一种基于集成卷积神经网络的性别识别方法与流程

本发明涉及图像处理
技术领域：
，特别涉及一种基于集成卷积神经网络的性别识别方法。
背景技术：
：人脸性别识别在个性化服务、智能监控等方面具有很大的应用价值。例如商品推荐，男性和女性的商品需求区别很大，人脸性别识别会帮助商家了解男性和女性不同的喜好和需求，从而改进产品，提供更良好的用户体验和内容质量。人脸性别识别还可以帮助智能设备如穿戴设备提供定制化的服务，因为不同性别有不同偏好、生活习惯和独有特征。目前有很多人脸性别识别方法，大体上将性别识别系统分为两个部分：人脸图像的特征提取和性别识别算法。人脸图像的特征提取包括人脸五官距离特征，像素特征，局部二进制模式，Gabor小波变换等，而性别识别算法就是依靠机器学习算法来实现，效果比较显著的有支持向量机(SVM)、神经网络、K最近邻算法、高斯混合模型、随机森林、Softmax回归模型等等。国内外学者在解决人脸性别识别问题时，大都采用这些分类算法，但是这些分类算法极大地依赖于对人脸图像的特征提取，而目前采用的特征抽取方法是人工设计的，再通过特征选择算法剔除冗余或者不相关的特征，得出最优或者次优特征子集，目的是提高识别准确率。另一方面是降低特征的维数，从而提升模型训练速度。这个过程极大地依赖人工专家的经验和反复实验完成的，不仅工作量大，而且很难找到一种最优的人脸性别特征表达，从而影响了人脸性别识别的效果。另一方面，单个分类器如卷积神经网络作为人脸性别识别的方法，需要调整许多参数，参数调优复杂，工作量大，难以获得最优参数，因而影响整体的人脸性别识别性能。技术实现要素：本发明的目的在于克服现有技术的缺点与不足，提供一种识别准确率高的基于集成卷积神经网络的性别识别方法。本发明的目的通过下述技术方案实现：一种基于集成卷积神经网络的性别识别方法，步骤如下：S1、首先随机组合形成若干个新的训练数据集，然后选取出M个经过上述新的训练数据集训练得到的卷积神经网络分类器作为基分类器；S2、获取待测人脸图像；S3、在测试时，将待测人脸图像分别输入步骤S1获取到的M个基分类器，然后融合M个基分类器输出的性别类别，获得最终的一个性别类别。优选的，所述步骤S1中基分类器获取过程具体如下：S11、选择一个基准数据集和若干辅助数据集；其中基准数据集分割成基准训练数据集和基准测试数据集；S12、辅助数据集随机组合后加入到基准训练数据集中，构成若干个新的训练数据集；S13、随机生成一定数量的卷积神经网络模型；S14、利用步骤S12中得到的若干个新的训练数据集分别对步骤S13生成的卷积神经网络模型进行训练，得到多个卷积神经网络分类器；S15、分别计算步骤S14获取的各卷积神经网络分类器在基准测试数据集上的识别准确率；S16、选择识别准确率排名前M的M个卷积神经网络分类器作为基分类器。更进一步的，步骤S13随机生成的卷积神经网络模型包括五层卷积层的卷积神经网络模型和六层卷积层的卷积神经网络模型。更进一步的，所述五层卷积层的卷积神经网络模型的输入层至输出层之间依次连接有第一数据层Date11层、第二数据层Date12层、第一卷积层conv11层、第一下采样层P11层、第一LRN层L11层、第二卷积层conv12层、第二下采样层P12层、第二LRN层L12层、第三卷积层conv13层、第四卷积层conv14层、第五卷积层conv15层、第五下采样层P15层、第一全链接层Q11层、第一Dropout层D11层、第二全链接层Q12层和第二Dropout层D12层；第一卷积层conv11层、第二卷积层conv12层、第三卷积层conv13层、第四卷积层conv14层、第五卷积层conv15层、第一全链接层Q11层、第二全链接层Q12层下对应分别连接第一激活函数层ReLU11层、第二激活函数层ReLU12层、第三激活函数层ReLU13层、第四激活函数层ReLU14层、第五激活函数层ReLU15层、第六激活函数层ReLU16层和第七激活函数层ReLU17层。