对应更新前的第二权值矩阵W2的值。
[0030] 可选的，所述β的值在每一次训练迭代中更新方法为：
[0031]
[0032] 其中，β _表示在每一次的误差反向传播时更新后的调节权重β的值，β ^对应 更新前的调节权重β的值；
[0033] 上述公式中求偏导的部分可由如下公式得到：
[0034]
[0035] 其中，f' (〇)表示对判决结果〇求导，"mean(B(:))"表示对矩阵B中所有元素取 平均值运算；矩阵B表示由在每一次的误差反向传播时更新后的调节权重β的值构成的矩 阵，该矩阵B的行列数与判决结果〇的行列数相同。
[0036] 基于上述构建的深层网络，本发明还提供了一种用于人脸的年龄或性别的识别方 法，所述方法包含：
[0037] 用于基于卷积神经网络提取待识别人脸图片的高层特征；
[0038] 用于基于人工神经网络提取待识别人脸图片的低层和全局特征；
[0039] 用于将提取的低层特征和高层特征输入如下的判决公式，进行性别或者年龄判 决，输出判决结果：
[0040] 〇 = sigm(W1^hfo+β Xw2*lfo+b)
[0041] 其中，上述公式中的第一权值矩阵W1、第二权值矩阵w2、β和b为深层网络构建方 法确定的值，hfo表示提取的待识别人脸的高层特征向量，Ifo表示提取的待识别人脸的低 层特征向量，〇表示性别或年龄的判决结果。
[0042] 采用如下步骤提取低层特征：
[0043] 用于将输入的待识别的人脸图片进行扁平化处理并归一化后，得到人脸的原始特 征向量；
[0044] 用于将原始特征向量输入人工神经网络，通过多层神经元结构对输入向量进行重 建，得到一个Lf维的特征向量作为提取的低层特征向量。
[0045] 此外，本发明提供了一种用于人脸的年龄或性别的识别系统，所述系统包含：
[0046] 高层特征提取模块，用于基于卷积神经网络提取待识别人脸图片的高层特征；
[0047] 低层特征提取模块，用于基于人工神经网络提取待识别人脸图片的低层和全局特 征；
[0048] 基于神经网络的判决模块，用于将提取的低层特征和高层特征输入如下的判决公 式，进行性别或者年龄判决，输出判决结果：
[0049] 〇 = sigm(W1^hfo+β Xw2*lfo+b)
[0050] 其中，上述公式中的第一权值矩阵W1、第二权值矩阵w2、β和b为完成针对训练图 片的若干次迭代后获取（即上述网络构建完成时得到的各参数的最终取值），hfo表示提取 的待识别人脸的高层特征向量，Ifo表示提取的待识别人脸的低层特征向量，〇表示性别或 年龄的判决结果。
[0051] 可选的，上述低层特征提取模块进一步包含：
[0052] 扁平化处理模块，用于将输入的待识别的人脸图片进行扁平化处理并归一化后， 得到人脸的原始特征向量；
[0053] 重建特征向量获取模块，用于将原始特征向量输入人工神经网络，通过多层神经 元结构对输入向量进行重建，得到一个Lf维的特征向量作为提取的低层特征向量。
[0054] 可选的，上述判决模块进一步包含：
[0055] 联合表决层模块，用于融合提取到的高层特征和低层特征，输出一种多特征结 构；
[0056] 输出层模块，用于采用若干输出神经元进行性别判决或年龄判决，所述的各个神 经元基于所述判决公式进行判决。
[0057] 与传统的"手工"确定特征描述子的方法相比，本发明的技术优势在于：
[0058] 本发明提供的深层网络能够"自动"学习人脸的特征，并且学习到的特征具有分层 结构，这样的特征对数据本身有着更本质的刻画，所以最终使用这样的特征进行分类和回 归估计时的效果也更好。进一步，与现有的深度学习的方法相比，本发明的深层网络不仅能 学习到人脸的高层抽象特征，同时学习了人脸的低层全局特征，结合两种全方位、多层次的 描述表示人脸，这样最终的分类和回归估计时，本发明的性能比只提取了单独的高层特征 的现有深度学习的方法要更好。本发明这种基于多特征的深度学习的方法在应用于人脸分 析领域时，不仅具有极强的学习能力，还有极强的泛化能力。在测试公共数据集的高质量标 准人脸图片，质量较低的网络人脸图片以及监控设备采集的实际人脸图片时，都取得了超 过现有技术的性能。故本发明能够满足实际人脸分析应用的需要。
【附图说明】
[0059] 图1为本发明提供的人脸性别识别流程图；
[0060] 图2为本发明提供的人脸年龄估计流程图；
