基于人脸识别的宝宝长相预测方法、装置及存储介质

摘要

本发明涉及人工智能技术领域，提供一种基于人脸识别的亲子长相预测方法、装置及计算机可读存储介质，其中的方法包括：于人脸识别技术获取准父母照片的脸部特征；对获取的所述准父母的脸部特征进行对比分析；根据对比分析结果，保留所述准父母的脸部特征的脸部基础特征，并根据特征统计规律保留所述准父母的脸部特征的脸部辅助特征；将所述脸部基础特征和所述脸部辅助特征进行融合，合成宝宝的预测照片。本发明通过人脸识别技术分别提取准父母照片的脸部特征，并对提取的脸部特征进行对比分析与融合，有效提高宝宝长相预测的准确率，提升了用户体验。

权利要求

1.一种基于人脸识别的宝宝长相预测方法，应用于电子装置，其特征在于，所述方法包括：基于人脸识别技术获取准父母照片的脸部特征；

对获取的所述准父母的脸部特征进行对比分析；

根据对比分析结果，保留所述准父母的脸部特征的脸部基础特征，并根据特征统计规律保留所述准父母的脸部特征的脸部辅助特征；

将所述脸部基础特征和所述脸部辅助特征进行融合，合成宝宝的预测照片。

2.根据权利要求1所述的基于人脸识别的宝宝长相预测方法，其特征在于，所述基于人脸识别技术获取准父母照片的脸部特征的步骤包括：构建并训练基于人脸训练图像的深度神经网络；

获取待识别图像；

检测待识别图像中人脸区域的位置并将所述人脸区域提取出来；

将人脸区域图像转化为标准正面人脸图像后，输入至所述深度神经网络；

利用所述深度神经网络，输出标准正面人脸图像的表达向量，其中，所述表达向量用于描述待识别图像的人脸特征。

3.根据权利要求2所述的基于人脸识别的宝宝长相预测方法，其特征在于，所述构建并训练基于人脸训练图像的深度神经网络的步骤包括：利用开源的预训练模型初始化所述深度神经网络；

将多种类型的多张人脸训练图像输入所述深度神经网络；

根据所述每张人脸训练图像的特征，使用异步随机梯度下降算法学习所述深度神经网络的特征提取参数；

根据所述特征提取参数，使用交叉实体损失函数计算所述深度神经网络的特征提取效果值；

令所述深度神经网络迭代学习所述特征提取参数，直至所述特征提取效果值满足预设优化目标。

4.根据权利要求2所述的基于人脸识别的宝宝长相预测方法，其特征在于，所述检测待识别图像中人脸区域的位置并将所述人脸区域提取出来的步骤包括：对待识别图像进行预处理；

通过预先加载的Haar人脸检测模型，对所述预处理后的待识别图像进行人脸区域的定位；

根据所述人脸区域的定位，在所述待识别图像中将所述人脸区域提取出来。

5.根据权利要求1所述的基于人脸识别的宝宝长相预测方法，其特征在于，所述脸部基础特征为准父母的脸部特征接近的特征；

所述脸部辅助特征为准父母的脸部特征不接近的特征。

6.根据权利要求5所述的基于人脸识别的宝宝长相预测方法，其特征在于，所述特征统计规律为显性遗传规律。

7.一种电子装置，其特征在于，该电子装置包括：存储器、处理器及摄像装置，所述存储器中包括基于人脸识别的宝宝长相预测程序，所述基于人脸识别的宝宝长相预测程序被所述处理器执行时实现如下步骤：基于人脸识别技术获取准父母照片的脸部特征；

