本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別涉及一種基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法、裝置及計算設(shè)備。

背景技術(shù)：

人臉作為重要的生物特征之一，人臉圖像上蘊含了大量信息，如性別、年齡、人種等。隨著圖像處理技術(shù)中對人臉圖像研究的進(jìn)一步深入，特別是在人臉性別識別方面，在如PCA、LBP等傳統(tǒng)人工提取特征的方法之外，以卷積神經(jīng)網(wǎng)絡(luò)(CNN：Convolutional Neural Network)為基礎(chǔ)的人臉性別識別方法也逐漸發(fā)展起來。

然而，現(xiàn)有的利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉性別識別的方法中，在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)時，由于數(shù)據(jù)分布不均勻，會導(dǎo)致預(yù)測結(jié)果向樣本數(shù)量比較多的一類靠攏，尤其是在性別這種二分類問題上，如果女性樣本偏多，在預(yù)測的時候會將一些男性預(yù)測為女性，反之亦然。對于數(shù)據(jù)不平衡的問題，大多采用的數(shù)據(jù)增益的方式，將樣本數(shù)比較少的一類，通過一定的相似性變化，生成樣本，以此彌補分布不均衡所帶來的缺陷。但是，樣本數(shù)較少的一類，因數(shù)據(jù)會過于單一，在情況復(fù)雜時并不能得到滿意的效果。

技術(shù)實現(xiàn)要素：

為此，本發(fā)明提供一種基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別方案，以力圖解決或者至少緩解上面存在的問題。

根據(jù)本發(fā)明的一個方面，提供一種基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法，適于在計算設(shè)備中執(zhí)行，該方法包括如下步驟：首先，從圖像數(shù)據(jù)庫中獲取人臉圖像數(shù)據(jù)，人臉圖像數(shù)據(jù)包括人臉圖像和人臉性別，人臉圖像保持水平正面且滿足預(yù)設(shè)尺寸，人臉性別包括男性和女性中任一種；根據(jù)人臉圖像數(shù)據(jù)，對第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，第一神經(jīng)網(wǎng)絡(luò)包括依次相連的第一卷積層、第一下采樣層、第二卷積層、第二下采樣層、第一全連接層和第二全連接層；在訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)中添加第三全連接層和第四全連接層以生成第二卷積神經(jīng)網(wǎng)絡(luò)，其中第三全連接層與訓(xùn)練好的第一全連接層相同并與第二下采樣層相連，第四全連接層與訓(xùn)練好的第二連接層相同并與第三全連接層相連；根據(jù)人臉圖像數(shù)據(jù)，對第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；將待識別人臉圖像輸入到訓(xùn)練好的第二卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行性別識別，得到第二全連接層輸出的第一性別輸出和第四連接層輸出的第二性別輸出；根據(jù)第一性別輸出和第二性別輸出判斷待識別人臉圖像的性別。

可選地，在根據(jù)本發(fā)明的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法中，根據(jù)人臉圖像數(shù)據(jù)，對第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練包括：將人臉圖像作為第一卷積神經(jīng)網(wǎng)絡(luò)中第一卷積層的輸入、人臉性別作為第一卷積神經(jīng)網(wǎng)絡(luò)中第二卷積層的輸出，對第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

可選地，在根據(jù)本發(fā)明的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法中，根據(jù)人臉圖像數(shù)據(jù)，對第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練包括：對人臉性別進(jìn)行分類，得到第一性別類型和第二性別類型，第一性別類型包括男性和非男性中任一種，第二性別類型包括女性和非女性中任一種；將人臉圖像作為第二卷積神經(jīng)網(wǎng)絡(luò)中第一卷積層的輸入、第一性別類型作為第二卷積神經(jīng)網(wǎng)絡(luò)中第二全連接層的輸出、第二性別類型作為第二卷積神經(jīng)網(wǎng)絡(luò)中第四全連接層的輸出，對第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

可選地，在根據(jù)本發(fā)明的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法中，還包括對待識別圖像進(jìn)行預(yù)處理以獲取待識別人臉圖像。

可選地，在根據(jù)本發(fā)明的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法中，對待識別圖像進(jìn)行預(yù)處理以獲取待識別人臉圖像包括：對待識別圖像進(jìn)行人臉檢測，獲取人臉位置信息；通過人臉位置信息，將待識別圖像中的人臉裁剪后轉(zhuǎn)換至預(yù)設(shè)尺寸；根據(jù)人臉關(guān)鍵點信息計算人臉進(jìn)行平面旋轉(zhuǎn)的變換矩陣；利用變換矩陣將預(yù)設(shè)尺寸下的人臉圖像旋轉(zhuǎn)成水平正面以獲取待識別人臉圖像。

可選地，在根據(jù)本發(fā)明的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法中，第一性別輸出包括初始男性概率和非男性概率，第二性別輸出包括初始女性概率和非女性概率。

可選地，在根據(jù)本發(fā)明的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法中，根據(jù)第一性別輸出和第二性別輸出判斷待識別人臉圖像的性別包括：將初始男性概率與非女性概率之和作為男性概率；將初始女性概率和非男性概率之和作為女性概率；若男性概率大于女性概率，則判斷待識別人臉圖像的性別為男性；若男性概率小于女性概率，則判斷待識別人臉圖像的性別為女性。

