[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)進行分布學(xué)習(xí)的人臉年齡估計方法

有效

• 申請?zhí)枺?/td>: 201810048361.1
• 申請日: 2018-01-18
• 公開（公告）號: CN108256482B
• 公開（公告）日: 2021-06-25
• 發(fā)明（設(shè)計）人: 潘虹宇;韓琥;張杰;山世光;陳熙霖
• 申請（專利權(quán)）人: 中科視拓（北京）科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)進行分布學(xué)習(xí)的人臉年齡估計方法，其整體步驟為：提取數(shù)據(jù)，形成年齡數(shù)據(jù)集；將年齡數(shù)據(jù)集劃分為訓(xùn)練集、驗證集；采用深度神經(jīng)網(wǎng)絡(luò)的最后一個全連接層后緊跟一個softmax層；進行年齡估計網(wǎng)絡(luò)訓(xùn)練；使用softmax loss和mean?variance loss共同作為監(jiān)督信號對網(wǎng)絡(luò)進行調(diào)整；對訓(xùn)練后的網(wǎng)絡(luò)模型進行測評，選出性能最好的模型；根據(jù)所得模型進行年齡預(yù)測。本發(fā)明通過引入新的監(jiān)督信號mean?variance loss，有效地利用了年齡之間相互關(guān)聯(lián)的性質(zhì)，并且避免了人工引入方差等操作，實現(xiàn)了除預(yù)處理外不需要任何人工干預(yù)的技術(shù)。

技術(shù)領(lǐng)域

本發(fā)明涉及一種估計方法，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)進行分布學(xué)習(xí)的人臉年齡估計方法。

背景技術(shù)

通過人臉進行年齡估計的技術(shù)目前主要分為兩類，一種是利用傳統(tǒng)機器學(xué)習(xí)方法進行特征提取，然后針對提取的特征設(shè)計優(yōu)化目標(biāo)函數(shù)進行優(yōu)化，從而得到待估計的年齡。目前的傳統(tǒng)機器學(xué)習(xí)的方法，更多地是探索不同的特征對于年齡估計的影響，從而實現(xiàn)更好的特征提取；另一種方法則是利用深度學(xué)習(xí)技術(shù)，端到端地實現(xiàn)特征提取和目標(biāo)函數(shù)優(yōu)化的整個任務(wù)。深度學(xué)習(xí)方面是利用不同的網(wǎng)絡(luò)結(jié)構(gòu)進行訓(xùn)練，其本質(zhì)依然是通過不同網(wǎng)絡(luò)結(jié)構(gòu)得到不同的特征，利用端到端的優(yōu)勢進行優(yōu)化。

除了大部分基于特征提取的方法以外，有少數(shù)工作在對年齡的特殊性質(zhì)上進行了研究。通過利用年齡的有序性，提出基于ranking(序列)的思想，將回歸問題轉(zhuǎn)化為分類問題進行求解，但是該方法忽略了年齡的有序性以及年齡之間存在的關(guān)聯(lián)，使得特征難以包含這些對于估計年齡非常有用的信息。還有利用年齡分布的性質(zhì)，通過假設(shè)一個方差生成一個分布，對分布進行優(yōu)化，該法需要假設(shè)一個方差才能進行后續(xù)的工作，造成了人為干預(yù)，因此其年齡分布依然不夠理想。

發(fā)明內(nèi)容

為了解決上述技術(shù)所存在的不足之處，本發(fā)明提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)進行分布學(xué)習(xí)的人臉年齡估計方法。

為了解決以上技術(shù)問題，本發(fā)明采用的技術(shù)方案是：一種基于卷積神經(jīng)網(wǎng)絡(luò)進行分布學(xué)習(xí)的人臉年齡估計方法，其整體步驟為：

步驟一、數(shù)據(jù)提取階段：利用現(xiàn)有的人臉檢測引擎對人臉RGB圖像進行人臉檢測和關(guān)鍵點定位；然后裁切出人臉區(qū)域?qū)⑷四槇D像保存為256×256像素大小，使多張人臉圖像組成年齡數(shù)據(jù)集；

步驟二、年齡數(shù)據(jù)集劃分：將年齡數(shù)據(jù)集按照80％作為訓(xùn)練集、20％作為驗證集進行隨機劃分，保證同一個人的數(shù)據(jù)僅出現(xiàn)在一個集合中；

步驟三、年齡估計網(wǎng)絡(luò)結(jié)構(gòu)：采用含13個卷積層和3個全連接層的VGG-16網(wǎng)絡(luò)結(jié)構(gòu)作為年齡估計網(wǎng)絡(luò)模型；為了增加網(wǎng)絡(luò)高層特征的感受野，在第2個、第4個、第7個、第10個和第13個卷積層后連接一個MaxPooling層，最后一個全連接層后緊跟一個softmax層，softmax的輸出分別送入softmax loss層和mean-variance loss層中，用于分別計算softmax loss和mean-variance loss；

步驟四、年齡估計網(wǎng)絡(luò)訓(xùn)練：在進行年齡數(shù)據(jù)集訓(xùn)練之前，利用大規(guī)模數(shù)據(jù)對深度學(xué)習(xí)網(wǎng)絡(luò)模型進行預(yù)訓(xùn)練，使得網(wǎng)絡(luò)模型具有一定的識別能力；然后利用劃分得到的訓(xùn)練集對網(wǎng)絡(luò)模型進行訓(xùn)練；

步驟五、網(wǎng)絡(luò)調(diào)整：在網(wǎng)絡(luò)訓(xùn)練過程中，使用softmax loss和mean-variance loss共同作為監(jiān)督信號對網(wǎng)絡(luò)進行調(diào)整，保證最終生成的概率分布的均值盡可能接近真實值，同時有著更小的方差；因此，將最終的損失函數(shù)loss表示為公式一；然后通過該損失函數(shù)對網(wǎng)絡(luò)模型進行步驟四中的預(yù)訓(xùn)練；