《電子技術應用》
您所在的位置:首頁 > 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。
中圖分類號: TN06;TP3
文獻標識碼: A
DOI:10.16157/j.issn.0258-7998.200354
中文引用格式: 王高升. 人臉屬性識別系統的設計與實現[J].電子技術應用,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

    人臉的屬性包含了人的面部相關重要的信息,如人的年齡、性別、種族等屬性信息。人臉屬性的識別就是借助提取出的人臉面部的屬性信息然后再進行識別的過程。最近的幾年來,隨著計算機視覺技術、深度學習卷積神經網絡的飛速發展與應用,出現了許多人臉檢測與識別相關的應用,其中常見的一些應用場景包括:道路上的行人監控系統(如檢測道路上的行人是否佩戴墨鏡或者口罩等)、人臉識別的門禁系統[1]以及采用人臉識別的打卡簽到系統等。雖然目前在人臉檢測與人臉屬性識別的方面得到了非常大的發展,不過很多的之前的研究僅僅局限于預測單個的人臉的屬性(例如性別或者年齡)或者為每個的人臉屬性信息都通過學習得到一個單獨的用于進行識別的模型。

    相比于基于HOG-多尺度LBP特征的人臉性別識別[2]的93.0%準確率,本文采用的人臉屬性識別網絡在性別屬性識別的準確率上有了4.32%的提升。文獻[2]提出了一種方向梯度直方圖和多尺度局部二值模式多特征融合的人臉性別識別算法。首先,對輸入圖像進行裁剪和縮放得到多個分辨率的人臉圖像,再分別提取LBP統計直方圖并合成一個特征向量;然后提取目標圖像頭肩模型的HOG特征得到HOG特征向量;最后,將LBP特征向量與HOG特征向量合成一個新的特征向量,應用支持向量機進行訓練。而相比于本文提出的采用深度卷積神經網絡進行人臉檢測及人臉屬性的識別,本文的網絡結構在性別屬性識別上有著更好的效果。

    同時本文采用的網絡結構相比于DEPGHAN A[3]提出的基于MTL的DCNN網絡去識別人臉的屬性,其網絡是基于不同的任務采用不同的數據集去訓練該DCNN網絡,本文通過采用Resnet50深度殘差卷積神經網絡同時進行人臉多屬性的識別,使用一個網絡結構實現多個人臉屬性的識別而非單一人臉屬性識別,同時本文人臉多屬性識別的準確率相比于基于MTL的DCNN網絡在年齡屬性識別及性別屬性識別上分別有7.64%和6.32%的提升,提升顯著。




本文詳細內容請下載:http://www.tom3567.com/resource/share/2000003487




作者信息:

王高升

(華北計算機系統工程研究所,北京100083)

此內容為AET網站原創,未經授權禁止轉載。
主站蜘蛛池模板: 国产高潮呻吟久久久| 日韩中文字幕视频在线| 国产精品三级在线| 国产精品永久免费视频| 国产精品一香蕉国产线看观看| 免费久久99精品国产自| 久久久久久成人| 国产成人精品日本亚洲11| 久久99精品国产一区二区三区| 国产精品九九九| 91精品在线观看视频| 性高潮久久久久久久久| 日产国产精品精品a∨| 国产精品丝袜一区二区三区| 97成人在线视频| 国产精品久久久久久久久久久不卡| 国产免费一区视频观看免费| 亚洲欧洲国产精品久久| 91精品免费视频| 久久成人这里只有精品| 欧美日韩国产第一页| 久久本道综合色狠狠五月| 国产精品高潮呻吟久久av野狼| 91精品视频在线| 久久精品国产精品| 亚洲精品一区二区毛豆| 日韩av观看网址V| 国产精品亚发布| 亚洲一区二区三区免费观看 | 国产精品久久久久久久久久久久午夜片| 日本一区二区在线视频| 欧美亚洲另类久久综合| 亚洲熟妇av日韩熟妇在线| 国产日韩欧美综合| 欧美日韩不卡在线视频 | 久久久久久久久久久av| 人妻无码一区二区三区四区 | 欧美中文在线观看国产| 国产精品观看在线亚洲人成网| 欧美精品一区二区免费| 欧美亚洲国产成人|