根據(jù)本發(fā)明的又一個方面，提供一種基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別裝置，適于駐留在計算設(shè)備中，該裝置包括獲取模塊、第一訓(xùn)練模塊、生成模塊、第二訓(xùn)練模塊、識別模塊和判斷模塊。其中，獲取模塊適于從圖像數(shù)據(jù)庫中獲取人臉圖像數(shù)據(jù)，人臉圖像數(shù)據(jù)包括人臉圖像和人臉性別，人臉圖像保持水平正面且滿足預(yù)設(shè)尺寸，人臉性別包括男性和女性中任一種；第一訓(xùn)練模塊適于根據(jù)人臉圖像數(shù)據(jù)，對第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，第一神經(jīng)網(wǎng)絡(luò)包括依次相連的第一卷積層、第一下采樣層、第二卷積層、第二下采樣層、第一全連接層和第二全連接層；生成模塊適于在訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)中添加第三全連接層和第四全連接層以生成第二卷積神經(jīng)網(wǎng)絡(luò)，其中第三全連接層與訓(xùn)練好的第一全連接層相同并與第二下采樣層相連，第四全連接層與訓(xùn)練好的第二連接層相同并與第三全連接層相連；第二訓(xùn)練模塊適于根據(jù)人臉圖像數(shù)據(jù)，對第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；識別模塊適于將待識別人臉圖像輸入到訓(xùn)練好的第二卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行性別識別，得到第二全連接層輸出的第一性別輸出和第四連接層輸出的第二性別輸出；判斷模塊適于根據(jù)第一性別輸出和第二性別輸出判斷待識別人臉圖像的性別。

可選地，在根據(jù)本發(fā)明的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別裝置中，第一訓(xùn)練模塊進(jìn)一步適于：將人臉圖像作為第一卷積神經(jīng)網(wǎng)絡(luò)中第一卷積層的輸入、人臉性別作為第一卷積神經(jīng)網(wǎng)絡(luò)中第二卷積層的輸出，對第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

可選地，在根據(jù)本發(fā)明的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別裝置中，第二訓(xùn)練模塊進(jìn)一步適于：對人臉性別進(jìn)行分類，得到第一性別類型和第二性別類型，第一性別類型包括男性和非男性中任一種，第二性別類型包括女性和非女性中任一種；將人臉圖像作為第二卷積神經(jīng)網(wǎng)絡(luò)中第一卷積層的輸入、第一性別類型作為第二卷積神經(jīng)網(wǎng)絡(luò)中第二全連接層的輸出、第二性別類型作為第二卷積神經(jīng)網(wǎng)絡(luò)中第四全連接層的輸出，對第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

可選地，在根據(jù)本發(fā)明的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別裝置中，還包括預(yù)處理模塊，適于對待識別圖像進(jìn)行預(yù)處理以獲取待識別人臉圖像。

可選地，在根據(jù)本發(fā)明的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別裝置中，預(yù)處理模塊進(jìn)一步適于：對待識別圖像進(jìn)行人臉檢測，獲取人臉位置信息；通過人臉位置信息，將待識別圖像中的人臉裁剪后轉(zhuǎn)換至預(yù)設(shè)尺寸；根據(jù)人臉關(guān)鍵點信息計算人臉進(jìn)行平面旋轉(zhuǎn)的變換矩陣；利用變換矩陣將預(yù)設(shè)尺寸下的人臉圖像旋轉(zhuǎn)成水平正面以獲取待識別人臉圖像。

可選地，在根據(jù)本發(fā)明的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別裝置中，第一性別輸出包括初始男性概率和非男性概率，第二性別輸出包括初始女性概率和非女性概率。

可選地，在根據(jù)本發(fā)明的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別裝置中，判斷模塊進(jìn)一步適于：將初始男性概率與非女性概率之和作為男性概率；將初始女性概率和非男性概率之和作為女性概率；當(dāng)男性概率大于女性概率時，判斷待識別人臉圖像的性別為男性；當(dāng)男性概率小于女性概率時，判斷待識別人臉圖像的性別為女性。

根據(jù)本發(fā)明的又一個方面，還提供一種計算設(shè)備，包括根據(jù)本發(fā)明的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別裝置。

根據(jù)本發(fā)明的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別的技術(shù)方案，首先利用人臉圖像數(shù)據(jù)對第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再根據(jù)訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)生成第二卷積神經(jīng)網(wǎng)絡(luò)，并通過人臉圖像數(shù)據(jù)來訓(xùn)練第二卷積神經(jīng)網(wǎng)絡(luò)，最后將待識別人臉圖像輸入到訓(xùn)練好的第二卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行性別識別。在上述技術(shù)方案中，第二卷積神經(jīng)網(wǎng)絡(luò)是對訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)中的全連接層部分進(jìn)行修改而生成的，將一個分類問題變成兩個子類分類問題，再根據(jù)人臉圖像數(shù)據(jù)對這兩個子類分類問題進(jìn)行訓(xùn)練，最終訓(xùn)練好的第二卷積神經(jīng)網(wǎng)絡(luò)是一個性別多輸出卷積神經(jīng)網(wǎng)絡(luò)的增強(qiáng)模型，從而避免因人臉圖像數(shù)據(jù)中性別訓(xùn)練數(shù)據(jù)不均衡而導(dǎo)致識別準(zhǔn)確度較低的問題。

附圖說明

為了實現(xiàn)上述以及相關(guān)目的，本文結(jié)合下面的描述和附圖來描述某些說明性方面，這些方面指示了可以實踐本文所公開的原理的各種方式，并且所有方面及其等效方面旨在落入所要求保護(hù)的主題的范圍內(nèi)。通過結(jié)合附圖閱讀下面的詳細(xì)描述，本公開的上述以及其它目的、特征和優(yōu)勢將變得更加明顯。遍及本公開，相同的附圖標(biāo)記通常指代相同的部件或元素。

圖1示出了根據(jù)本發(fā)明的一個實施例的計算設(shè)備100的示意圖；

圖2示出了根據(jù)本發(fā)明一個實施例的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法200的流程圖；

圖3示出了根據(jù)本發(fā)明一個實施例的第一卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；

圖4示出了根據(jù)本發(fā)明一個實施例的第二卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；以及

圖5示出了根據(jù)本發(fā)明的一個實施例的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別裝置300的示意圖。

具體實施方式

下面將參照附圖更詳細(xì)地描述本公開的示例性實施例。雖然附圖中顯示了本公開的示例性實施例，然而應(yīng)當(dāng)理解，可以以各種形式實現(xiàn)本公開而不應(yīng)被這里闡述的實施例所限制。相反，提供這些實施例是為了能夠更透徹地理解本公開，并且能夠?qū)⒈竟_的范圍完整的傳達(dá)給本領(lǐng)域的技術(shù)人員。