对获取的所述准父母的脸部特征进行对比分析；

根据对比分析结果，保留所述准父母的脸部特征的脸部基础特征，并根据特征统计规律保留所述准父母的脸部特征的脸部辅助特征；

将所述脸部基础特征和所述脸部辅助特征进行融合，合成宝宝的预测照片。

8.根据权利要求7所述的电子装置，其特征在于，所述基于人脸识别技术获取准父母照片的脸部特征的步骤包括：构建并训练基于人脸训练图像的深度神经网络；

获取待识别图像；

检测待识别图像中人脸区域的位置并将所述人脸区域提取出来；

将人脸区域图像转化为标准正面人脸图像后，输入至所述深度神经网络；

利用所述深度神经网络，输出标准正面人脸图像的表达向量，其中，所述表达向量用于描述待识别图像的人脸特征。

9.根据权利要求8所述的电子装置，其特征在于，所述构建并训练基于人脸训练图像的深度神经网络的步骤包括：利用开源的预训练模型初始化所述深度神经网络；

将多种类型的多张人脸训练图像输入所述深度神经网络；

根据所述每张人脸训练图像的特征，使用异步随机梯度下降算法学习所述深度神经网络的特征提取参数；

根据所述特征提取参数，使用交叉实体损失函数计算所述深度神经网络的特征提取效果值；

令所述深度神经网络迭代学习所述特征提取参数，直至所述特征提取效果值满足预设优化目标。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于人脸识别的宝宝长相预测程序，所述基于人脸识别的宝宝长相预测程序被处理器执行时，实现如权利要求1至6中任一项所述的基于人脸识别的宝宝长相预测的步骤。

说明书

基于人脸识别的宝宝长相预测方法、装置及存储介质

技术领域

[0001] 本发明涉及人工智能技术领域，尤其涉及一种基于人脸识别的宝宝长相预测方法、装置及计算机可读存储介质。

背景技术

[0002] 目前市面上的宝宝长相预测都是基于父母的照片任意从已有的宝宝照片库中选取一张，父母将选取的照片上传至预测软件中，并将结合父母的脸合成一个图像，其中，合成方式包括：基于父母某些的人脸特征去合成，有的则完全是随机选择进行合成。

[0003] 目前这种传统的方式合成的宝宝预测照片不准确，并且用户的体验性能也不好，因此，如何对宝宝长相预测进行改进，实现更准确、有更好的体验已经成为一个亟待解决的技术问题。

发明内容

[0004] 本发明提供一种基于人脸识别的宝宝长相预测方法、装置及存储介质，其主要目的在于通过人脸识别技术分别提取准父母照片的脸部特征，并对提取的脸部特征进行对比分析与融合，有效提高宝宝长相预测的准确率，提升了用户体验。

[0005] 为实现上述目的，本发明提供一种电子装置，该装置包括：存储器、处理器及摄像装置，所述存储器中包括基于人脸识别的宝宝长相预测程序，所述基于人脸识别的宝宝长相预测程序被所述处理器执行时实现如下步骤：