[0061] 图3为本发明实施实例提供的人脸分析系统的结构示意图。
【具体实施方式】
[0062] 现结合附图对本发明作进一步的描述。
[0063] 本发明给出了一种基于多特征深度学习的人脸分析方法，包括：
[0064] 步骤1)、对图片进行人脸检测和预处理。
[0065] 步骤2)、对步骤1)得到的人脸图片进行人脸分析，分别输入到人脸性别识别深层 网络和人脸年龄估计深层网络。
[0066] 步骤3)、人脸性别识别深层网络输出预测的人脸图片的性别，男或女；人脸年龄 估计深层网络输出估计的人脸图片的年龄整数值，多少岁。
[0067] 一、人脸性别识别网络的构建：
[0068] 上述技术方案中，所述的步骤2)提供了一种人脸性别识别方法，如图1所示，即一 种用于人脸性别识别的深层网络系统，包括：
[0069] 步骤2-1)以步骤1)中得到的人脸图片作为网络的输入，网络的输出为图片中人 的性别预测值（男或女）。网络主要由4部分功能模块组成，包括高层特征提取模块，低层 特征提取模块，融合特征联合判决输出模块以及参数训练模块。
[0070] 上述方案中，所述步骤2-1)具体包括如下步骤：
[0071] 步骤2-1-1)、高层特征提取：直接采用现有深度学习方法中的卷积神经网络的卷 积层和下采样层结构实现对输入训练图片的高层特征提取。在具体实施时，采用3层卷积 层C1, C2和C3，以及两层下采样层S1, S2的组合，层与层之间全连接。
[0072] 步骤2-1-2)、低层特征提取：与高层特征提取模块同步对输入训练图像进行处 理。
[0073] 首先，将输入的人脸的训练图片由二维的图结构形式转化为向量的形式（称为扁 平化处理，flat操作）。对输入图片进行flat操作后再对得到的向量进行归一化，得到人 脸的原始特征向量。
[0074] 然后，将原始特征向量连接到重建网络以获得重建特征向量。重建网络基于人工 神经网络原理搭建，共L层。每一层的神经元输出即可看作是特征向量，下一层的神经元对 上一层输出的向量进行重新编码，进行重新表示和描述后再输出，层与层之间采取全连接 的方式，每一个神经元采用sigmoid函数进行激活。原始特征向量首先连接至重建网络的 H1层，H1层含有Ii1个神经单元，假设输入图片大小为NXN，那么人脸原始特征向量为NXN 维，经过H1层后变为Ill维特征向量。然后接着连接至H2层，H 2层含有h2个神经单元，那么 特征向量进一步变为h2维。以此类推，根据实际需要，最后连接至H n层，得到一个hn维的 特征向量。层与层之间的连接用数学公式表达为：
[0075] a1+1 = sigmCff1 · a^b1) (1)
[0076] 其中"sigm〇"表示sigmoid函数的矩阵形式（即对矩阵中每一个元素进行 sigmoid函数激活），a1+1及a1分别表示第（1+1)层和第1层的输出的矩阵形式（此处即为 特征向量），W 1为连接第（1+1)层和第1层之间神经元的权值矩阵，b1表示第1层的偏置矩 阵。
[0077] 这个hn维的特征向量即是重建网络的输出，也即重建特征向量。重建特征向量剔 除了人脸原始特征向量中对性别分类无效的冗余信息，减少了部分噪声干扰，能够较好的 刻画人脸的低层和全局特征。
[0078] 步骤2-1-3)、联合判决输出：联合提取到的高层特征与低层特征一起进行最终的 性别判决，输出性别预测值（男或女）。
[0079] 高层特征提取部分得到的高层特征图进行flat操作后转化为向量形式，与低层 特征提取得到的重建特征向量连接在一起构成联合表决层，联合表决层仍然基于人工神 经网络原理与上一层相连。假设高层特征提取最后得到了 G张 qXq大小的特征图，那么 转化为向量后可得到一个GXqXq维高层特征向量；重建特征向量为匕维；那么联合表 决层中即含有（GXqXq+h n)个神经元，对高层特征向量和重建特征向量进行融合，形成一 种多特征结构形式的向量。联合表决层的输出即是我们整个网络提取到的多特征结构的 (GXqXq+h n)维特征向量。
[0080] 联合表决层再全连接到最终的输出神经元，输出神经元有两个（男女两类），输出 的是最终结果某一类的概率P 1，输出神经元采用Sigmoid函数激活，那么每一类的概率可表 示为：
[0081] ⑵.
[0082] 其中W表不联合表决层