同的特征整合到一起，去冗余；得到的整合后的融合信息将利于我们之后的分析处理。具体的，特征融合可以通过算法实现，例如基于贝叶斯决策理论的算法、基于稀疏表示理论的算法、基于深度学习理论算法等。

得到高层特征集合和底层特征集合，将两者进行融合得到融合特征集合。具体的，同一输入信息对应的高层特征和底层特征进行融合得到融合特征，其中同一输入信息可以为同一张人脸图像，也可以为同一张人脸图像中的某个特征如肤色。输入多个输入信息后，得到多个高层特征和多个底层特征，根据多个高层特征和底层特征得到多个融合特征，多个融合特征形成融合特征集合。

204，将融合特征集合作为训练数据输入预设模型的预测模块中进行训练，得到训练后的预设模型。

得到融合特征集合后，将其作为训练数据输入预设模型的预测模块中进行训练，预设模型的预测模块根据训练数据进行训练学习，优化预设模型内的各个计算参数，得到训练后的预设模型。

具体的，可以先获取一张训练人脸图像，然后获取该训练人脸图像的底层特征集合和高层特征集合，然后将两者融合并输入预设模型的预测模块进行训练学习，得到预测结果。若预测结果正确，则保留预设模型训练后的计算参数；若预测结果不正确，则修改预设模型的计算参数继续进行训练，直至预测结果正确。然后换其他张训练人脸图像重复上述步骤，直至所有训练人脸图像都进行了一次预测，然后再将所有训练人脸图像重新预测一遍或多遍，直至预测结果不再改变，得到最终优化的计算参数，具有最终优化的计算参数的预设模型为训练后的预设模型。

还可以将多张训练人脸图像输入预设模型，预设模型对每张训练人脸图像进行性别预测，得到一个预测结果。例如，预测为男性的概率为70％，为女性的概率为30％，则认为该预测结果为男性，概率为70％。根据预先设置的正确结果对其进行评分，若正确结果为男性，则预测结果正确，若正确结果为女性，则预测结果错误。根据预测结果的正确概率进行调整预测模型的计算参数，当调整后的预测模型预测结果的正确率无法再提高，且针对各张训练人脸图像的预测概率也无法整体提高，则认为此时的预测模型的计算参数为最优计算参数，具有该最优计算参数的预设模型为训练后的预先模型。

需要说明的是，在训练过程中，可以改变预测模块的计算参数，还也可以改变第一神经网络和第二神经网络的计算参数，优化整个预设模型中所有的计算参数。

205，利用训练后的预设模型对当前人脸图像进行判断，得到当前人脸图像对应的性别特征。

得到训练后的预设模型后，可以在实际场景中使用该训练后的预设模型对当然人脸图像进行判断，得到当前人脸图像对应的性别特征。例如，使用电子设备拍摄获取一个人脸图像，该人脸图像为当前人脸图像，训练后的预设模型对该当前人脸图像进行性别预测，得到一预测结果，根据该预测结果判断当前人脸图像的性别特征。性别特征包括男性和女性。

需要说明的是，步骤201至204是对预设模型的训练过程。训练过程可以在服务器中进行，训练完成后，将训练后的预设模型移植到移动终端中，移动终端利用训练后的预设模型对当前人脸图像进行判断。也可以训练过程也在移动终端中进行，训练完成后，移动终端直接利用训练后的预设模型对当前人脸图像进行判断。还可以训练过程可以在服务器中进行，移动终端需要对当前人脸图像进行判断时，将当前人脸图像发送至服务器，服务器进行判断，然后将判断结果发送回移动终端。

在一些实施例中，得到当前人脸图像的性别特征后，可以根据该性别特征对当前人脸图像进行优化。如判断该当前人脸图像为男性，则对当前人脸图像进行低程度的美颜。如判断该当前人脸图像为女性，则对当前人脸图像进行高程度的美颜。还可以根据性别特征设置不同的优化策略，如女性则可以进行美白、磨皮、去黑眼圈、加装饰等。