[0006] 基于人脸识别技术获取准父母照片的脸部特征；

[0007] 对获取的所述准父母的脸部特征进行对比分析；

[0008] 根据对比分析结果，保留所述准父母的脸部特征的脸部基础特征，并根据特征统计规律保留所述准父母的脸部特征的脸部辅助特征；

[0009] 将所述脸部基础特征和所述脸部辅助特征进行融合，合成宝宝的预测照片。

[0010] 优选地，所述基于人脸识别技术获取准父母照片的脸部特征的步骤包括：

[0011] 构建并训练基于人脸训练图像的深度神经网络；

[0012] 获取待识别图像；

[0013] 检测待识别图像中人脸区域的位置并将所述人脸区域提取出来；

[0014] 将人脸区域图像转化为标准正面人脸图像后，输入至所述深度神经网络；

[0015] 利用所述深度神经网络，输出标准正面人脸图像的表达向量，其中，所述表达向量用于描述待识别图像的人脸特征。

[0016] 优选地，所述构建并训练基于人脸训练图像的深度神经网络的步骤包括：

[0017] 利用开源的预训练模型初始化所述深度神经网络；

[0018] 将多种类型的多张人脸训练图像输入所述深度神经网络；

[0019] 根据所述每张人脸训练图像的特征，使用异步随机梯度下降算法学习所述深度神经网络的特征提取参数；

[0020] 根据所述特征提取参数，使用交叉实体损失函数计算所述深度神经网络的特征提取效果值；

[0021] 令所述深度神经网络迭代学习所述特征提取参数，直至所述特征提取效果值满足预设优化目标。

[0022] 此外，为实现上述目的，本发明还提供一种基于人脸识别的宝宝长相预测方法，所述方法包括：

[0023] 基于人脸识别技术获取准父母照片的脸部特征；

[0024] 对获取的所述准父母的脸部特征进行对比分析；

[0025] 根据对比分析结果，保留所述准父母的脸部特征的脸部基础特征，并根据特征统计规律保留所述准父母的脸部特征的脸部辅助特征；

[0026] 将所述脸部基础特征和所述脸部辅助特征进行融合，合成宝宝的预测照片。

[0027] 优选地，所述基于人脸识别技术获取准父母照片的脸部特征的步骤包括：

[0028] 构建并训练基于人脸训练图像的深度神经网络；

[0029] 获取待识别图像；

[0030] 检测待识别图像中人脸区域的位置并将所述人脸区域提取出来；

[0031] 将人脸区域图像转化为标准正面人脸图像后，输入至所述深度神经网络；

[0032] 利用所述深度神经网络，输出标准正面人脸图像的表达向量，其中，所述表达向量用于描述待识别图像的人脸特征。

[0033] 优选地，所述构建并训练基于人脸训练图像的深度神经网络的步骤包括：

[0034] 利用开源的预训练模型初始化所述深度神经网络；

[0035] 将多种类型的多张人脸训练图像输入所述深度神经网络；

[0036] 根据所述每张人脸训练图像的特征，使用异步随机梯度下降算法学习所述深度神经网络的特征提取参数；

[0037] 根据所述特征提取参数，使用交叉实体损失函数计算所述深度神经网络的特征提取效果值；

[0038] 令所述深度神经网络迭代学习所述特征提取参数，直至所述特征提取效果值满足预设优化目标。

[0039] 优选地，所述检测待识别图像中人脸区域的位置并将所述人脸区域提取出来的步骤包括：

[0040] 对待识别图像进行预处理；

[0041] 通过预先加载的Haar人脸检测模型，对所述预处理后的待识别图像进行人脸区域的定位；

[0042] 根据所述人脸区域的定位，在所述待识别图像中将所述人脸区域提取出来。

[0043] 优选地，所述脸部基础特征为准父母的脸部特征接近的特征；

[0044] 所述脸部辅助特征为准父母的脸部特征不接近的特征。

[0045] 优选地，所述特征统计规律为显性遗传规律。

[0046] 此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于人脸识别的宝宝长相预测程序，所述基于人脸识别的宝宝长相预测程序被处理器执行时，实现如上所述的基于人脸识别的宝宝长相预测方法中的任意步骤。

[0047] 本发明提出的基于人脸识别的宝宝长相预测方法、电子装置及计算机可读存储介质，通过基于人脸识别技术获取准父母照片的脸部特征；对获取的所述准父母的脸部特征进行对比分析，保留准父母的脸部特征的脸部基础特征，并根据特征统计规律保留所述准父母的脸部特征的脸部辅助特征；将所述脸部基础特征和所述脸部辅助特征进行融合合成宝宝的预测照片。通过基于人脸识别技术结合特征统计规律合成宝宝的预测照片，有效提高宝宝长相预测的准确率，提升了用户体验。