更进一步的，所述第一卷积层conv11层的卷积核大小为11*11，卷积核个数为96；所述第二卷积层conv12层的卷积核大小为5*5，卷积核个数为256，卷积核的边缘增补为2；所述第三卷积层conv13层的卷积核大小为3*3，卷积核个数为384，卷积核的边缘增补为1；所述第四卷积层conv14层的卷积核大小为3*3，卷积核个数为384，卷积核的边缘增补为1；所述第五卷积层conv15层的卷积核大小为3*3，卷积核个数为256，卷积核的边缘增补为1；所述第一下采样层P11层下采样领域大小为3*3，池化步长为2，下采样后特征图大小变为27*27；所述第二下采样层P12层下采样领域大小为3*3，池化步长为2，下采样后特征图大小变为13*13；所述第五下采样层P15层下采样领域大小为3*3，池化步长为2，下采样后特征图大小变为6*6。更进一步的，所述六层卷积层的卷积神经网络模型的输入层至输出层之间依次连接有第一数据层Date21层、第二数据层Date22层、第一卷积层conv21层、第一下采样层P21、第一LRN层L21、第二卷积层conv22、第二下采样层P22、第二LRN层L22、第三卷积层conv23、第四卷积层conv24层、第五卷积层conv25层、第六卷积层conv26层、第六下采样层P26层、第一全链接层Q21层、第一Dropout层D21层、第二全链接层Q22和第二Dropout层D22；其中第一卷积层conv21层、第二卷积层conv22层、第三卷积层conv23层、第四卷积层conv24层、第五卷积层conv25层、第六卷积层conv26层、第一全链接层Q21层、第二全链接层Q22层下对应分别连接第一激活函数层ReLU21层、第二激活函数层ReLU22层、第三激活函数层ReLU23层、第四激活函数层ReLU24层、第五激活函数层ReLU25层、第六激活函数层ReLU26层、第七激活函数层ReLU27层和第八激活函数层ReLU28层。更进一步的，所述第一卷积层conv21层的卷积核大小为11*11，卷积核个数为96；所述第二卷积层conv22层的卷积核大小为5*5，卷积核个数为256，卷积核的边缘增补为2；所述第三卷积层conv23层的卷积核大小为3*3，卷积核个数为384，卷积核的边缘增补为1；所述第四卷积层conv24层的卷积核大小为3*3，卷积核个数为384，卷积核的边缘增补为1；所述第五卷积层conv25层的卷积核大小为3*3，卷积核个数为256，卷积核的边缘增补为1；所述第六卷积层conv26层的卷积核大小为3*3，卷积核个数为256，卷积核的边缘增补为1；所述第一下采样层P21层下采样领域大小为3*3，池化步长为2，下采样后特征图大小变为27*27；所述第二下采样层P22层下采样领域大小为3*3，池化步长为2，下采样后特征图大小变为13*13；所述第六下采样层P26层下采样领域大小为3*3，池化步长为2，下采样后特征图大小变为6*6。更进一步的，所述M为5，即步骤S16中将识别准确率排名前5的5个卷积神经网络分类器作为基分类器，得到的为5个基分类器，分别为第一基分类器、第二基分类器、第三基分类器、第四基分类器和第五基分类器；其中第一基分类器和第三基分类器均由六层卷积层的卷积神经网络模型训练得到，第二基分类器、第四基分类器和第五基分类器均由五层卷积层的卷积神经网络模型训练得到。优选的，所述卷积神经网络分类器中分类器采用SoftMax分类器。优选的，所述步骤S3中采用简单投票融合方法融合M个基分类器输出的性别类别，获得最终的一个性别类别。