请参照图3，图3为本申请实施例提供的性别判断方法的另一流程示意图。本申请实施例提供的性别判断方法的具体流程可以如下：

301，从人脸数据库中获取多张人脸图像。

人脸数据库包括多张人脸图像，多张人脸图像包括正面人脸图像、侧面人脸图像、多角度的人脸图像。多角度的人脸图像包括多个俯视角度的人脸图像、多个仰视角度的人脸图像、多个侧面角度的人脸图像等。

多张人脸图像中可以一张人脸图像对应一个用户，也可以多张人脸图像对应同一个用户。其中，对应同一用户的多张人脸图像可以为多角度人脸图像。

人脸数据库中的多张人脸图像可以包括清晰度高的人脸图像，也可以包括清晰度低的人脸图像，还可以包括具有不同程度噪点的人脸图像，还包括多姿态的人脸图像。其中，多姿态的人脸图像包括笑脸人脸图像、严肃的人脸图像等各种表情的人脸图像。

人脸数据库可以由用户自己建立，如网上收集大量人脸图像、收集自己及周边亲友的人脸图像、拍摄获取街道上的大量人脸图像等。

人脸数据库还可以利用现有的人脸数据库，如celeba数据库等。

需要说明的是，人脸数据库中的人脸图像对应有其性别特征。

可以从人脸数据库中随机挑选多张人脸图像，也可以根据用户信息挑选对应的多张人脸图像。例如，可以根据用户拍摄获取的图像进行挑选，具体的，用户拍摄的图像东方人脸较多，则从人脸数据库中挑选的多张人脸图像中东方人脸的人脸图像比例较大。用户拍摄的图像儿童人脸较多，则从人脸数据库中挑选的多张人脸图像中儿童人脸的比例较大。用户拍摄的图像女性人脸较多，则从人脸数据库中挑选的多张人脸图像中女性人脸的比例较大。

302，对多张人脸图像随机添加噪声得到多张训练人脸图像。

得到多张人脸图像后，因为人脸数据库中的人脸图像可能经过挑选或处理，都是效果比较好的人脸图像，如噪点少、角度好、清晰度高等。但是我们实际使用过程中，无法得到效果那么好的图像，有噪声的、多姿态、多角度人脸图像无法准确判断。因此，在得到多张人脸图像后，对多张人脸图像进行随机添加噪声得到多张训练人脸图像。

其中，随机添加噪声可以包括增加白噪声、增加噪点、部分模糊、降低清晰度中的一项或多项。随机添加噪声甚至还可以包括图像替换，例如，将同一用户的两张人脸图像进行部分替换，如嘴巴替换等。还可以包括图像融合，例如，从同一用户的多张人脸图像中，每张人脸图像挑选部分图像，然后将各张图像的部分非图像进行融合得到该用户的一张人脸图像。经过随机添加噪声后的训练人脸图像更加复杂，而且很多更接近实际使用场景。

303，利用预设模型的深层卷积神经网络获取多张训练人脸图像的高层特征集合，利用预设模型的浅层神经网络获取多张训练人脸图像的底层特征集合。

底层特征包括颜色、亮度、方向、纹理和边缘特征。底层特征集合包括多张训练人脸图像的各种底层特征的集合。

高层特征是基于底层特征的基础上去提取出更高级更加能反应出图像的语义信息的特征。相较于简单的提取图像原始信息的底层特征，高层信息更具有表现力，充分考虑到了场景的上下文信息。高层特征集合包括多张训练人脸图像的各种高层特征的集合。

其中，卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络包括卷积层(convolutionallayer)和池化层(poolinglayer)。具体的，深层卷积神经网络包括的卷积层和池化层的层数，多于浅层卷积神经网络包括的卷积层和池化层的层数。利用深层卷积神经网络可以获取图像的高层特征集合，利用浅层卷积神经网络可以获取图像的底层特征集合。