附图说明

[0048] 图1为本发明基于人脸识别的宝宝长相预测方法较佳实施例的应用环境示意图；

[0049] 图2为图1中基于人脸识别的宝宝长相预测程序较佳实施例的模块示意图；

[0050] 图3为本发明基于人脸识别的宝宝长相预测方法较佳实施例的流程图。

[0051] 图4为本发明基于人脸识别技术获取准父母照片的脸部特征的步骤流程图；

[0052] 图5为本发明检测待识别图像中人脸区域的位置并将所述人脸区域提取出来的步骤流程图。

[0053] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

[0054] 应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0055] 本发明提供一种基于人脸识别的宝宝长相预测方法，应用于一种电子装置1。参照图1所示，为本发明基于人脸识别的宝宝长相预测方法较佳实施例的应用环境示意图。

[0056] 在本实施例中，电子装置1可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有运算功能的终端设备。

[0057] 该电子装置1包括：处理器12、存储器11、网络接口14及通信总线15。

[0058] 存储器11包括至少一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器11等的非易失性存储介质。在一些实施例中，所述可读存储介质可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘。在另一些实施例中，所述可读存储介质也可以是所述电子装置1的外部存储器11，例如所述电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。

[0059] 在本实施例中，所述存储器11的可读存储介质通常用于存储安装于所述电子装置1的基于人脸识别的宝宝长相预测程序10、深度神经网络及开源的预训练模型、Haar人脸检测模型等。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。

[0060] 处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行基于人脸识别的宝宝长相预测程序10等。

[0061] 网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该电子装置1与其他电子设备之间建立通信连接。

[0062] 通信总线15用于实现这些组件之间的连接通信。

[0063] 图1仅示出了具有组件11-15的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

[0064] 可选地，该电子装置1还可以包括用户接口，用户接口可以包括输入单元比如键盘(Keyboard)、语音输入装置比如麦克风(microphone)等具有语音识别功能的设备、语音输出装置比如音响、耳机等，可选地用户接口还可以包括标准的有线接口、无线接口。

[0065] 可选地，该电子装置1还可以包括显示器，显示器也可以称为显示屏或显示单元。在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。显示器用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。

[0066] 可选地，该电子装置1还包括触摸传感器。所述触摸传感器所提供的供用户进行触摸操作的区域称为触控区域。此外，这里所述的触摸传感器可以为电阻式触摸传感器、电容式触摸传感器等。而且，所述触摸传感器不仅包括接触式的触摸传感器，也可包括接近式的触摸传感器等。此外，所述触摸传感器可以为单个传感器，也可以为例如阵列布置的多个传感器。

[0067] 此外，该电子装置1的显示器的面积可以与所述触摸传感器的面积相同，也可以不同。可选地，将显示器与所述触摸传感器层叠设置，以形成触摸显示屏。该装置基于触摸显示屏侦测用户触发的触控操作。

[0068] 可选地，该电子装置1还可以包括射频(Radio Frequency，RF)电路，传感器、音频电路等等，在此不再赘述。

[0069] 在图1所示的装置实施例中，作为一种计算机存储介质的存储器11中可以包括操作系统、以及基于人脸识别的宝宝长相预测程序10；处理器12执行存储器11中存储的基于人脸识别的宝宝长相预测程序10时实现如下步骤：

