基于双路卷积神经网络的人脸性别识别

阴紫微，陈淑荣

（上海海事大学信息工程学院，上海 201306）

0 引言

人脸性别识别是通过人脸图像信息自动发掘和分析人脸属性的二分类问题。在广告定向投放、个性化智能推荐、人脸属性分析等方面得到广泛应用。在一些人脸尺度跨度大的应用场景，准确识别出人脸的性别将直接影响到后续的人脸属性分析。因此研究性别识别具有重要意义。

以卷积神经网络为代表的深度学习方法被广泛用于人脸性别识别研究。如Levi 等人[1]将一个三层卷积和两层全连接的卷积神经网络（CNN）运用于人脸年龄与性别识别，但是受限于过拟合[2]的问题，对非实验数据集的图片识别精度较低；石学超等[3]提出将卷积网络中的底层卷积层和更高层的卷积层相融合来增强人脸特征的卷积神经网络（L-MFCNN）模型，取得了较好的识别效果；蒋雨欣等[4]提出一种联合人脸高层特征学习和低层特征学习的深层网络模型，利用这种多特征结构进行最终的性别分类。

为进一步提高CNN 对于不同场景下的人脸的性别识别，本文建立了一种双路卷积神经网络模型。首先对输入图像归一化处理，双路CNN[5]分别采用不同深度的网络层提取图像特征，且在深层支路中采用Slice层和Eltwise 层，选取并输出具有最大响应值的特征图以简化网络运算量。再将两路网络提取到的特征图通过concatenate 操作[6]进行融合，增强特征图的语义信息。最后通过设置AM-Softmax 函数[7]中的角度间隔，更严格的约束分类距离，提升性别识别的准确率。……