本发明相对于现有技术具有如下的优点及效果：(1)本发明方法首先选取出M个经过随机组合形成的若干个新的训练数据集训练得到的卷积神经网络分类器作为基分类器，然后将待测人脸图像输入至M个基分类器，最后融合M个基分类器输出的性别类别，获得最终的一个性别类别，具有人脸性别识别准确率高、减少了人脸图象的性别特征提取对人的依赖性，能够估计多种人群的性别，以及应用广泛的优点。另外本发明方法卷积神经网络分类器是采用组合抽样形成的若干个新的训练数据集训练得到的，本发明方法在多个数据集经过组合抽样后可以得到数量更多的新的训练数据集，因此在给定的几种卷积神经网络模型下，能够训练得到更多的卷积神经网络分类器，从而获取到识别准确率更高的基分类器。(2)本发明方法中若干数量的新的训练数据集是由一个基准数据集中的基准训练数据集和多个辅助数据集进行随机组合得到的，并且得到的各新的训练数据集为不同的，因此经过各新的训练数据集训练得到的各卷积神经网络模型的结构也不相同，本发明利用多个结构差异化的卷积神经网络模型集成识别，能够获得更好的人脸性别识别性能，进一步提高性别识别的准确率。(3)本发明方法中随机生成一定数量的卷积神经网络模型，然后利用基准数据集中的基准训练数据集与辅助数据集随机组合得到的新的训练数据集训练各卷积神经网络模型，以获取到对应的卷积神经网络分类器，然后利用基准数据集中的基准测试数据集验证各卷积神经网络分类器性别识别的准确率，最后选取出性别识别准确率排名前M的卷积神经网络分类器作为基分类器；可见本发明方法中选取的M个基分类器是性别识别准确率最高的基分类器，能够大大提高本发明方法性别识别准确率。附图说明图1是本发明方法流程图。图2是本发明方法中基分类器获取流程图。图3是本发明方法中基准数据集和辅助数据集随机组合后获取到的新的训练数据集。图4是本发明方法中六层卷积层的卷积神经网络模型G_CNNS_6结构图。具体实施方式下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。实施例本实施例公开了一种基于集成卷积神经网络的性别识别方法，如图1所示，步骤如下：S1、首先随机组合形成若干个新的训练数据集，然后选取出M个经过上述新的训练数据集训练得到的卷积神经网络分类器作为基分类器，分别为第一基分类器、第二基分类器，…，第M基分类器；如图2所示，本步骤中基分类器获取过程具体如下：S11、选择一个基准数据集和若干辅助数据集；其中基准数据集分割成基准训练数据集和基准测试数据集；如图3所示，本实施例中选择Feret数据集为基准数据集，Adience数据集和AR数据集为辅助数据集；按照4:1的比例将Feret数据集分割成基准训练数据集和基准测试数据集；S12、辅助数据集随机组合后加入到基准训练数据集中，构成若干个新的训练数据集；在本实施例中将辅助数据集Adience数据集和AR数据集加入到Feret数据集的基准训练数据集中，可以构成4个新的训练数据集，分别是Feret数据集、Feret数据集+Adience数据集、Feret数据集+AR数据集、Feret数据集+Adience数据集+AR数据集。S13、随机生成一定数量的卷积神经网络模型；本实施例方法中随机生成2个卷积神经网络模型，分别为五层卷积层的卷积神经网络模型G_CNNS_5和六层卷积层的卷积神经网络模型G_CNNS_6。S14、利用步骤S12中得到的若干个新的训练数据集分别对步骤S13生成的卷积神经网络模型进行训练，得到多个卷积神经网络分类器；在本实施例中步骤S12获取到的4个数据集分别步骤S13中生成的2个卷积神经网络模型进行训练，训练得到8个卷积神经网络分类器；卷积神经网络分类器中分类器采用SoftMax分类器。S15、分别计算步骤S14获取的各卷积神经网络分类器在基准测试数据集上的识别准确率；在本实施例中分别计算步骤S14中得到的8个卷积神经网络分类器在Feret数据集的基准测试数据集上的识别准确率。S16、选择识别准确率排名前M的M个卷积神经网络分类器作为基分类器。