304，将高层特征集合和底层特征集合进行融合，得到融合特征集合。

得到高层特征集合和底层特征集合，将两者进行融合得到融合特征集合。

305，将融合特征集合作为训练数据输入预设模型的预测模块中进行训练，得到训练后的预设模型。

得到融合特征集合后，将其作为训练数据输入预设模型的预测模块中进行训练，预设模型根据训练数据进行训练学习，优化预设模型内的各个计算参数，得到训练后的预设模型。

具体的，可以先获取一张训练人脸图像，然后获取该训练人脸图像的底层特征集合和高层特征集合，然后将两者融合并输入预设模型进行训练学习，得到预测结果。若预测结果正确，则保留预设模型训练后的计算参数；若预测结果不正确，则修改预设模型的计算参数继续进行训练，直至预测结果正确。然后换其他张训练人脸图像重复上述步骤，直至所有训练人脸图像都进行了一次预测，然后再将所有训练人脸图像重新预测一遍或多遍，直至预测结果不再改变，得到最终优化的计算参数，具有最终优化的计算参数的预设模型为训练后的预设模型。

还可以将多张训练人脸图像输入预设模型，预设模型对每张训练人脸图像进行性别预测，得到一个预测结果。例如，预测为男性的概率为70％，为女性的概率为30％，则认为该预测结果为男性，概率为70％。根据预先设置的正确结果对其进行评分，若正确结果为男性，则预测结果正确，若正确结果为女性，则预测结果错误。根据预测结果的正确概率进行调整预测模型的计算参数，当调整后的预测模型预测结果的正确率无法再提高，且针对各张训练人脸图像的预测概率也无法整体提高，则认为此时的预测模型的计算参数为最优计算参数，具有该最优计算参数的预设模型为训练后的预先模型。

在一些实施例中，预设模型的预测模块为逻辑回归分类器(logisticregressionclassifier)。

需要说明的是，在训练过程中，可以改变逻辑回归分类器的计算参数，还也可以改变深层卷积神经网络和浅层卷积神经网络的计算参数，优化整个预设模型中所有的计算参数。

306，获取拍摄图像。

拍摄图像可以为电子设备实际场景中拍摄获取的图像，例如，拍摄图像为用户平时拍摄的生活照片、出去游玩时拍的照片等。该拍摄图像可以是之前拍摄的，其存储在移动终端内或存储在服务器内。该拍摄图像也可以是当前拍摄的。当前拍摄的拍摄图像可以是用户手动点击拍摄按钮后获取的，也可以是电子设备开启摄像功能后，通过摄像模块如摄像头自动获取存储在缓存中的图像。摄像模块开启后会自动获取实景图像存入缓存，当按下拍摄按钮，则可以从缓存中获取图像作为照片或按下拍摄按钮后再去获取图像作为照片。

307，预设模型包括多层网络，多层网络对输入数据依次进行计算得到预测结果，其中，多层网络的每层网络包括独立的计算参数。

预设模型包括多层网络，多层网络之间的数据为延续的。例如，多层网络为3层网络，则输入数据输入第一层网络，第一层网络对输入数据进行计算得到第一中间值，第一中间值作为第二层网络的输入数据，第二层网络对第一中间值计算得到第二中间值，第二中间值作为第三层网络的输入数据，第三网络对第二中间值计算得到预测结果。多层网络每层网络的计算方程式可以不一样，每层网络的计算方程式中的计算参数也是独立的，仅适用于本层网络。

308，根据拍摄图像，对训练后的预设模型的多层网络中的一层或多层网络的计算参数进行调整，得到调整后的预设模型。

根据拍摄图像得到新的训练图像，针对具体场景，采用训练好的预设模型根据新的训练图像进行微调。其中，进行微调的部分可以是第一神经网络、第二神经网络和预测模块中的一项或两项或三项。具体的，可以微调其中一项或多项的部分，如第一神经网络包括多层网络，可以微调其中几层网络。训练好的预设模型可以是面对所有用户训练得到的，调整后的预设模型可以是针对单个用户或少数几个用户进行调整，使其更贴合单个用户或少数几个用户的使用。

在一些实施例中，微调方法可以是固定预设模型前面几层网络的计算参数，利用新的数据集训练最后几层网络的计算参数，微调之后的预设模型即可用于具体场景下的性别判断。

在一些实施例中，微调方法也可以是固定预设模型后面几层网络的计算参数，利用新的数据集训练前面几层网络的计算参数，微调之后的预设模型即可用于具体场景下的性别判断。

在一些实施例中，微调方法也可以是固定预设模型前面几层和后面几层网络的计算参数，利用新的数据集训练中间几层网络的计算参数，微调之后的预设模型即可用于具体场景下的性别判断。