[0070] 基于人脸识别技术获取准父母照片的脸部特征；

[0071] 对获取的所述准父母的脸部特征进行对比分析；

[0072] 根据对比分析结果，保留所述准父母的脸部特征的脸部基础特征，并根据特征统计规律保留所述准父母的脸部特征的脸部辅助特征；

[0073] 将所述脸部基础特征和所述脸部辅助特征进行融合，合成宝宝的预测照片。

[0074] 优选地，所述基于人脸识别技术获取准父母照片的脸部特征的步骤包括：

[0075] 构建并训练基于人脸训练图像的深度神经网络；

[0076] 获取待识别图像；

[0077] 检测待识别图像中人脸区域的位置并将所述人脸区域提取出来；

[0078] 将人脸区域图像转化为标准正面人脸图像后，输入至所述深度神经网络；

[0079] 利用所述深度神经网络，输出标准正面人脸图像的表达向量，其中，所述表达向量用于描述待识别图像的人脸特征。

[0080] 优选地，所述构建并训练基于人脸训练图像的深度神经网络的步骤包括：

[0081] 利用开源的预训练模型初始化所述深度神经网络；

[0082] 将多种类型的多张人脸训练图像输入所述深度神经网络；

[0083] 根据所述每张人脸训练图像的特征，使用异步随机梯度下降算法学习所述深度神经网络的特征提取参数；

[0084] 根据所述特征提取参数，使用交叉实体损失函数计算所述深度神经网络的特征提取效果值；

[0085] 令所述深度神经网络迭代学习所述特征提取参数，直至所述特征提取效果值满足预设优化目标。

[0086] 优选地，所述检测待识别图像中人脸区域的位置并将所述人脸区域提取出来的步骤包括：

[0087] 对待识别图像进行预处理；

[0088] 通过预先加载的Haar人脸检测模型，对所述预处理后的待识别图像进行人脸区域的定位；

[0089] 根据所述人脸区域的定位，在所述待识别图像中将所述人脸区域提取出来。

[0090] 优选地，所述脸部基础特征为准父母的脸部特征接近的特征；

[0091] 所述脸部辅助特征为准父母的脸部特征不接近的特征。

[0092] 优选地，所述特征统计规律为显性遗传规律。上述实施例提出的电子装置1，通过基于人脸识别技术分别提取准父母照片的脸部特征；对于提出的多个特征进行对比分析，对于双方特征较接近的特征保留，对于双方特征不接近的依据统计规律进行选择；基于人脸融合技术，智能将保留和选取的特征进行融合，生成一张全新的宝宝照片。通过基于人脸识别技术结合特征统计规律合成宝宝的预测照片，有效提高宝宝长相预测的准确率，提升了用户体验。

[0093] 在其他实施例中，基于人脸识别的宝宝长相预测程序10还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由处理器12执行，以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。参照图2所示，为图1中基于人脸识别的宝宝长相预测程序10较佳实施例的程序模块图。所述基于人脸识别的宝宝长相预测程序10可以被分割为：脸部特征获取模块110、脸部特征对比分析模块120、脸部基础特征保留模块130、脸部辅助特征保留模块140及融合模块150。所述模块110-150所实现的功能或操作步骤均与上文类似，此处不再详述，示例性地，例如其中：

[0094] 脸部特征获取模块110，用于基于人脸识别技术获取准父母照片的脸部特征；

[0095] 脸部特征对比分析模块120，用于对获取的所述准父母的脸部特征进行对比分析；

[0096] 脸部基础特征保留模块130，用于根据对比分析结果，保留所述准父母的脸部特征的脸部基础特征；

[0097] 脸部辅助特征保留模块140，用于根据特征统计规律保留所述准父母的脸部特征的脸部辅助特征；

[0098] 融合模块150，用于将所述脸部基础特征和所述脸部辅助特征进行融合，合成宝宝的预测照片。

[0099] 此外，本发明还提供一种基于人脸识别的宝宝长相预测方法。参照图3所示，为本发明基于人脸识别的宝宝长相预测方法较佳实施例的流程图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。