在本实施例中M为5，即本步骤中上述8个卷积神经网络分类器中识别准确率排名前5的卷积神经网络分类器选择出来作为基分类器，获取到5个基分类器。S2、获取待测人脸图像；S3、在测试时，将待测人脸图像分别输入步骤S1获取到的M个基分类器，得到M个基分类器输出的类别，分别为类别X1、类别X2，…，类别XM，然后融合M个基分类器输出的性别类别，获得最终的一个性别类别。本实施例中随机生成的各卷积神经网络模型网络调优参数配置可以如下表表1所示；表1元参数参数值备注max_iter50000设置卷积迭代50000次时训练停止base_lr0.001设置学习的速率为0.001solver_modeGPU设置训练模式为用GPU进行训练weight_decay0.0005设置权重衰减的速率为0.0005，防止过拟合snapshot10000设置每10000次对预测模型等进行快照保存如图4所示，本实施例上述步骤S13中六层卷积层的卷积神经网络模型G_CNNS_6的输入层至输出层之间依次连接有：第一数据层Date21层，该层主要对训练集进行设置，定义输入数据采用LMDB(内存映射型数据库)的数据格式，图片统一大小为227*227，批处理图片数目为128个，并定义输入训练集的路径source(源)。第二数据层Date22层，该层对验证集进行设置，也采用LMDB的数据格式，图片统一大小为227*227，批处理图片数目为50个，并配置输入验证集的文件目录source。第一卷积层conv21层，该层中初始化偏置为0，用方差为0.01的高斯滤波器计算权重；该层卷积核大小为11*11，卷积核个数为96；经过该层卷积后特征图的大小为55*55；该层卷积核的学习速率为1和衰减因子为1，偏置的学习速率为2和衰减因子为0。第一下采样层P21层，该层使用Max_pooling算法进行下采样，设置下采样领域大小为3*3，池化步长为2，下采样后特征图大小变为27*27。第一LRN(LocalResponseNormalization，即局部响应归一化层)层L21层，该层使用LRN进行归一化。采用默认的ACROSS_CHANNELS模式，可以将局部区域扩展到邻近的通道进行归一化，但空间范围没有变化。设置求和的通道数local_size为5，尺度参数alpha为0.0001。第二卷积层conv22层，该层卷积核大小为5*5，卷积核个数为256，卷积核的边缘增补为2；该层中设置group为2即对输入和输出的通道进行分组，输出的通道只能与同一组的输入通道连接。第二下采样层P22层，使用Max_pooling算法进行下采样，设置下采样领域大小为3*3，池化步长为2，下采样后特征图大小变为13*13。第二LRN层L22层，使用LRN进行归一化。采用默认的ACROSS_CHANNELS模式，参数值与第一LRN层L21层相同。第三卷积层conv23层，该层卷积核大小为3*3，卷积核个数为384，卷积核的边缘增补为1；设置该层卷积核的学习速率为1和衰减因子为1，偏置的学习速率为2和衰减因子为0。第四卷积层conv24层，该层卷积核大小为3*3，卷积核个数为384，卷积核的边缘增补为1；设置group为2即对输入和输出的通道进行分组。第五卷积层conv25层，该层卷积核大小为3*3，卷积核个数为256，卷积核的边缘增补为1；设置group为2即对输入和输出的通道进行分组。第六卷积层conv26层，该层卷积核大小为3*3，卷积核个数为256，卷积核的边缘增补为1；设置group为2即对输入和输出的通道进行分组。第六下采样层P26层，使用Max_pooling算法进行下采样，下采样领域大小为3*3，池化步长为2，下采样后特征图大小变为6*6。第一全链接层Q21层，输出4096个全连接。第一Dropout(随机丢弃率)层D21层，将输出值进行有概率置0，可改善训练出现过拟合。