其中，可以采用步骤303-305类似的方法进行微调。在此不再详述。

309，利用调整后的预设模型对当前人脸图像进行判断，得到当前人脸图像对应的性别特征。

得到调整后的预设模型后，可以在实际场景中使用该调整后的预设模型对当然人脸图像进行判断，得到当前人脸图像对应的性别特征。例如，使用电子设备拍摄获取一个人脸图像，该人脸图像为当前人脸图像，调整后的预设模型对该当前人脸图像进行性别预测，得到一预测结果，根据该预测结果判断当前人脸图像的性别特征。性别特征包括男性和女性。

如图4所示，得到当前人脸图像的性别特征后，可以根据该性别特征对当前人脸图像进行优化。如判断该当前人脸图像为男性，则对当前人脸图像进行低程度的美颜。如判断该当前人脸图像为女性，则对当前人脸图像进行高程度的美颜。还可以根据性别特征设置不同的优化策略，如女性则可以进行美白、磨皮、去黑眼圈、加装饰等。

需要说明的是，步骤301至305是对预设模型的训练过程。如图5所示，该训练过程可以在服务器中进行，训练完成后，将训练后的预设模型移植到移动终端中，移动终端利用训练后的预设模型对当前人脸图像进行判断。也可以训练过程也在移动终端中进行，训练完成后，移动终端直接利用训练后的预设模型对当前人脸图像进行判断。还可以训练过程可以在服务器中进行，移动终端需要对当前人脸图像进行判断时，将当前人脸图像发送至服务器，服务器进行判断，然后将判断结果发送回移动终端。

需要说明的是，步骤306至308是对预设模型的调整过程。调整过程可以在服务器中进行，调整完成后，将调整后的预设模型移植到移动终端中，移动终端利用调整后的预设模型对当前人脸图像进行判断。也可以调整过程在移动终端中进行，调整完成后，移动终端直接利用调整练后的预设模型对当前人脸图像进行判断。还可以调整过程可以在服务器中进行，移动终端需要对当前人脸图像进行判断时，将当前人脸图像发送至服务器，服务器进行判断，然后将判断结果发送回移动终端。

在一些实施例中，训练过程可以在服务器中进行，训练完成后，将训练后的预设模型移植到移动终端中，移动终端根据拍摄图像对训练后的预设模型进行调整，调整完成后，移动终端直接利用调整练后的预设模型对当前人脸图像进行判断。

由上可知，本申请实施例的性别判断方法，首先从人脸数据库中获取多张训练人脸图像；然后利用预设模型的第一神经网络获取多张训练人脸图像的高层特征集合，利用预设模型的第二神经网络获取多张训练人脸图像的底层特征集合；接着将高层特征集合和底层特征集合进行融合，得到融合特征集合；再将融合特征集合作为训练数据输入预设模型的预测模块中进行训练，得到训练后的预设模型；最后利用训练后的预设模型对当前人脸图像进行判断，得到当前人脸图像对应的性别特征。将第一神经网络和第二神经网络获取的高层特征集合和底层特征集合融合，然后将融合后的特征集合后输入预设模型进行训练，可以提高训练后的预设模型判断图像性别的准确度。

请参阅图6，图6为本申请实施例提供的性别判断装置的结构示意图。其中该性别判断装置400包括训练人脸图像获取模块401、第一获取模块402、第二获取模块403、训练模块404和判断模块405。其中：