圖1是示例計算設(shè)備100的框圖。在基本的配置102中，計算設(shè)備100典型地包括系統(tǒng)存儲器106和一個或者多個處理器104。存儲器總線108可以用于在處理器104和系統(tǒng)存儲器106之間的通信。

取決于期望的配置，處理器104可以是任何類型的處理，包括但不限于：微處理器(μP)、微控制器(μC)、數(shù)字信息處理器(DSP)或者它們的任何組合。處理器104可以包括諸如一級高速緩存110和二級高速緩存112之類的一個或者多個級別的高速緩存、處理器核心114和寄存器116。示例的處理器核心114可以包括運算邏輯單元(ALU)、浮點數(shù)單元(FPU)、數(shù)字信號處理核心(DSP核心)或者它們的任何組合。示例的存儲器控制器118可以與處理器104一起使用，或者在一些實現(xiàn)中，存儲器控制器118可以是處理器104的一個內(nèi)部部分。

取決于期望的配置，系統(tǒng)存儲器106可以是任意類型的存儲器，包括但不限于：易失性存儲器(諸如RAM)、非易失性存儲器(諸如ROM、閃存等)或者它們的任何組合。系統(tǒng)存儲器106可以包括操作系統(tǒng)120、一個或者多個應(yīng)用122以及程序數(shù)據(jù)124。在一些實施方式中，應(yīng)用122可以布置為在操作系統(tǒng)上利用程序數(shù)據(jù)124進(jìn)行操作。

計算設(shè)備100還可以包括有助于從各種接口設(shè)備(例如，輸出設(shè)備142、外設(shè)接口144和通信設(shè)備146)到基本配置102經(jīng)由總線/接口控制器130的通信的接口總線140。示例的輸出設(shè)備142包括圖形處理單元148和音頻處理單元150。它們可以被配置為有助于經(jīng)由一個或者多個A/V端口152與諸如顯示器或者揚聲器之類的各種外部設(shè)備進(jìn)行通信。示例外設(shè)接口144可以包括串行接口控制器154和并行接口控制器156，它們可以被配置為有助于經(jīng)由一個或者多個I/O端口158和諸如輸入設(shè)備(例如，鍵盤、鼠標(biāo)、筆、語音輸入設(shè)備、觸摸輸入設(shè)備)或者其他外設(shè)(例如打印機(jī)、掃描儀等)之類的外部設(shè)備進(jìn)行通信。示例的通信設(shè)備146可以包括網(wǎng)絡(luò)控制器160，其可以被布置為便于經(jīng)由一個或者多個通信端口164與一個或者多個其他計算設(shè)備162通過網(wǎng)絡(luò)通信鏈路的通信。

網(wǎng)絡(luò)通信鏈路可以是通信介質(zhì)的一個示例。通信介質(zhì)通?？梢泽w現(xiàn)為在諸如載波或者其他傳輸機(jī)制之類的調(diào)制數(shù)據(jù)信號中的計算機(jī)可讀指令、數(shù)據(jù)結(jié)構(gòu)、程序模塊，并且可以包括任何信息遞送介質(zhì)?！罢{(diào)制數(shù)據(jù)信號”可以這樣的信號，它的數(shù)據(jù)集中的一個或者多個或者它的改變可以在信號中編碼信息的方式進(jìn)行。作為非限制性的示例，通信介質(zhì)可以包括諸如有線網(wǎng)絡(luò)或者專線網(wǎng)絡(luò)之類的有線介質(zhì)，以及諸如聲音、射頻(RF)、微波、紅外(IR)或者其它無線介質(zhì)在內(nèi)的各種無線介質(zhì)。這里使用的術(shù)語計算機(jī)可讀介質(zhì)可以包括存儲介質(zhì)和通信介質(zhì)二者。

計算設(shè)備100可以實現(xiàn)為小尺寸便攜(或者移動)電子設(shè)備的一部分，這些電子設(shè)備可以是諸如蜂窩電話、個人數(shù)字助理(PDA)、個人媒體播放器設(shè)備、無線網(wǎng)絡(luò)瀏覽設(shè)備、個人頭戴設(shè)備、應(yīng)用專用設(shè)備、或者可以包括上面任何功能的混合設(shè)備。計算設(shè)備100還可以實現(xiàn)為包括桌面計算機(jī)和筆記本計算機(jī)配置的個人計算機(jī)。在一些實施例中，計算設(shè)備100被配置為執(zhí)行根據(jù)本發(fā)明的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法。應(yīng)用122包括根據(jù)本發(fā)明的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別裝置300。

圖2示出了根據(jù)本發(fā)明一個實施例的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法200的流程圖?；诙噍敵鼍矸e神經(jīng)網(wǎng)絡(luò)的性別識別方法200適于在計算設(shè)備(例如圖1所示的計算設(shè)備100)中執(zhí)行。

如圖2所示，方法200始于步驟S210。在步驟S210中，從圖像數(shù)據(jù)庫中獲取人臉圖像數(shù)據(jù)，人臉圖像數(shù)據(jù)包括人臉圖像和人臉性別，人臉圖像保持水平正面且滿足預(yù)設(shè)尺寸，人臉性別包括男性和女性中任一種。在本實施例中，對圖像數(shù)據(jù)庫中的人臉圖像數(shù)據(jù)而言，其包括的人臉圖像是經(jīng)過旋轉(zhuǎn)處理后的圖像，即預(yù)先將該人臉圖像旋轉(zhuǎn)為水平正面，且人臉圖像為三通道彩色圖像，預(yù)設(shè)尺寸為60px×60px。

