[發(fā)明專利]基于GAN擴(kuò)充多人種特征協(xié)同選擇的人臉年齡估計(jì)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811195416.8
• 申請(qǐng)日: 2018-10-15
• 公開（公告）號(hào): CN109299701B
• 公開（公告）日: 2021-12-14
• 發(fā)明（設(shè)計(jì)）人: 田青;沈傳奇;毛軍翔;孫元康;秦璇;黃媛沅
• 申請(qǐng)（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 戴朝榮

本發(fā)明公開了一種基于GAN擴(kuò)充多人種特征協(xié)同選擇的人臉年齡估計(jì)方法，先通過生成式對(duì)抗網(wǎng)絡(luò)進(jìn)行多風(fēng)格人臉樣本的模擬生成，來快速地大規(guī)模地?cái)U(kuò)充不同人種的人臉庫，從而提高對(duì)黃色、棕色等人種年齡信息識(shí)別的精度。然后利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)原有數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，接著基于擴(kuò)充得到的人臉年齡數(shù)據(jù)庫進(jìn)行進(jìn)一步的精訓(xùn)練。最后將四個(gè)人種的Sub?CNN進(jìn)行基于組稀疏算法的聯(lián)合特征選擇融合，以此來解決基于人臉圖像的年齡估計(jì)問題。本發(fā)明得到了更具泛化能力的人臉年齡估計(jì)模型，同時(shí)也能大大提高很多年齡人臉識(shí)別系統(tǒng)的性能，彌補(bǔ)了以往研究的不足之處。

技術(shù)領(lǐng)域

本發(fā)明涉及一種人臉年齡估計(jì)方法，特別是一種基于GAN擴(kuò)充多人種特征協(xié)同選擇的人臉年齡估計(jì)方法。

背景技術(shù)

隨著人機(jī)交互的相關(guān)理論與應(yīng)用研究的快速發(fā)展，年齡信息作為人類的一種重要生物特征，在此領(lǐng)域中有著眾多應(yīng)用需求，并且對(duì)人臉識(shí)別系統(tǒng)的性能有著重要影響。但是絕大部分的研究是基于現(xiàn)有的數(shù)據(jù)集，由于在很多國外的現(xiàn)有大型數(shù)據(jù)集上黃色、棕色等人種樣本過少，大大限制了對(duì)黃色、棕色等人種圖片的年齡辨識(shí)。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是提供一種基于GAN擴(kuò)充多人種特征協(xié)同選擇的人臉年齡估計(jì)方法，得到更具泛化能力的人臉年齡估計(jì)模型。

為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：

一種基于GAN擴(kuò)充多人種特征協(xié)同選擇的人臉年齡估計(jì)方法，其特征在于包含以下步驟：

步驟一：通過網(wǎng)絡(luò)爬蟲從Internet網(wǎng)上下載所缺人臉圖像集；

步驟二：基于步驟一的人臉圖像集進(jìn)行GAN人臉多風(fēng)格樣本輸出模型的訓(xùn)練，擴(kuò)充完善現(xiàn)有人臉年齡數(shù)據(jù)庫；

步驟三：在完成基于GAN對(duì)人臉年齡數(shù)據(jù)庫模擬生成多風(fēng)格不同人種人臉年齡圖片后，針對(duì)每一組人種數(shù)據(jù)集設(shè)計(jì)一個(gè)CNN模型，總共設(shè)計(jì)四個(gè)串聯(lián)形式的Sub-CNN，并借助LFW、CACD大型人臉庫對(duì)Sub-CNN模型進(jìn)行預(yù)訓(xùn)練，然后對(duì)其基于擴(kuò)充得到的人臉年齡數(shù)據(jù)庫進(jìn)行進(jìn)一步的精訓(xùn)練；

步驟四：基于組稀疏Group-lasso的聯(lián)合特征選擇，應(yīng)用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練權(quán)值向量的過程中；

步驟五：多人種年齡識(shí)別模型建立完成，通過模型進(jìn)行人臉年齡估計(jì)。

進(jìn)一步地，所述步驟二生成式對(duì)抗網(wǎng)絡(luò)為

生成式對(duì)抗網(wǎng)絡(luò)由生成模型Generative Model和判別模型DiscriminativeModel兩個(gè)模塊構(gòu)成，生成模型G的目標(biāo)是使其生成的偽數(shù)據(jù)G(z)在判別模型D上的表現(xiàn)和真實(shí)數(shù)據(jù)x在D上的表現(xiàn)一致，G和D互相博弈學(xué)習(xí)并迭代優(yōu)化的過程使得它們的性能不斷提升，隨著D的判別能力提升，并且無法判別其數(shù)據(jù)來源時(shí)，則認(rèn)為G已學(xué)到真實(shí)的數(shù)據(jù)分布，根據(jù)生成式對(duì)抗網(wǎng)絡(luò)的特性，對(duì)通過網(wǎng)絡(luò)爬蟲從網(wǎng)上下載的所缺人臉圖像集，進(jìn)行快速擴(kuò)充類似的且多風(fēng)格的樣本。

進(jìn)一步地，所述生成模型的作用是盡可能地學(xué)習(xí)真實(shí)的數(shù)據(jù)分布，輸入隨機(jī)變量z，則G盡可能地生成服從真實(shí)數(shù)據(jù)分布的樣本G(z)；判別模型的作用是判別其輸入數(shù)據(jù)是來自生成模型G還是來自真實(shí)的數(shù)據(jù)x，如果輸入來自G(z)，則標(biāo)注為0并判別為偽，否則標(biāo)注為1并判別為真。

進(jìn)一步地，所述步驟三具體為世界人種可分為棕色、黃色、黑色、白色，不同人種間的人面部特征由于氣候條件、地理位置、傳統(tǒng)風(fēng)俗、遺傳因子等因素的影響存在顯著的差異性，而在相同人種間這種差異性在某種程度上相對(duì)較小，在完成基于GAN對(duì)人臉年齡數(shù)據(jù)庫模擬生成多風(fēng)格不同人種人臉年齡圖片后，針對(duì)每一組人種數(shù)據(jù)集，設(shè)計(jì)一個(gè)CNN模型，即總共設(shè)計(jì)四個(gè)串聯(lián)形式的Sub-CNN，并借助LFW、CACD等大型人臉庫對(duì)Sub-CNN模型進(jìn)行預(yù)訓(xùn)練，然后對(duì)其基于擴(kuò)充得到的人臉年齡數(shù)據(jù)庫進(jìn)行進(jìn)一步的精訓(xùn)練。