[發(fā)明專利]一種基于深度分類網(wǎng)絡(luò)的面部年齡估計方法

有效

• 申請?zhí)枺?/td>: 201611092820.3
• 申請日: 2016-12-02
• 公開（公告）號: CN106778558B
• 公開（公告）日: 2019-12-10
• 發(fā)明（設(shè)計）人: 潘力立
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/08
• 代理公司: 51203 電子科技大學(xué)專利中心
• 代理人: 張楊

1.一種基于深度分類網(wǎng)絡(luò)的面部年齡估計方法，包括以下步驟：

步驟1：采集不同人的包含不同年齡的面部圖像N幅，并標(biāo)定對應(yīng)的實際年齡；

步驟2：對所有的面部圖像利用SeataFace跟蹤面部特征點(diǎn)，共得到M個面部特征點(diǎn)，M＝5，包含：2個嘴角點(diǎn)，2個瞳孔中心和1個鼻尖點(diǎn)；

步驟3：根據(jù)步驟2中的特征點(diǎn)定位結(jié)果對圖像進(jìn)行歸一化；

步驟4：將所有面部圖像的灰度值向量化為1600維的向量，同時限制取值范圍在0.1到0.9之間；限制方法如下：計算所有輸入圖像灰度值的均值μ和標(biāo)準(zhǔn)差σ，利用3σ將灰度值范圍壓縮到[-1,1]；設(shè)任意第n幅輸入圖像對應(yīng)的灰度向量為進(jìn)行灰度值壓縮后變?yōu)?/p>

最后將的數(shù)值范圍壓縮到[0.1,0.9]得到輸入特征：

步驟5：設(shè)置年齡對應(yīng)的類別數(shù)目為100，即每1歲對應(yīng)1個類別；

步驟6：建立深度回歸網(wǎng)絡(luò)，該網(wǎng)絡(luò)的輸入為1600維圖像特征，包含輸入層和輸出層網(wǎng)絡(luò)共5層；將第一層的節(jié)點(diǎn)的值賦為輸入特征其中s_l表示圖像特征的維數(shù),即：之后進(jìn)行逐層映射得到：

表示第l層的第j個單元的響應(yīng)值，表示第l+1層的第i個單元的輸入，和表示連接深度神經(jīng)網(wǎng)絡(luò)第l層的所有s_l個單元和第l+1層的第i個單元之間的參數(shù)；具體來講，表示連接第l層的第j個單元和第l+1層第i個單元之間的參數(shù)，為與第l+1層的隱單元i相關(guān)的偏差項，s_l+1為第l+1層隱單元的數(shù)目；第l+1層的第i個單元是否被激活，由S形函數(shù)的輸出決定，即：

上式可表示為：

根據(jù)公式計算出第1層到第4層的所有節(jié)點(diǎn)的響應(yīng)值，輸出層有K＝100個輸出函數(shù)h₁(·),...,h_K(·)，分別對應(yīng)100個年齡類別，其中h_k(·)輸出某個輸入樣本屬于第k個類別的概率

其中k＝1,...,K，網(wǎng)絡(luò)參數(shù)表示類別k的輸出函數(shù)h_k(·)中的參數(shù)向量，表示K個類別輸出函數(shù)的參數(shù)向量，對樣本x_n的年齡估計值為argmax_kh_k(x_n)，即樣本的估計年齡為所屬類別概率最大值時對應(yīng)的類別標(biāo)號；

步驟7：通過步驟6中的深度分類網(wǎng)絡(luò)，建立關(guān)于網(wǎng)絡(luò)參數(shù)θ的目標(biāo)函數(shù)：

1(y_n＝k)為指示函數(shù)，當(dāng)條件y_n＝k滿足時，1(y_n＝k)＝1，否則為0，λ表示約束項‖θ‖²的強(qiáng)度；將每一個標(biāo)定年齡y_n轉(zhuǎn)化為二值向量t_n，若y_n＝k則對應(yīng)二值向量為t_n的第k個元素t_nk為1其余元素為0，N表示訓(xùn)練樣本的數(shù)目，由此目標(biāo)函數(shù)的等價形式可寫為：

步驟8：根據(jù)步驟6中的深度分類網(wǎng)絡(luò)，當(dāng)輸入為x_n時利用前向傳播算法計算

步驟9：計算第4層的每一個單元i的誤差項；

其中t_nk表示t_n的第k個元素，t_n表示標(biāo)定年齡y_n轉(zhuǎn)化為二值向量t_n，w_ki是softmax回歸中第k個回歸函數(shù)的權(quán)向量w_k的第i個元素；之后，利用后向傳播算法，計算1,2,3層的誤差項

步驟10：求解網(wǎng)絡(luò)參數(shù)θ的目標(biāo)函數(shù)關(guān)于softmax回歸參數(shù)的梯度

同時求解網(wǎng)絡(luò)參數(shù)θ的目標(biāo)函數(shù)關(guān)于網(wǎng)絡(luò)參數(shù)的偏導(dǎo)數(shù)

有上述目標(biāo)函數(shù)關(guān)于參數(shù)的梯度和偏導(dǎo)數(shù)，求出目標(biāo)函數(shù)關(guān)于深度分類網(wǎng)絡(luò)參數(shù)θ的梯度向量：

從而利用該深度分類網(wǎng)絡(luò)進(jìn)行目標(biāo)面部年齡估計。