隨后，進(jìn)入步驟S220。在步驟S220中，根據(jù)所述人臉圖像數(shù)據(jù)，對第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，第一神經(jīng)網(wǎng)絡(luò)包括依次相連的第一卷積層、第一下采樣層、第二卷積層、第二下采樣層、第一全連接層和第二全連接層。將人臉圖像作為第一卷積神經(jīng)網(wǎng)絡(luò)中第一卷積層的輸入、人臉性別作為第一卷積神經(jīng)網(wǎng)絡(luò)中第二卷積層的輸出，對第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。圖3示出了根據(jù)本發(fā)明一個實施例的第一卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。如圖3所示，在第一卷積神經(jīng)網(wǎng)絡(luò)中，是以第一卷積層為輸入端，后面依次相連第一下采樣層、第二卷積層、第二下采樣層、第一全連接層和第二全連接層，其中第二全連接層為輸出端，以人臉圖像為第一卷積層的輸入、人臉性別為第二全連接層的輸出進(jìn)行第一卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。在本實施例中，以圖像數(shù)據(jù)庫中的一個人臉圖像數(shù)據(jù)A為例進(jìn)行說明。人臉圖像數(shù)據(jù)A包括人臉圖像A1和人臉性別，人臉圖像A1對應(yīng)的人臉性別為男性。

在第一卷積神經(jīng)網(wǎng)絡(luò)中，首先，將A1輸入到第一卷積層。A1是三通道彩色圖像，尺寸為60px×60px。第一卷積層有20個卷積核，每個卷積核的參數(shù)個數(shù)為3×6×6，相當(dāng)于3個6×6大小的卷積核在每個通道進(jìn)行卷積，步長為1。則經(jīng)過第一卷積層的卷積后，根據(jù)(60-6)/1+1＝55可知，此時得到的圖像的尺寸為55px×55px，即獲得20張55px×55px大小的特征圖。實際上，在第一卷積層完成卷積處理后，還需要通過激活函數(shù)來調(diào)整第一卷積層的輸出，避免下一層的輸出為上一層的線性組合而無法逼近任意函數(shù)。采用ReLU(Rectified Linear Unit)函數(shù)作為激活函數(shù)，進(jìn)一步緩解過擬合問題，其表達(dá)式為f(x)＝max(0,w·x+b)，其中w·x+b為常規(guī)的線性函數(shù)。然后，進(jìn)入第一下采樣層，下采樣亦稱為池化，是利用圖像局部相關(guān)性的原理，對圖像進(jìn)行子抽樣，從而減少數(shù)據(jù)處理下并保留有用信息。在這里，池化采用最大重疊池化，即對55px×55px的特征圖進(jìn)行分塊，每個塊的大小為3×3，步長為2，并統(tǒng)計每個塊的最大值，作為池化后圖像的像素值。根據(jù)(55-3)/2+1＝27可知，池化后的特征圖尺寸為27px×27px，則經(jīng)過第一下采樣層之后，獲得20張27px×27px的特征圖。在第一下采樣層與第二卷積層之間，可設(shè)置一個局部響應(yīng)歸一化層以提高網(wǎng)絡(luò)的泛化能力，此處稱為第一局部響應(yīng)歸一化層。局部響應(yīng)歸一化可分為兩種情況，第一種是特征圖之間對應(yīng)像素點的歸一化，第二種是特征圖的每個像素點的局部歸一化，在本實施例中選擇第二種歸一化，即對特征圖中的某一像素點進(jìn)行空間擴(kuò)展，根據(jù)該像素點所在位置，將其周圍5px×5px大小區(qū)域內(nèi)的像素點進(jìn)行歸一化處理，并將歸一化處理后的結(jié)果用于更新該像素點的值。

接下來，局部歸一化處理后的20張27px×27px的特征圖進(jìn)入第二卷積層。由于在第一卷積層中已經(jīng)將三通道合在一起進(jìn)行卷積，因此第二卷積層的輸入為20張27px×27px的單通道圖像。第二卷積層有48個卷積核，每個卷積核的參數(shù)個數(shù)為6×6，相當(dāng)于1個6×6大小的卷積核進(jìn)行卷積，步長為1。則經(jīng)過第二卷積層的卷積后，根據(jù)(27-6)/1+1＝22可知，此時得到的圖像的尺寸為22px×22px，由于在第二卷積層進(jìn)行卷積的過程中還對20張27px×27px的特征圖進(jìn)行了加權(quán)組合，因此最后獲得了48張22px×22px的特征圖。在通過ReLU函數(shù)對第二卷積層的輸出進(jìn)行激活處理后，進(jìn)入第二下采樣層。根據(jù)最大重疊池化原理，對22px×22px的特征圖進(jìn)行分塊，每個塊的大小為2×2，步長為2，并統(tǒng)計每個塊的最大值，作為池化后圖像的像素值。根據(jù)(22-2)/2+1＝11可知，池化后的特征圖尺寸為11px×11px，則經(jīng)過第二下采樣層之后，獲得48張11px×11px的特征圖。在第二采樣層與第一全連接層中間可設(shè)置一個局部響應(yīng)歸一化層，此處稱為第二局部響應(yīng)歸一化層，對得到的特征圖中的某一像素點進(jìn)行空間擴(kuò)展，根據(jù)該像素點所在位置，將其周圍5px×5px大小區(qū)域內(nèi)的像素點進(jìn)行歸一化處理，并將歸一化處理后的結(jié)果用于更新該像素點的值。

