[發(fā)明專利]一種基于人臉特征學習的輕量級多頭年齡估計方法

有效

• 申請?zhí)枺?/td>: 202110620332.X
• 申請日: 2021-06-03
• 公開（公告）號: CN113298004B
• 公開（公告）日: 2022-04-29
• 發(fā)明（設(shè)計）人: 周翔;劉國清;倪一華
• 申請（專利權(quán)）人: 南京佑駕科技有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京縱橫知識產(chǎn)權(quán)代理有限公司 32224
• 代理人: 韓紅莉

1.一種基于人臉特征學習的輕量級多頭年齡估計方法，其特征在于，包括：

向構(gòu)建的多頭人臉年齡估計模型中輸入預處理后的待測人臉圖片，構(gòu)建的多頭人臉年齡估計模型預測輸出人臉年齡；

構(gòu)建多頭人臉年齡估計模型，包括：

預處理人臉圖片訓練數(shù)據(jù)集，將人臉圖片訓練數(shù)據(jù)集按比例分為訓練集、驗證集和測試集；

以經(jīng)過通道壓縮的SSR-NET特征提取網(wǎng)絡(luò)作為雙支路多頭的年齡估計主干網(wǎng)絡(luò)，在年齡估計主干網(wǎng)絡(luò)后接上多頭網(wǎng)絡(luò)；多頭網(wǎng)絡(luò)包括多個二分類分支和單個回歸分支；

利用人臉圖片訓練數(shù)據(jù)集進行訓練；

利用損失函數(shù)引導人臉年齡估計網(wǎng)絡(luò)學習年齡估計網(wǎng)絡(luò)的最佳參數(shù)，使用預處理后的訓練集訓練多頭的年齡估計網(wǎng)絡(luò)，獲得最佳多頭人臉年齡估計模型；

利用測試集測試多頭人臉年齡估計模型，若多頭人臉年齡估計模型不滿足設(shè)定的要求，則調(diào)整模型參數(shù)，使用預處理后的訓練集訓練多頭的年齡估計網(wǎng)絡(luò)，獲得多頭人臉年齡估計模型；利用人臉圖片訓練數(shù)據(jù)集進行訓練，包括：

二分類分支計算期望值作為實際預測年齡；回歸分支輸出只用于網(wǎng)絡(luò)反向傳播，調(diào)整網(wǎng)絡(luò)參數(shù)，輔助分類支路學習參數(shù)，不作為最終年齡估計的輸出；

二分類分支計算期望值作為實際預測年齡，包括：

將年齡間隔為[1,M]的年齡估計任務均勻劃分為M-1個區(qū)間，每個區(qū)間寬度μ_i為1，對于給定的人臉圖片和One-hot年齡編碼標簽，將One-hot年齡編碼標簽轉(zhuǎn)換為One-hot編碼，使用二元交叉熵作為損失函數(shù)進行網(wǎng)絡(luò)反向傳播；

多頭網(wǎng)絡(luò)輸出預測分布向量預測分布向量表示人臉圖片屬于每個年齡區(qū)間的概率；

利用公式(1)計算期望值，預測實際年齡y：

其中，μ_i代表區(qū)間寬度，p_i代表網(wǎng)絡(luò)預測分布向量。

2.根據(jù)權(quán)利要求1所述的一種基于人臉特征學習的輕量級多頭年齡估計方法，其特征在于，人臉圖片訓練數(shù)據(jù)集和待測人臉圖片均包括多個年齡段的訓練人臉圖片，訓練人臉圖片和待測人臉圖片均為由車載攝像頭采集并經(jīng)過摳取提取人臉得到的人臉圖片，預處理訓練人臉圖片和預處理待測人臉圖片包括：

對人臉圖片進行真實年齡的標注，年齡標注數(shù)值有M個；

從人臉圖片訓練數(shù)據(jù)集中隨機次序批量讀取人臉圖片；

對人臉圖片進行數(shù)據(jù)增強；

對人臉圖片進行年齡標簽處理；

年齡標簽處理，包括：

對人臉圖片標記用于回歸的原始標簽，原始標簽為人臉圖片對應的實際年齡；對人臉圖片標記用于分類的One-hot年齡編碼標簽，One-hot年齡編碼標簽將實際年齡編碼成M維，M維由0、1兩元素組成的向量。

3.根據(jù)權(quán)利要求2所述的一種基于人臉特征學習的輕量級多頭年齡估計方法，其特征在于，數(shù)據(jù)增強包括通道處理和幾何操作；

其中，通道處理使用灰度化方法，將原本三通道的RGB人臉圖片通過通道像素值加權(quán)的方法轉(zhuǎn)換成單通道；幾何操作包括縮放、隨機裁剪和水平翻轉(zhuǎn)，最終輸出固定尺寸的人臉圖片。

4.根據(jù)權(quán)利要求2所述的一種基于人臉特征學習的輕量級多頭年齡估計方法，其特征在于，利用損失函數(shù)引導人臉年齡估計網(wǎng)絡(luò)學習年齡估計網(wǎng)絡(luò)的最佳參數(shù)，包括：

總的損失函數(shù)如公式(2)所示：

L＝λ_clsL_cls+λ_regL_reg (2)

其中，L_cls為二元交叉熵損失，L_reg為Smooth-L1損失；λ_cls和λ_reg為損失權(quán)衡系數(shù)，λ_cls和λ_reg設(shè)置為1；損失函數(shù)值L越小，人臉年齡估計網(wǎng)絡(luò)擬合效果越好；

L_cls計算公式為：

其中，訓練集分為多個批次，N表示每個批次有N個人臉圖片，i表示第i個人臉圖片，p(x)為One-hot數(shù)據(jù)標簽的真實分布；q(x)為二分類支路預測分布；

L_reg計算公式為：

其中，x為回歸分支的輸出。