[發(fā)明專利]一種基于三級殘差網(wǎng)絡(luò)的人臉圖像年齡估計(jì)方法

有效

• 申請?zhí)枺?/td>: 201611264499.2
• 申請日: 2016-12-30
• 公開（公告）號: CN106919897B
• 公開（公告）日: 2020-05-22
• 發(fā)明（設(shè)計(jì)）人: 張珂;郭麗茹;高策
• 申請（專利權(quán)）人: 華北電力大學(xué)（保定）
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/08
• 代理公司: 石家莊冀科專利商標(biāo)事務(wù)所有限公司 13108
• 代理人: 李羨民;高錫明

一種基于三級殘差網(wǎng)絡(luò)的人臉圖像年齡估計(jì)方法，屬于數(shù)據(jù)處理技術(shù)領(lǐng)域，目的是提高非受限條件下的人臉圖像年齡估計(jì)水平，其技術(shù)方案是，所述方法首先在基本殘差網(wǎng)絡(luò)框架基礎(chǔ)上建立三級殘差網(wǎng)絡(luò)；然后采用三級殘差網(wǎng)絡(luò)對ImageNet數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，獲得ImageNet殘差網(wǎng)絡(luò)模型；再在非受限條件下的人臉年齡數(shù)據(jù)集上對已獲得的ImageNet殘差網(wǎng)絡(luò)模型進(jìn)行微調(diào)訓(xùn)練；最后利用微調(diào)訓(xùn)練好的三級殘差網(wǎng)絡(luò)進(jìn)行人臉圖像年齡估計(jì)。本發(fā)明采用三級殘差網(wǎng)絡(luò)實(shí)現(xiàn)人臉圖像年齡估計(jì)，不僅大大提高了DCNN網(wǎng)絡(luò)模型的學(xué)習(xí)能力，而且很好地解決了訓(xùn)練過程中的過擬合以及梯度消失的問題，從而提高了非受限條件下人臉圖像年齡估計(jì)的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及一種可在非受限條件下根據(jù)人臉圖像實(shí)現(xiàn)年齡確估計(jì)的方法，屬于數(shù)據(jù)處理技術(shù)領(lǐng)域。

背景技術(shù)

人臉是極為豐富的信息源，人們能夠從人臉圖像中獲得大量有用信息，如身份、性別、年齡以及表情等。作為人臉的關(guān)鍵信息之一，年齡在人的社會交往中起到了基礎(chǔ)性作用，因此依靠人臉圖像實(shí)現(xiàn)年齡的自動估計(jì)是人工智能領(lǐng)域的重要工作之一。目前，人臉年齡估計(jì)在基于年齡階段的人機(jī)交互、訪問控制、視覺監(jiān)控、市場營銷以及法律執(zhí)行等多個(gè)智能領(lǐng)域存在良好的應(yīng)用前景。

人臉圖像年齡估計(jì)的主要思路是從人臉圖像中提取主要特征，然后采用分類或回歸方法實(shí)現(xiàn)年齡估計(jì)，其中年齡分類用于估計(jì)人的年齡分組，年齡回歸則是估計(jì)人的準(zhǔn)確年齡。以往絕大部分人臉年齡估計(jì)方法采用人工設(shè)計(jì)的特征進(jìn)行年齡估計(jì)，最初，Kwon等人通過計(jì)算人臉特征點(diǎn)之間的距離比例獲取人臉的幾何特征用于年齡估計(jì)；Cootes等人在人臉幾何特征基礎(chǔ)上加入全局紋理特征，提出了AAM模型；隨后，LBP,SFP以及BIF特征分別被用來作為年齡估計(jì)的人臉特征。基于這些人工設(shè)計(jì)的特征，回歸和分類方法被用于估計(jì)人臉，基于SVM的方法被用于年齡組分類，針對年齡回歸，則主要包括SVR，PLS，CCA等方法。這些人工提取特征的方法在受限條件下的人臉數(shù)據(jù)集上獲得了不錯(cuò)的結(jié)果，例如人臉年齡數(shù)據(jù)集FG-NET和MORPH。但是這些方法在非受限條件下的人臉年齡估計(jì)任務(wù)中顯得差強(qiáng)人意，例如非受限條件下的人臉年齡數(shù)據(jù)集Adience，這些數(shù)據(jù)集中的人臉圖像沒有經(jīng)過人工過濾和調(diào)整，圖像中包含各種不同的變化，如噪音、光照，姿勢，表情等，這些變化為年齡估計(jì)帶來了新的挑戰(zhàn)。

目前，深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)已成為計(jì)算機(jī)視覺領(lǐng)域研究的熱點(diǎn)。從5-conv+3-fc的AlexNet到16-conv+3fc的VGG網(wǎng)絡(luò)和21-conv+1-fc的GoogleNet，再到上千層的ResNets，無論是網(wǎng)絡(luò)的學(xué)習(xí)能力還是深度都得到顯著提高。因此，近幾年越來越多的學(xué)者開始嘗試采用DCNN解決年齡估計(jì)問題，并證明了其在非受限條件下能夠獲得明顯優(yōu)于以往手工提取特征方法的結(jié)果。Yi等最先提出了多尺度DCNN年齡估計(jì)方法，并在MORPH上進(jìn)行了驗(yàn)證；Wang等采用DCNN提取臉部特征，然后采用SVR進(jìn)行年齡估計(jì)，在FG-NET以及MORPH上獲得了較好的效果；Levi等采用DCNN在非受限條件的Adience數(shù)據(jù)集上進(jìn)行年齡以及性別分類，發(fā)現(xiàn)非受限條件下年齡估計(jì)更具挑戰(zhàn)；Ekmekji提出了一種鏈?zhǔn)降男詣e及年齡分類方法，該方法在Adience數(shù)據(jù)集上針對不同性別分別訓(xùn)練DCNN。以上方法所采用的DCNN均僅包含少量的卷積層和全連接層，這極大地限制了DCNN在年齡估計(jì)方面的學(xué)習(xí)能力。為了進(jìn)一步提高模型的學(xué)習(xí)能力，進(jìn)而提高年齡估計(jì)的準(zhǔn)確率，Hou等采用深層類似VGG-16的網(wǎng)絡(luò)結(jié)構(gòu)以及平滑適應(yīng)激活函數(shù)(SAAF)在Adience數(shù)據(jù)集上進(jìn)行年齡估計(jì)，取得了較好的效果；Rothe等提出了深度期望模型(DEX)，其使用VGG-16網(wǎng)絡(luò)架構(gòu)作為基礎(chǔ)模型，采用ImageNet數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，繼而利用IMDB-WIKI大規(guī)模數(shù)據(jù)集對網(wǎng)絡(luò)進(jìn)行微調(diào)，最后在不同的人臉數(shù)據(jù)集上進(jìn)行微調(diào)訓(xùn)練，均得到了當(dāng)前最好的結(jié)果，但在非受限條件下的Adience數(shù)據(jù)集上仍難以達(dá)到人的年齡估計(jì)水平。

現(xiàn)有的DCNN年齡估計(jì)方法主要存在以下問題：

1.現(xiàn)有方法在非受限條件下的年齡估計(jì)效果較差，這是由于年齡估計(jì)采用的DCNN網(wǎng)絡(luò)學(xué)習(xí)能力不足造成的。所以需要設(shè)計(jì)學(xué)習(xí)能力更強(qiáng)的DCNN網(wǎng)絡(luò)，以提高年齡估計(jì)能力。