隨后，進(jìn)入第一全連接層，第一全連接層的神經(jīng)元個數(shù)選擇512個，則第一全連接層的輸出為512張1px×1px大小的特征圖。實際處理中，通常會將上述512張?zhí)卣鲌D先通過ReLU函數(shù)激活，再進(jìn)行dropout處理，dropout可以理解為模型平均，即訓(xùn)練過程中在前向傳導(dǎo)時，讓某個神經(jīng)元的激活值以一定的概率p停止工作，即該神經(jīng)元的激活值以概率p變?yōu)?。比如，第一全連接層的神經(jīng)元為512個，若dropout比率選擇0.4，那么這一層神經(jīng)元經(jīng)過dropout之后，其中約有205個神經(jīng)元的值被置為0，相當(dāng)于通過阻止某些特征的協(xié)同作用來緩解過擬合，避免一個神經(jīng)元的出現(xiàn)以來與另一個神經(jīng)元的現(xiàn)象。將dropout處理后的特征圖輸入到第二全連接層中，由于是對性別進(jìn)行識別，是二分類問題，因此第二全連接層的神經(jīng)元個數(shù)為2個，則最終第二全連接層輸出也為2個，分別對應(yīng)男性和女性的概率。根據(jù)輸入的人臉圖像A1對應(yīng)的人臉性別為男性這一預(yù)知結(jié)果，對第二全連接層的輸出進(jìn)行調(diào)整，按極小化誤差的方法反向傳播以調(diào)整第一卷積神經(jīng)網(wǎng)絡(luò)中的各參數(shù)。經(jīng)過大量的人臉圖像數(shù)據(jù)進(jìn)行訓(xùn)練后，獲得訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)。

在步驟S230中，在訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)中添加第三全連接層和第四全連接層以生成第二卷積神經(jīng)網(wǎng)絡(luò)，其中第三全連接層與訓(xùn)練好的第一全連接層相同并與第二下采樣層相連，第四全連接層與訓(xùn)練好的第二連接層相同并與第三全連接層相連。圖4示出了根據(jù)本發(fā)明一個實施例的第二卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。圖4與圖3相比，在第二下采樣層的后面添加了依次相連的第三全連接層和第四全連接層，第三全連接層與訓(xùn)練好的第一全連接層相同，第四全連接層與訓(xùn)練好的第二連接層相同，從而形成了分別以第二全連接層為輸出的第一分支和以第四全連接層為輸出的第二分支。

在步驟S240中，根據(jù)人臉圖像數(shù)據(jù)，對第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。對人臉性別進(jìn)行分類，得到第一性別類型和第二性別類型，第一性別類型包括男性和非男性中任一種，第二性別類型包括女性和非女性中任一種；將人臉圖像作為第二卷積神經(jīng)網(wǎng)絡(luò)中第一卷積層的輸入、第一性別類型作為第二卷積神經(jīng)網(wǎng)絡(luò)中第二全連接層的輸出、第二性別類型作為第二卷積神經(jīng)網(wǎng)絡(luò)中第四全連接層的輸出，對第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在本實施例中，對第二卷積神經(jīng)網(wǎng)絡(luò)中的第一分支和第二分支進(jìn)行訓(xùn)練的過程，與步驟S220中對第一卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程類似，此處不再贅述。

在對第二卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，可將待識別人臉圖像輸入到第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行性別識別。在此之前，需要對待識別圖像進(jìn)行預(yù)處理以獲取待識別人臉圖像。首先，對待識別圖像進(jìn)行人臉檢測，獲取人臉位置信息；通過人臉位置信息，將待識別圖像中的人臉裁剪后轉(zhuǎn)換至預(yù)設(shè)尺寸；根據(jù)人臉關(guān)鍵點信息計算人臉進(jìn)行平面旋轉(zhuǎn)的變換矩陣；利用變換矩陣將預(yù)設(shè)尺寸下的人臉圖像旋轉(zhuǎn)成水平正面以獲取待識別人臉圖像。在本實施例中，對待識別圖像先進(jìn)行人臉檢測，即先確定一個區(qū)域來掃描圖像，對每個區(qū)域掃描到的位置進(jìn)行特征提取，再分類處理來判斷該位置是不是包括人臉。對于存在人臉區(qū)域的待識別圖像，將人臉裁剪后轉(zhuǎn)換至60px×60px大小。由于上述人臉位置一般即指五官和外輪廓，則人臉旋轉(zhuǎn)值需要兩個固定點確定的連線來獲取，選擇瞳孔作為固定點，通過兩個瞳孔的連線與人臉圖像水平線計算出一個夾角，通過該夾角采用仿射變換，獲取旋轉(zhuǎn)矩陣，對該圖像使用旋轉(zhuǎn)矩陣后，即可將人臉旋轉(zhuǎn)為瞳孔連線與圖像水平線處于平行關(guān)系，從而獲得保持水平正面的待識別人臉圖像。根據(jù)人臉中瞳孔兩點的連線，計算此連線與水平線的夾角以獲取旋轉(zhuǎn)的角度AngleValue，采用OpenCV中的getRotationMatrix2D函數(shù)可進(jìn)行該旋轉(zhuǎn)矩陣的相關(guān)計算，使用warpAffine進(jìn)行人臉旋轉(zhuǎn)，具體函數(shù)如下所示：

RotateMatrix＝cv2.getRotationMatrix2D(center＝(Img.shape[1]/2,Img.shape[0]/2),angle＝90,scale＝1)

RotImg＝cv2.warpAffine(Img,RotateMatrix,(Img.shape[0]*2,Img.shape[1]*2))

在步驟S250中，將待識別人臉圖像輸入到訓(xùn)練好的第二卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行性別識別，得到第二全連接層輸出的第一性別輸出和第四連接層輸出的第二性別輸出。其中，第一性別輸出包括初始男性概率和非男性概率，第二性別輸出包括初始女性概率和非女性概率。以待識別人臉圖像B1為例，其對應(yīng)的性別為女性，將該圖像B1輸入到訓(xùn)練好的第二卷積神經(jīng)網(wǎng)絡(luò)中之后，從第一分支中的第二全連接層的輸出可得出，初始男性概率為0.2873，非男性概率為0.7127，從第二分支中的第四全連接層的輸出可得出，初始女性概率為0.8075，非女性概率為0.1925。