[0100] 在本实施例中，基于人脸识别的宝宝长相预测方法包括：步骤S310-步骤S340。

[0101] S310：基于人脸识别技术获取准父母照片的脸部特征；

[0102] S320：对获取的所述准父母的脸部特征进行对比分析；

[0103] S330：根据对比分析结果，保留所述准父母的脸部特征的脸部基础特征，并根据特征统计规律保留所述准父母的脸部特征的脸部辅助特征；

[0104] S340：将所述脸部基础特征和所述脸部辅助特征进行融合，合成宝宝的预测照片。

[0105] 在步骤S310中，利用神经网络等深度学习算法都可以对人脸进行特征点提取。

[0106] 其中，如图4所示的所述基于人脸识别技术获取准父母照片的脸部特征的步骤包括：步骤S311至步骤S315。

[0107] 具体步骤如下：

[0108] S311：构建并训练基于人脸训练图像的深度神经网络；

[0109] S312：获取待识别图像；

[0110] S313：检测待识别图像中人脸区域的位置并将所述人脸区域提取出来；

[0111] S314：将人脸区域图像转化为标准正面人脸图像后，输入至所述深度神经网络；

[0112] S315：利用所述深度神经网络，输出标准正面人脸图像的表达向量，其中，所述表达向量用于描述待识别图像的人脸特征。

[0113] 其中在步骤S311中，图4示出了基于人脸识别技术获取准父母照片的脸部特征的步骤，如图4所示，在构建并训练基于人脸训练图像的深度神经网络包括如下步骤：

[0114] S3111：利用开源的预训练模型初始化所述深度神经网络；

[0115] S3112：将多种类型的多张人脸训练图像输入所述深度神经网络；

[0116] S3113：根据所述每张人脸训练图像的特征，使用异步随机梯度下降算法学习所述深度神经网络的特征提取参数；

[0117] S3114：根据所述特征提取参数，使用交叉实体损失函数计算所述深度神经网络的特征提取效果值；

[0118] S3115：令所述深度神经网络迭代学习所述特征提取参数，直至所述特征提取效果值满足预设优化目标。

[0119] 在本发明的实施例中，通过收集各种条件下的人脸训练图像或输入数量足够多的人脸训练图像来建立深度神经网络模型，该人物训练图像为已知人物身份信息的具有标记的图像样本，用于调整深度神经网络模型的参数，使该模型能够基于监督学习，在实际应用中达到所要求的识别性能。

[0120] 在步骤S312中，待识别图像可以为一副或多副人脸图像，甚至可以是从视频流中截取出来的图像画面或根据客观描述拼接、绘制出来的人脸图画。所述待识别图像预先输入并存储于人脸识别装置的系统中。在本实施例中，利用开源计算机视觉库(Open Source Computer Vision Library，OpenCV)读取所述系统中存储的待识别图像。

[0121] 在步骤S313中，先对图像中的人脸区域进行检测，确认是否存在待检测的人脸目标，并将存在待识别图像中的人脸目标位置记录下来。图5示出了检测待识别图像中人脸区域的位置并将所述人脸区域提取出来的步骤流程。

[0122] 如图5所示，检测待识别图像中人脸区域的位置并将所述人脸区域提取出来的步骤包括步骤S3131至步骤S3133。

[0123] 具体步骤如下：

[0124] S3131：对待识别图像进行预处理；

[0125] S3132：通过预先加载的Haar人脸检测模型，对所述预处理后的待识别图像进行人脸区域的定位；

[0126] S3133：根据所述人脸区域的定位，在所述待识别图像中将所述人脸区域提取出来。

[0127] 在本实施例中，对待识别图像进行预处理可以包括：对待识别图像进行灰度化处理或者进行高斯模糊处理。若选用高斯模糊，则应当附加图像锐化处理，以突出待识别图像中的边界条纹细节，使深度神经网络模型能够从中提取出更具有判定性的人物识别特征。其中，预处理方式优选为灰度化处理，该处理可以通过直方图、灰度变化或正交变换的方式来实现。

[0128] 在上述过程中，Haar特征分为四类：边缘特征、线性特征、中心特征和对角线特征。四类Haar特征组合成为特征模板。特征模板内有白色和黑色两种矩形，该模板的Haar特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了待识别图像的灰度变化情况，通过以Haar特征值来量化人脸特征，可实现人脸和非人脸区域的区分。

[0129] 由于Haar特征模板子窗口在待识别图片中不断地进行移位及滑动，因此，子窗口每到一个位置，就会通过计算出该区域的Haar特征。通过利用预先训练好的级联分类器对该Haar特征进行筛选，一旦该特征通过了所有分类器的筛选，则判定该区域为人脸。经过上述检测，能够定位出待识别图像中的人脸区域。