训练人脸图像获取模块401，用于从人脸数据库中获取多张训练人脸图像；

第一获取模块402，用于利用预设模型的第一神经网络获取多张训练人脸图像的高层特征集合，利用预设模型的第二神经网络获取多张训练人脸图像的底层特征集合；

第二获取模块403，用于将高层特征集合和底层特征集合进行融合，得到融合特征集合；

训练模块404，用于将融合特征集合作为训练数据输入预设模型的预测模块中进行训练，得到训练后的预设模型；

判断模块405，用于利用训练后的预设模型对当前人脸图像进行判断，得到当前人脸图像对应的性别特征。

请参阅图7，图7为本申请实施例提供的性别判断装置的另一结构示意图。其中训练人脸图像获取模块401包括人脸图像获取子模块4011和训练人脸获取子模块4012。

人脸图像获取子模块4011，用于从人脸数据库中获取多张人脸图像；

训练人脸获取子模块4012，用于对多张人脸图像随机添加噪声得到多张训练人脸图像。

在一些实施例中，装置还包括拍摄图像获取模块和调整模块。

拍摄图像获取模块，用于获取拍摄图像；

调整模块，用于将训练后的预设模型根据拍摄图像进行调整，得到调整后的预设模型；

判断模块，还用于利用调整后的预设模型对当前人脸图像进行判断，得到当前人脸图像对应的性别特征。

在一些实施例中，预设模型包括多层网络，多层网络对输入数据依次进行计算得到预测结果，其中，多层网络的每层网络包括独立的计算参数。该调整模块还用于根据拍摄图像，对训练后的预设模型的多层网络中的一层或多层网络的计算参数进行调整，得到调整后的预设模型。

在一些实施例中，该第一获取模块还用于利用预设模型的深层卷积神经网络多张训练人脸图像的获取高层特征集合，利用预设模型的浅层神经网络获取多张训练人脸图像的底层特征集合。

在一些实施例中，该训练模块，还用于将融合特征集合作为训练数据输入预设模型的逻辑回归分类器中进行训练，得到训练后的预设模型。

由上可知，本申请实施例的性别判断装置，首先训练人脸图像获取模块401从人脸数据库中获取多张训练人脸图像；然后第一获取模块402利用预设模型的第一神经网络获取多张训练人脸图像的高层特征集合，利用预设模型的第二神经网络获取多张训练人脸图像的底层特征集合；接着第二获取模块403将高层特征集合和底层特征集合进行融合，得到融合特征集合；再训练模块404将融合特征集合作为训练数据输入预设模型的预测模块中进行训练，得到训练后的预设模型；最后判断模块405利用训练后的预设模型对当前人脸图像进行判断，得到当前人脸图像对应的性别特征。将第一神经网络和第二神经网络获取的高层特征集合和底层特征集合融合，然后将融合后的特征集合后输入预设模型的预测模块进行训练，可以提高训练后的预设模型判断图像性别的准确度。

本申请实施例还提供一种电子设备。请参阅图8，电子设备500包括处理器501以及存储器502。其中，处理器501与存储器502电性连接。

处理器500是电子设备500的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或加载存储在存储器502内的计算机程序，以及调用存储在存储器502内的数据，执行电子设备500的各种功能并处理数据，从而实现对电子设备物料信息的自动变更。

存储器502可用于存储软件程序以及模块，处理器501通过运行存储在存储器502的计算机程序以及模块，从而执行各种功能应用以及数据处理。存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的计算机程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器502还可以包括存储器控制器，以提供处理器501对存储器502的访问。

在本申请实施例中，电子设备500中的处理器501会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器502中，并由处理器501运行存储在存储器502中的计算机程序，从而实现各种功能，如下：