最后，進(jìn)入步驟S260，根據(jù)第一性別輸出和第二性別輸出判斷待識別人臉圖像的性別。將初始男性概率與非女性概率之和作為男性概率；將初始女性概率和非男性概率之和作為女性概率；若男性概率大于女性概率，則判斷待識別人臉圖像的性別為男性；若男性概率小于女性概率，則判斷待識別人臉圖像的性別為女性。由步驟S250可知，初始男性概率為0.2873，非女性概率為0.1925，則男性概率為0.4798，初始女性概率為0.8075，非男性概率為0.7127，則女性概率為1.5202。因男性概率小于女性概率，判斷待識別人臉圖像B1的性別為女性，與真實情況相符。

圖4示出了根據(jù)本發(fā)明一個實施例的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別裝置300的示意圖。該裝置包括：獲取模塊310、第一訓(xùn)練模塊320、生成模塊330、第二訓(xùn)練模塊340、識別模塊350和判斷模塊360。該裝置還包括預(yù)處理模塊(圖中未示出)，位于識別模塊350之前。

獲取模塊310適于從圖像數(shù)據(jù)庫中獲取人臉圖像數(shù)據(jù)，人臉圖像數(shù)據(jù)包括人臉圖像和人臉性別，人臉圖像保持水平正面且滿足預(yù)設(shè)尺寸，人臉性別包括男性和女性中任一種。在本實施例中，對圖像數(shù)據(jù)庫中的人臉圖像數(shù)據(jù)而言，其包括的人臉圖像是經(jīng)過旋轉(zhuǎn)處理后的圖像，即預(yù)先將該人臉圖像旋轉(zhuǎn)為水平正面，且人臉圖像為三通道彩色圖像，預(yù)設(shè)尺寸為60px×60px。

第一訓(xùn)練模塊320適于根據(jù)人臉圖像數(shù)據(jù)，對第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，第一神經(jīng)網(wǎng)絡(luò)包括依次相連的第一卷積層、第一下采樣層、第二卷積層、第二下采樣層、第一全連接層和第二全連接層。第一訓(xùn)練模塊320進(jìn)一步適于將人臉圖像作為第一卷積神經(jīng)網(wǎng)絡(luò)中第一卷積層的輸入、人臉性別作為第一卷積神經(jīng)網(wǎng)絡(luò)中第二卷積層的輸出，對第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在本實施例中，以圖像數(shù)據(jù)庫中的一個人臉圖像數(shù)據(jù)A為例進(jìn)行說明。人臉圖像數(shù)據(jù)A包括人臉圖像A1和人臉性別，人臉圖像A1對應(yīng)的人臉性別為男性。

在第一卷積神經(jīng)網(wǎng)絡(luò)中，首先，將A1輸入到第一卷積層。A1是三通道彩色圖像，尺寸為60px×60px。第一卷積層有20個卷積核，每個卷積核的參數(shù)個數(shù)為3×6×6，步長為1。經(jīng)過第一卷積層的卷積后，獲得20張55px×55px大小的特征圖。采用ReLU函數(shù)對其進(jìn)行激活后，進(jìn)入第一下采樣層，下采樣亦稱為池化。在這里，池化采用最大重疊池化，對55px×55px的特征圖進(jìn)行分塊，每個塊的大小為3×3，步長為2，并統(tǒng)計每個塊的最大值，作為池化后圖像的像素值。經(jīng)過第一下采樣層之后，獲得20張27px×27px的特征圖。在第一下采樣層與第二卷積層之間，可設(shè)置第一局部響應(yīng)歸一化層，對得到的特征圖中的某一像素點進(jìn)行空間擴(kuò)展，根據(jù)該像素點所在位置，將其周圍5px×5px大小區(qū)域內(nèi)的像素點進(jìn)行歸一化處理，并將歸一化處理后的結(jié)果用于更新該像素點的值。

接下來，局部歸一化處理后的20張27px×27px的特征圖進(jìn)入第二卷積層。第二卷積層有48個卷積核，每個卷積核的參數(shù)個數(shù)為6×6，步長為1。則經(jīng)過第二卷積層的處理后，獲得了48張22px×22px的特征圖。在通過ReLU函數(shù)對第二卷積層的輸出進(jìn)行激活處理后，進(jìn)入第二下采樣層。根據(jù)最大重疊池化原理，對22px×22px的特征圖進(jìn)行分塊，每個塊的大小為2×2，步長為2，從而獲得48張11px×11px的特征圖。在第二采樣層與第一全連接層中間可設(shè)置第二局部響應(yīng)歸一化層，以提高網(wǎng)絡(luò)的泛化能力。

隨后，進(jìn)入第一全連接層，第一全連接層的神經(jīng)元個數(shù)選擇512個，則第一全連接層的輸出為512張1px×1px大小的特征圖。實際處理中，通常會將上述512張?zhí)卣鲌D先通過ReLU函數(shù)激活，再進(jìn)行dropout處理。將dropout處理后的特征圖輸入到第二全連接層中，第二全連接層的神經(jīng)元個數(shù)為2個，其輸出也為2個，分別對應(yīng)男性和女性的概率。根據(jù)輸入的人臉圖像A1對應(yīng)的人臉性別為男性這一預(yù)知結(jié)果，對第二全連接層的輸出進(jìn)行調(diào)整，按極小化誤差的方法反向傳播以調(diào)整第一卷積神經(jīng)網(wǎng)絡(luò)中的各參數(shù)。經(jīng)過大量的人臉圖像數(shù)據(jù)進(jìn)行訓(xùn)練后，獲得訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)。

生成模塊330適于在訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)中添加第三全連接層和第四全連接層以生成第二卷積神經(jīng)網(wǎng)絡(luò)，其中第三全連接層與訓(xùn)練好的第一全連接層相同并與第二下采樣層相連，第四全連接層與訓(xùn)練好的第二連接層相同并與第三全連接層相連。最終，在第二卷積神經(jīng)網(wǎng)絡(luò)中形成了分別以第二全連接層為輸出的第一分支和以第四全連接層為輸出的第二分支。