[0130] 在步骤S315中，利用所述深度神经网络，输出标准正面人脸图像的表达向量，其中，所述表达向量用于描述待识别图像的人脸特征。

[0131] 其中，网络为基于GoogLeNet的深度神经网络。GoogLeNet,一个22层的深度网络。通过将标准正面人脸图像输入所述深度神经网络，经过深度网络模型的最后一个完全连接层，能够输出该待识别图像的人脸描述特征，并通过表达向量来表示。由于该网络层有128个神经元，能够产生128个输出，因此所述人脸描述特征为一个128维的向量。

[0132] 所述表达向量获取后，对其进行归一化，即以向量中每个元素除以向量的范数。归一化后向量的元素值波动范围变得相对稳定，不会因为某些元素值较小或较大而对神经网络模型的训练造成干扰。

[0133] 在步骤S320中，对步骤S310中获取的准父母双方的脸部特征进行对比分析，分析哪些是接近的脸部特征，哪些属于不是接近的脸部特征。

[0134] 也就是说，在步骤S310中通过人脸识别技术获取的准父母双方的脸部特征如：额头、眼睛、眉毛、嘴巴等所有的特征进行对比分析，首先对脸部特征的形状进行分析，如形状相同，再对某个脸部特征(额头、眼睛、眉毛、嘴巴等)设定一个阈值，例如：眉毛，眉毛形状可分为为标准眉、柳叶眉、平眉、刀眉、剑眉、远山眉、高挑眉等，从获取的父母双方的眉毛形状是否相同，如果形状相同，在设定一个阈值，当准父母的脸部特征的差值大于此阈值时，属于不是相似特征，当准父母的脸部特征的差值小于此阈值时，属于相似特征，从而找出准父母的哪些脸部特征是相似的，哪些脸部特征不是相似的。

[0135] 其中，阈值的设定根据实际情况进行设定，不同的精度要求，可以设定不同的数值范围。

[0136] 在步骤S330中，将准父母的脸部特征的相似或者接近的部分(准父母双方的相似的脸部特征)定义为脸部基础特征，并将脸部基础特征保留；将准父母的脸部特征的不相似(不接近)的部分并且保留的部分定义为脸部辅助特征。

[0137] 在本发明的实施例中，通过特征统计规律保留准父母的脸部特征的脸部辅助特征，其中，所述特征统计规律为显性遗传规律。

[0138] 人体特征的统计规律如下：

[0139] 眼睛：孩子的眼形、大小遗传自父母，大眼睛相对小眼睛是显性遗传。父母有一人是大眼睛，生大眼睛孩子的可能就会大一些。双眼皮是显性遗传，单眼皮与双眼皮的人生宝宝极有可能是双眼皮。但父母都是单眼皮，一般孩子也是单眼皮。眼球颜色：黑色等深色相对于浅色而言是显性遗传。也就是说，黑眼球和蓝眼球的人，所生的孩子不会是蓝眼球。长睫毛也是显性遗传的。父母只要一人有长睫毛，孩子遗传长睫毛的可能性就非常大。

[0140] 鼻子：一般来讲，鼻子大、高而鼻孔宽呈显性遗传。父母中一人是挺直的鼻梁，遗传给孩子的可能性就很大。鼻子的遗传基因会一直持续到成年，小时候矮鼻子，成年还可能变成高鼻子。