从人脸数据库中获取多张训练人脸图像；

利用预设模型的第一神经网络获取多张训练人脸图像的高层特征集合，利用预设模型的第二神经网络获取多张训练人脸图像的底层特征集合；

将高层特征集合和底层特征集合进行融合，得到融合特征集合；

将融合特征集合作为训练数据输入预设模型的预测模块中进行训练，得到训练后的预设模型；

利用训练后的预设模型对当前人脸图像进行判断，得到当前人脸图像对应的性别特征。

在一些实施例中，从人脸数据库中获取多张训练人脸图像时，处理器501可以具体执行以下步骤：

从人脸数据库中获取多张人脸图像；

对多张人脸图像随机添加噪声得到多张训练人脸图像；

在一些实施例中，利用训练后的预设模型对当前人脸图像进行判断，得到当前人脸图像对应的性别特征时，处理器501可以具体执行以下步骤：

获取拍摄图像；

将训练后的预设模型根据拍摄图像进行调整，得到调整后的预设模型；

利用调整后的预设模型对当前人脸图像进行判断，得到当前人脸图像对应的性别特征。

在一些实施例中，将训练后的预设模型根据拍摄图像进行调整，得到调整后的预设模型时，处理器501可以具体执行以下步骤：

预设模型包括多层网络，多层网络对输入数据依次进行计算得到预测结果，其中，多层网络的每层网络包括独立的计算参数；

根据拍摄图像，对训练后的预设模型的多层网络中的一层或多层网络的计算参数进行调整，得到调整后的预设模型。

在一些实施例中，利用第一神经网络获取多张训练人脸图像的高层特征集合，利用第二神经网络获取多张训练人脸图像的底层特征集合时，处理器501可以具体执行以下步骤：

利用预设模型的深层卷积神经网络获取多张训练人脸图像的高层特征集合，利用预设模型的浅层神经网络获取多张训练人脸图像的底层特征集合。

在一些实施例中，将融合特征集合作为训练数据输入预设模型中进行训练，得到训练后的预设模型时，处理器501可以具体执行以下步骤：

将融合特征集合作为训练数据输入预设模型的逻辑回归分类器中进行训练，得到训练后的预设模型。

由上可知，本申请实施例的电子设备，首先从人脸数据库中获取多张训练人脸图像；然后利用预设模型的第一神经网络获取多张训练人脸图像的高层特征集合，利用预设模型的第二神经网络获取多张训练人脸图像的底层特征集合；接着将高层特征集合和底层特征集合进行融合，得到融合特征集合；再将融合特征集合作为训练数据输入预设模型的预测模块中进行训练，得到训练后的预设模型；最后利用训练后的预设模型对当前人脸图像进行判断，得到当前人脸图像对应的性别特征。将第一神经网络和第二神经网络获取的高层特征集合和底层特征集合融合，然后将融合后的特征集合后输入预设模型的预测模块进行训练，可以提高训练后的预设模型判断图像性别的准确度。

请一并参阅图9，在一些实施例中，电子设备500还可以包括：显示器503、射频电路504、音频电路505以及电源506。其中，其中，显示器503、射频电路504、音频电路505以及电源506分别与处理器501电性连接。

显示器503可以用于显示由用户输入的信息或提供给用户的信息以及各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示器503可以包括显示面板，在一些实施例中，可以采用液晶显示器(liquidcrystaldisplay，lcd)、或者有机发光二极管(organiclight-emittingdiode，oled)等形式来配置显示面板。

射频电路504可以用于收发射频信号，以通过无线通信与网络设备或其他电子设备建立无线通讯，与网络设备或其他电子设备之间收发信号。

音频电路505可以用于通过扬声器、传声器提供用户与电子设备之间的音频接口。

电源506可以用于给电子设备500的各个部件供电。在一些实施例中，电源506可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管图9中未示出，电子设备500还可以包括摄像头、蓝牙模块等，在此不再赘述。

本申请实施例还提供一种存储介质，存储介质存储有计算机程序，当计算机程序在计算机上运行时，使得计算机执行上述任一实施例中的性别判断方法，比如：从人脸数据库中获取多张训练人脸图像；利用预设模型的第一神经网络获取多张训练人脸图像的高层特征集合，利用预设模型的第二神经网络获取多张训练人脸图像的底层特征集合；将高层特征集合和底层特征集合进行融合，得到融合特征集合；将融合特征集合作为训练数据输入预设模型的预测模块中进行训练，得到训练后的预设模型；利用训练后的预设模型对当前人脸图像进行判断，得到当前人脸图像对应的性别特征。

在本申请实施例中，存储介质可以是磁碟、光盘、只读存储器(readonlymemory，rom)、或者随机存取记忆体(randomaccessmemory，ram)等。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

需要说明的是，对本申请实施例的性别判断方法而言，本领域普通测试人员可以理解实现本申请实施例的性别判断方法的全部或部分流程，是可以通过计算机程序来控制相关的硬件来完成，计算机程序可存储于一计算机可读取存储介质中，如存储在电子设备的存储器中，并被该电子设备内的至少一个处理器执行，在执行过程中可包括如性别判断方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储器、随机存取记忆体等。

对本申请实施例的性别判断装置而言，其各功能模块可以集成在一个处理芯片中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中，存储介质譬如为只读存储器，磁盘或光盘等。

以上对本申请实施例所提供的一种性别判断方法、装置、存储介质及电子设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。