第二訓(xùn)練模塊340適于根據(jù)人臉圖像數(shù)據(jù)，對第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)一步適于對人臉性別進(jìn)行分類，得到第一性別類型和第二性別類型，第一性別類型包括男性和非男性中任一種，第二性別類型包括女性和非女性中任一種；將人臉圖像作為第二卷積神經(jīng)網(wǎng)絡(luò)中第一卷積層的輸入、第一性別類型作為第二卷積神經(jīng)網(wǎng)絡(luò)中第二全連接層的輸出、第二性別類型作為第二卷積神經(jīng)網(wǎng)絡(luò)中第四全連接層的輸出，對第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在本實施例中，第二訓(xùn)練模塊340對第二卷積神經(jīng)網(wǎng)絡(luò)中的第一分支和第二分支進(jìn)行訓(xùn)練的過程，與第一訓(xùn)練模塊320中對第一卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程類似，此處不再贅述。

預(yù)處理模塊適于對待識別圖像進(jìn)行預(yù)處理以獲取待識別人臉圖像，進(jìn)一步適于對待識別圖像進(jìn)行人臉檢測，獲取人臉位置信息；通過人臉位置信息，將待識別圖像中的人臉裁剪后轉(zhuǎn)換至預(yù)設(shè)尺寸；根據(jù)人臉關(guān)鍵點信息計算人臉進(jìn)行平面旋轉(zhuǎn)的變換矩陣；利用變換矩陣將預(yù)設(shè)尺寸下的人臉圖像旋轉(zhuǎn)成水平正面以獲取待識別人臉圖像。在本實施例中，對待識別圖像先進(jìn)行人臉檢測，即先確定一個區(qū)域來掃描圖像，對每個區(qū)域掃描到的位置進(jìn)行特征提取，再分類處理來判斷該位置是不是包括人臉。對于存在人臉區(qū)域的待識別圖像，將人臉裁剪后轉(zhuǎn)換至60px×60px大小。由于上述人臉位置一般即指五官和外輪廓，則人臉旋轉(zhuǎn)值需要兩個固定點確定的連線來獲取，選擇瞳孔作為固定點，通過兩個瞳孔的連線與人臉圖像水平線計算出一個夾角，通過該夾角采用仿射變換，獲取旋轉(zhuǎn)矩陣，對該圖像使用旋轉(zhuǎn)矩陣后，即可將人臉旋轉(zhuǎn)為瞳孔連線與圖像水平線處于平行關(guān)系，從而獲得保持水平正面的待識別人臉圖像。

識別模塊350適于將待識別人臉圖像輸入到訓(xùn)練好的第二卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行性別識別，得到第二全連接層輸出的第一性別輸出和第四連接層輸出的第二性別輸出。其中，第一性別輸出包括初始男性概率和非男性概率，第二性別輸出包括初始女性概率和非女性概率。在本實施例中，以待識別人臉圖像B1為例，其對應(yīng)的性別為女性，將該圖像B1輸入到訓(xùn)練好的第二卷積神經(jīng)網(wǎng)絡(luò)中之后，從第一分支中的第二全連接層的輸出可得出，初始男性概率為0.2873，非男性概率為0.7127，從第二分支中的第四全連接層的輸出可得出，初始女性概率為0.8075，非女性概率為0.1925。

判斷模塊360適于根據(jù)第一性別輸出和第二性別輸出判斷待識別人臉圖像的性別，進(jìn)一步適于將初始男性概率與非女性概率之和作為男性概率；將初始女性概率和非男性概率之和作為女性概率；當(dāng)男性概率大于女性概率時，判斷待識別人臉圖像的性別為男性；當(dāng)男性概率小于女性概率時，判斷待識別人臉圖像的性別為女性。在本實施例中，初始男性概率為0.2873，非女性概率為0.1925，則男性概率為0.4798，初始女性概率為0.8075，非男性概率為0.7127，則女性概率為1.5202。因男性概率小于女性概率，判斷待識別人臉圖像B1的性別為女性，與真實情況相符。

關(guān)于基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別的具體步驟以及實施例，在基于圖2-4的描述中已經(jīng)詳細(xì)公開，此處不再贅述。

現(xiàn)有的利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉性別識別的方法中，在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)時，由于數(shù)據(jù)分布不均勻，會導(dǎo)致預(yù)測結(jié)果向樣本數(shù)量比較多的一類靠攏，尤其是在性別這種二分類問題上更為明顯。根據(jù)本發(fā)明實施例的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的性別識別的技術(shù)方案，首先利用人臉圖像數(shù)據(jù)對第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再根據(jù)訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)生成第二卷積神經(jīng)網(wǎng)絡(luò)，并通過人臉圖像數(shù)據(jù)來訓(xùn)練第二卷積神經(jīng)網(wǎng)絡(luò)，最后將待識別人臉圖像輸入到訓(xùn)練好的第二卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行性別識別。在上述技術(shù)方案中，第二卷積神經(jīng)網(wǎng)絡(luò)是對訓(xùn)練好的第一卷積神經(jīng)網(wǎng)絡(luò)中的全連接層部分進(jìn)行修改而生成的，將一個分類問題變成兩個子類分類問題，再根據(jù)人臉圖像數(shù)據(jù)對這兩個子類分類問題進(jìn)行訓(xùn)練，最終訓(xùn)練好的第二卷積神經(jīng)網(wǎng)絡(luò)是一個性別多輸出卷積神經(jīng)網(wǎng)絡(luò)的增強(qiáng)模型，從而避免因人臉圖像數(shù)據(jù)中性別訓(xùn)練數(shù)據(jù)不均衡而導(dǎo)致識別準(zhǔn)確度較低的問題。