[0141] 耳朵：耳朵的形状的遗传的，大耳朵相对于小耳朵是显性遗传。父母双方只要一个人是大耳朵，那么孩子就极有可能也是一对大耳朵。

[0142] 头：秃头只传给男子。比如，父亲是秃头，遗传给儿子的概率则有50％，就连母亲的父亲，也会将自己的秃头的25％的概率留给外孙们。

[0143] 青春痘：因为父母双方若患过青春痘，子女们患病率将比无家庭史者高出20倍。

[0144] 通过上述统计规律将父母双方是显性遗传基因的脸部特征部分保留。

[0145] 在步骤S340中，在人脸特征提取全部提取并进行分析之后，将获取的脸部基础特征和脸部辅助特征进行拼凑，即可实现人脸融合，合成宝宝的预测照片。

[0146] 在本发明的实施例中，由于脸部基础特征为准父母的脸部特征接近的特征，在对人脸融合时，对获取的脸部基础特征部分，可以选择母亲的脸部特征，也可以选择父亲的脸部特征，在实际应用可以根据需要，选择父母双方的任何一方即可。上述实施例提出的基于人脸识别的宝宝长相预测方法，通过基于人脸识别技术获取准父母照片的脸部特征；对获取的所述准父母的脸部特征进行对比分析，保留准父母的脸部特征的脸部基础特征，并根据特征统计规律保留所述准父母的脸部特征的脸部辅助特征；将所述脸部基础特征和所述脸部辅助特征进行融合合成宝宝的预测照片。通过基于人脸识别技术结合特征统计规律合成宝宝的预测照片，有效提高宝宝长相预测的准确率，提升了用户体验。

[0147] 此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质中包括基于人脸识别的宝宝长相预测程序，所述基于人脸识别的宝宝长相预测程序被处理器执行时实现如下操作：

[0148] 基于人脸识别技术获取准父母照片的脸部特征；

[0149] 对获取的所述准父母的脸部特征进行对比分析；

[0150] 根据对比分析结果，保留所述准父母的脸部特征的脸部基础特征，并根据特征统计规律保留所述准父母的脸部特征的脸部辅助特征；

[0151] 将所述脸部基础特征和所述脸部辅助特征进行融合，合成宝宝的预测照片。

[0152] 优选地，所述基于人脸识别技术获取准父母照片的脸部特征的步骤包括：

[0153] 构建并训练基于人脸训练图像的深度神经网络；

[0154] 获取待识别图像；

[0155] 检测待识别图像中人脸区域的位置并将所述人脸区域提取出来；

[0156] 将人脸区域图像转化为标准正面人脸图像后，输入至所述深度神经网络；

[0157] 利用所述深度神经网络，输出标准正面人脸图像的表达向量，其中，所述表达向量用于描述待识别图像的人脸特征。

[0158] 优选地，所述构建并训练基于人脸训练图像的深度神经网络的步骤包括：

[0159] 利用开源的预训练模型初始化所述深度神经网络；

[0160] 将多种类型的多张人脸训练图像输入所述深度神经网络；

[0161] 根据所述每张人脸训练图像的特征，使用异步随机梯度下降算法学习所述深度神经网络的特征提取参数；

[0162] 根据所述特征提取参数，使用交叉实体损失函数计算所述深度神经网络的特征提取效果值；

[0163] 令所述深度神经网络迭代学习所述特征提取参数，直至所述特征提取效果值满足预设优化目标。

[0164] 优选地，所述检测待识别图像中人脸区域的位置并将所述人脸区域提取出来的步骤包括：

[0165] 对待识别图像进行预处理；

[0166] 通过预先加载的Haar人脸检测模型，对所述预处理后的待识别图像进行人脸区域的定位；

[0167] 根据所述人脸区域的定位，在所述待识别图像中将所述人脸区域提取出来。

[0168] 优选地，所述脸部基础特征为准父母的脸部特征接近的特征；

[0169] 所述脸部辅助特征为准父母的脸部特征不接近的特征。

[0170] 优选地，所述特征统计规律为显性遗传规律。

[0171] 本发明之计算机可读存储介质的具体实施方式与上述基于人脸识别的宝宝长相预测方法、电子装置的具体实施方式大致相同，在此不再赘述。

[0172] 需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

[0173] 上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

[0174] 以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。