(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111195206.0 (22)申请日 2021.10.14 (65)同一申请的已公布的文献号 申请公布号 CN 113642541 A (43)申请公布日 2021.11.12 (73)专利权人 环球数科集团有限公司 地址 518063 广东省深圳市南 山区粤海街 道高新南九道10号深圳湾科技生态园 10栋B座17层01- 03号 (72)发明人 张卫平　丁烨　张浩宇　张伟　 (74)专利代理 机构 北京清控智云知识产权代理 事务所 (特殊普通合伙) 11919 代理人 马肃(51)Int.Cl. G06V 40/16(2022.01) G06V 10/74(2022.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (56)对比文件 CN 111339818 A,2020.0 6.26 CN 1093254 43 A,2019.02.12 CN 104573 668 A,2015.04.2 9 US 2020151424 A1,2020.0 5.14 赖心瑜 等.基 于深度学习的人脸属性识别 方法综述. 《计算机 研究与发展》 .2021, 审查员 董雪 (54)发明名称 一种基于深度学习的人脸属性识别系统 (57)摘要 本发明提供了一种基于深度学习的人脸属 性识别系统， 其特征在于， 包括输入模块、 分析模 块、 投喂模块、 学习模块和输 出模块， 所述输入模 块用于输入一张图像， 所述图像经所述分析模块 处理后被传输至一个结果池， 所述输出模块根据 所述结果池 得到图像中的人脸属性， 所述投喂模 块含有具有人脸属性的 图像， 所述学习模块用于 对所述分析模块的参数进行调整； 该系统能够根 据需求自动设定人脸属性的类型及对应的子属 性， 并根据设定的设定的属性生成对应的分析模 块， 而分析模块中分叉器的数量越多， 学习的效 率越高， 判断的准确率 也越高。 权利要求书2页 说明书8页 附图3页 CN 113642541 B 2022.02.08 CN 113642541 B 1.一种基于深度学习的人脸属性识别系统， 其特征在于， 包括输入模块、 分析模块、 投 喂模块、 学习模块和输出模块， 所述输入模块用于输入一张图像， 所述图像经所述分析模块 处理后被传输至一个结果池， 所述输出模块根据所述结果池得到图像中的人脸属 性， 所述 投喂模块包括具有人脸属性的图像， 所述学习模块用于对所述分析模块的参数进行调整； 所述分析模块包括分散单元和聚合单元， 所述分散单元对输入的图像处理后将所述图 像发送至一个若干输出端中的其中一个， 所述聚合单元用于将所述输出端与所述结果池建 立对应关系， 不同的结果池具有不同的人脸属性； 所述系统的使用包括三个阶段， 第一阶段为结果池与输出端的连接， 第二阶段为分析 模块的学习改进， 第三阶段为 正式使用； 第一阶段通过 所述投喂模块向所述分析模块输入图像并进行收集处 理； 所述投喂模块还包括收集单元， 所述收集单元与输出端直接相连， 所述投喂模块对输 入的图像在输出端的位置进行 统计， 每个输出端 具有的同一类型人脸属性中数量最多的子 属性为该输出端的人脸属性， 所述聚合单元根据输出端的人脸属性与对应的结果池建立连 接关系； 第二阶段通过所述投 喂模块向所述分析模块输入图像， 所述学习 模块根据结果随所述 分析模块进行调整； 所述分析模块包括若干分叉器， 所述分叉器包括一个输入端、 两个输出端和一个判断 箱， 所述分叉器的输入端与另一个分叉器的输出端相连， 所述判断箱对所述输入端的图像 进行计算并将计算结果与阈值比较， 通过比较结果选择对应的一个输出端发送图像， 在所 述第二阶段， 图像会记录其经过 的分叉器， 所述学习模块根据所述分析模块判断的属 性结 果确定一个目标分叉器， 所述 目标分叉器的确定根据如下原则： 若 改变分叉器上 的输出端 的选择后有可能得到正确的属 性结果， 且该分叉器离结果池最近， 则该分叉器为 目标分叉 器； 当需要将所述目标分叉器上的阈值减小时， 该目标分叉器 的负计数器n‑累加1， 当需要 将所述目标分叉器上的阈值增大时， 该目标分叉器的正计数器n+累加1； 当投喂一批图像后， 所述学习模块对所述目标分叉器中判断箱中的阈值Yu进行调整， 调整方式为： ； 其中， nz为在这批学习图像中经 过该目标分叉器的总次数； 所述第三阶段和所述第 二阶段需要基于所述第 一阶段才能进行， 所述第 二阶段和所述 第三阶段能够并行使用， 所述第二阶段的学习数据越多， 所述第三阶段的识别结果越准确。 2.如权利要求1所述的一种基于深度 学习的人脸属性识别系统， 其特征在于， 所述分叉 器包括顶层分叉器、 中间层分叉器和底层分叉器， 所述底层分叉器的输出端作为分散单元 的输出端与结果池连接 。 3.如权利要求2所述的一种基于深度 学习的人脸属性识别系统， 其特征在于， 所述收集 单元在所述第一阶段对所述底层分叉器输出端的人脸属性进 行平均调整， 使得每个结果池 对应的底层分叉器输出端数量为平均值， 所述平均调整包括三个步骤， 第一步S1是选取结 果池中超 出平均值数量的底层分叉器输出端， 第二步S2是分配第一步中选取的底层分叉器权　利　要　求　书 1/2 页 2 CN 113642541 B 2输出端分配给底层分叉器输出端不 足平均值的结果池， 第三步S3是分配无人脸属性的底层 分叉器输出端。 4.如权利要求3所述的一种基于深度 学习的人脸属性识别系统， 其特征在于， 所述收集 单元通过计算第一吻合值W1进行步骤S 1中底层分叉器输出端的选取， 所述第一吻合值W1的 计算公式为： ； 其中， ni表示该底层分叉器输出端中第i类人脸属性中个数最多的子属性 的个数， mi表 示该底层分叉器输出端中第i类人脸属性的所有子属性的总个数， n为人脸属性的种类个 数。 5.如权利要求4所述的一种基于深度 学习的人脸属性识别系统， 其特征在于， 所述收集 单元通过计算第二吻合值W2来进行步骤S2中底层 分叉器输出端的分配， 所述第 二吻合值W2 的计算公式为： ； 其中， ni’表示待分配底层分叉器输出端中含有的第i类人脸属性中为该结果池的子属 性的个数。权　利　要　求　书 2/2 页 3 CN 113642541 B 3