B10.如B8所述的裝置，所述第二訓(xùn)練模塊進(jìn)一步適于：

對所述人臉性別進(jìn)行分類，得到第一性別類型和第二性別類型，所述第一性別類型包括男性和非男性中任一種，所述第二性別類型包括女性和非女性中任一種；

將所述人臉圖像作為第二卷積神經(jīng)網(wǎng)絡(luò)中第一卷積層的輸入、所述第一性別類型作為第二卷積神經(jīng)網(wǎng)絡(luò)中第二全連接層的輸出、所述第二性別類型作為第二卷積神經(jīng)網(wǎng)絡(luò)中第四全連接層的輸出，對第二卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

B11.如B9所述的裝置，還包括預(yù)處理模塊，適于對待識別圖像進(jìn)行預(yù)處理以獲取待識別人臉圖像。

B12.如B11所述的裝置，所述預(yù)處理模塊進(jìn)一步適于：

對待識別圖像進(jìn)行人臉檢測，獲取人臉位置信息；

通過所述人臉位置信息，將所述待識別圖像中的人臉裁剪后轉(zhuǎn)換至預(yù)設(shè)尺寸；

根據(jù)人臉關(guān)鍵點信息計算人臉進(jìn)行平面旋轉(zhuǎn)的變換矩陣；

利用所述變換矩陣將預(yù)設(shè)尺寸下的人臉圖像旋轉(zhuǎn)成水平正面以獲取待識別人臉圖像。

B13.如B10所述的裝置，其中所述第一性別輸出包括初始男性概率和非男性概率，所述第二性別輸出包括初始女性概率和非女性概率。

B14.如B13所述的裝置，所述判斷模塊進(jìn)一步適于：

將所述初始男性概率與所述非女性概率之和作為男性概率；

將所述初始女性概率和所述非男性概率之和作為女性概率；

當(dāng)所述男性概率大于女性概率時，判斷待識別人臉圖像的性別為男性；

當(dāng)所述男性概率小于女性概率時，判斷待識別人臉圖像的性別為女性。

在此處所提供的說明書中，說明了大量具體細(xì)節(jié)。然而，能夠理解，本發(fā)明的實施例可以在沒有這些具體細(xì)節(jié)的情況下被實踐。在一些實例中，并未詳細(xì)示出公知的方法、結(jié)構(gòu)和技術(shù)，以便不模糊對本說明書的理解。

類似地，應(yīng)當(dāng)理解，為了精簡本公開并幫助理解各個發(fā)明方面中的一個或多個，在上面對本發(fā)明的示例性實施例的描述中，本發(fā)明的各個特征有時被一起分組到單個實施例、圖、或者對其的描述中。然而，并不應(yīng)將該公開的方法解釋成反映如下意圖：即所要求保護(hù)的本發(fā)明要求比在每個權(quán)利要求中所明確記載的特征更多特征。更確切地說，如下面的權(quán)利要求書所反映的那樣，發(fā)明方面在于少于前面公開的單個實施例的所有特征。因此，遵循具體實施方式的權(quán)利要求書由此明確地并入該具體實施方式，其中每個權(quán)利要求本身都作為本發(fā)明的單獨實施例。

本領(lǐng)域那些技術(shù)人員應(yīng)當(dāng)理解在本文所公開的示例中的設(shè)備的模塊或單元或組件可以布置在如該實施例中所描述的設(shè)備中，或者可替換地可以定位在與該示例中的設(shè)備不同的一個或多個設(shè)備中。前述示例中的模塊可以組合為一個模塊或者此外可以分成多個子模塊。

本領(lǐng)域那些技術(shù)人員可以理解，可以對實施例中的設(shè)備中的模塊進(jìn)行自適應(yīng)性地改變并且把它們設(shè)置在與該實施例不同的一個或多個設(shè)備中?？梢园褜嵤├械哪K或單元或組件組合成一個模塊或單元或組件，以及此外可以把它們分成多個子模塊或子單元或子組件。除了這樣的特征和/或過程或者單元中的至少一些是相互排斥之外，可以采用任何組合對本說明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開的所有特征以及如此公開的任何方法或者設(shè)備的所有過程或單元進(jìn)行組合。除非另外明確陳述，本說明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開的每個特征可以由提供相同、等同或相似目的的替代特征來代替。

此外，本領(lǐng)域的技術(shù)人員能夠理解，盡管在此所述的一些實施例包括其它實施例中所包括的某些特征而不是其它特征，但是不同實施例的特征的組合意味著處于本發(fā)明的范圍之內(nèi)并且形成不同的實施例。例如，在下面的權(quán)利要求書中，所要求保護(hù)的實施例的任意之一都可以以任意的組合方式來使用。

此外，所述實施例中的一些在此被描述成可以由計算機(jī)系統(tǒng)的處理器或者由執(zhí)行所述功能的其它裝置實施的方法或方法元素的組合。因此，具有用于實施所述方法或方法元素的必要指令的處理器形成用于實施該方法或方法元素的裝置。此外，裝置實施例的在此所述的元素是如下裝置的例子：該裝置用于實施由為了實施該發(fā)明的目的的元素所執(zhí)行的功能。

如在此所使用的那樣，除非另行規(guī)定，使用序數(shù)詞“第一”、“第二”、“第三”等等來描述普通對象僅僅表示涉及類似對象的不同實例，并且并不意圖暗示這樣被描述的對象必須具有時間上、空間上、排序方面或者以任意其它方式的給定順序。

盡管根據(jù)有限數(shù)量的實施例描述了本發(fā)明，但是受益于上面的描述，本技術(shù)領(lǐng)域內(nèi)的技術(shù)人員明白，在由此描述的本發(fā)明的范圍內(nèi)，可以設(shè)想其它實施例。此外，應(yīng)當(dāng)注意，本說明書中使用的語言主要是為了可讀性和教導(dǎo)的目的而選擇的，而不是為了解釋或者限定本發(fā)明的主題而選擇的。因此，在不偏離所附權(quán)利要求書的范圍和精神的情況下，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說許多修改和變更都是顯而易見的。對于本發(fā)明的范圍，對本發(fā)明所做的公開是說明性的，而非限制性的，本發(fā)明的范圍由所附權(quán)利要求書限定。