第二全链接层Q22层，输出4096个全连接。和第二Dropout层D12层；将输出值进行有概率置0，可改善训练出现过拟合。其中第一卷积层conv21层、第二卷积层conv22层、第三卷积层conv23层、第四卷积层conv24层、第五卷积层conv25层、第六卷积层conv26层、第一全链接层Q21层、第二全链接层Q22层下对应分别连接第一激活函数层ReLU21层、第二激活函数层ReLU22层、第三激活函数层ReLU23层、第四激活函数层ReLU24层、第五激活函数层ReLU25层、第六激活函数层ReLU26层、第七激活函数层ReLU27层和第八激活函数层ReLU28层。第一激活函数层ReLU21层、第二激活函数层ReLU22层、第三激活函数层ReLU23层、第四激活函数层ReLU24层、第五激活函数层ReLU25层、第六激活函数层ReLU26层、第七激活函数层ReLU27层和第八激活函数层ReLU28层分别使用ReLU(修正的线性单位)激活函数激活其所连接层的神经元。本实施例采用的上述步骤S13中采用的五层卷积层的卷积神经网络模型G_CNNS_5和上述六层卷积层的卷积神经网络模型G_CNNS_6的结构区别仅在于卷积层的层数不同，其余均相同。本实施例五层卷积层的卷积神经网络模型G_CNNS_5的输入层至输出层之间依次连接有第一数据层Date11层、第二数据层Date12层、第一卷积层conv11层、第一下采样层P11层、第一LRN层L11层、第二卷积层conv12层、第二下采样层P12层、第二LRN层L12层、第三卷积层conv13层、第四卷积层conv14层、第五卷积层conv15层、第五下采样层P15层、第一全链接层Q11层、第一Dropout层D11层、第二全链接层Q12层和第二Dropout层D12层；第一卷积层conv11层、第二卷积层conv12层、第三卷积层conv13层、第四卷积层conv14层、第五卷积层conv15层、第一全链接层Q11层、第二全链接层Q12层下对应分别连接第一激活函数层ReLU11层、第二激活函数层ReLU12层、第三激活函数层ReLU13层、第四激活函数层ReLU14层、第五激活函数层ReLU15层、第六激活函数层ReLU16层和第七激活函数层ReLU17层。上述五层卷积层的卷积神经网络模型G_CNNS_5各层中参数和六层卷积层的卷积神经网络模型G_CNNS_6各层中参数对应相同。在本实施例中上述步骤S16中选择出的5个基分类器分别为第一基分类器CNN1、第二基分类器CNN2、第三基分类器CNN3、第四基分类器CNN4和第五基分类器CNN5；其中如下表表2所示，第一基分类器CNN1由Feret数据集训练六层卷积层的卷积神经网络模型G_CNNS_6得到，第二基分类器CNN2由Feret数据集+AR数据集训练五层卷积层的卷积神经网络模型G_CNNS_5得到，第三基分类器CNN3由Feret数据集+AR数据集训练六层卷积层的卷积神经网络模型G_CNNS_6得到，第四基分类器CNN4由Feret数据集+Adience数据集训练五层卷积层的卷积神经网络模型G_CNNS_5得到，第五基分类器CNN5由Feret数据集+Adience数据集+AR数据集训练五层卷积层的卷积神经网络模型G_CNNS_5得到。本实施例中将待测人脸图像分别输入至第一基分类器CNN1、第二基分类器CNN2、第三基分类器CNN3、第四基分类器CNN4和第五基分类器CNN5中，然后采用简单投票融合方法融合这5个基分类器输出的性别类别，实现对这5个基分类器输出的识别结果进行投票表决，获得最终的一个性别类别，如下表表2所示本实施例中性别识别方法的性别识别准确率可达到97.82％。表2上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。当前第1页1 2 3