CN104143097A - 分类函数获取方法、人脸年龄识别方法、装置和设备 - Google Patents

Abstract

本发明公开了一种用于人脸年龄识别的分类函数获取方法、人脸年龄识别方法、装置和设备，属于人脸识别领域。所述方法包括：获取若干不同年龄下的人脸图像；将所述人脸图像按照待识别的多个年龄段划分为多个人脸图像集；对于每个年龄段，将大于该年龄段的所有人脸图像集获取为正样本，将小于该年龄段的所有人脸图像集获取为负样本；根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数。本发明提高了人脸年龄识别的准确率，提升了分类器的人脸年龄估计性能。

Description

分类函数获取方法、人脸年龄识别方法、装置和设备

技术领域

本发明涉及人脸识别领域，特别涉及一种用于人脸年龄识别的分类函数获取方法、人脸年龄识别方法、装置和设备。

背景技术

随着人脸识别技术的发展，用户对人脸属性的识别需求也越来越高，如识别人脸年龄、识别人脸性别、识别人脸开心度等。其中，识别人脸年龄有助于收集不同年龄段的用户信息、分析不同年龄段产品的欢迎度等。

在识别人脸年龄之前，可以根据获取到的多个图像样本进行多年龄段分类，对于某一年龄段，将符合当前年龄段的样本作为正样本，其他年龄段的样本作为负样本，根据正样本和负样本进行训练，生成每个年龄段对应的分类函数。在之后获取到测试的人脸图像时，可以根据分类函数估计该测试图像所在年龄段。

在实现本发明的过程中，发明人发现现有技术至少存在以下问题：

现实情况下，某一年龄段对应的负样本的个数是正样本的数十倍，正样本和负样本的个数不均衡，因此，训练时无法准确选取正样本和负样本，导致训练所获得的分类函数不准确，使用该分类函数无法准确识别人脸年龄，误判率高。

发明内容

为了解决由于分类函数不准确而造成的识别人脸年龄时误判率高的问题，本发明实施例提供了一种用于人脸年龄识别的分类函数获取方法、一种人脸年龄识别方法、装置和设备。所述技术方案如下：

第一方面，提供了一种用于人脸年龄识别的分类函数获取方法，所述方法包括：

获取若干不同年龄下的人脸图像；

将所述人脸图像按照待识别的多个年龄段划分为多个人脸图像集，每个年龄段对应一个人脸图像集，每个人脸图像集包括至少一个人脸图像；

对于每个所述年龄段，将大于该年龄段的所有人脸图像集获取为正样本，将小于该年龄段的所有人脸图像集作为负样本；

根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数。

第二方面，提供了一种人脸年龄识别方法，所述方法包括：

获取待识别年龄的人脸图像；

抽取所述人脸图像的纹理特征；

根据所述纹理特征和每个年龄段的分类函数，对所述人脸图像进行分类，获取多个分类结果，所述多个分类结果分别对应每个年龄段；

根据所述多个分类结果，确定所述人脸图像的估计年龄段。

第三方面，提供了一种用于人脸年龄识别的分类函数获取装置，所述装置包括：

人脸图像获取模块，用于获取若干个人脸图像；

图像集划分模块，用于将所述若干个人脸图像划分为多个人脸图像集，每个年龄段对应一个人脸图像集，每个人脸图像集包括至少一个人脸图像；

正负样本获取模块，用于将每个年龄段下，大于该年龄段的所有人脸图像集获取为正样本，将小于该年龄段的所有人脸图像集获取为负样本；

分类确定模块，用于根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数。

第四方面，提供了一种人脸年龄识别装置，所述装置包括：

待识别图像获取模块，用于获取待识别年龄的人脸图像；

待识别特征抽取模块，用于抽取所述人脸图像的纹理特征；

分类结果获取模块，用于根据所述纹理特征和每个年龄段的分类函数，对所述人脸图像进行分类，获取多个分类结果，所述多个分类结果分别对应每个年龄段；

确定年龄模块，用于根据所述多个分类结果，确定所述人脸图像的估计年龄段。

第五方面，提供了一种终端设备，其特征在于，终端设备包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：

获取待识别年龄的人脸图像；

抽取所述人脸图像的纹理特征；

根据所述纹理特征和每个年龄段的分类函数，对所述人脸图像进行分类，获取多个分类结果，所述多个分类结果分别对应每个年龄段；

根据所述多个分类结果，确定所述人脸图像的估计年龄。

本发明实施例提供的技术方案带来的有益效果是：

本发明实施例提供的用于人脸年龄识别的分类函数获取方法、一种人脸年龄识别方法、装置和设备，通过将大于当前年龄段的人脸图像作为正样本，小于当前年龄段的人脸图像作为负样本，根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数，使得在对测试人脸图像进行人脸年龄识别时，可以区分该人脸图像的人脸年龄段大于等于年龄段还是小于年龄段，综合分析每个年龄段的分类结果确定该人脸图像的估计年龄段，由于正样本和负样本的个数均衡，能够提高人脸年龄识别的准确率，提升了分类器的人脸年龄估计性能。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种用于人脸年龄识别的分类函数获取方法的流程图；

图2是本发明实施例提供的一种人脸年龄识别方法的流程图；

图3是本发明实施例提供的一种用于人脸年龄识别的分类函数获取方法的流程图；

图4是本发明实施例提供的一种用于人脸年龄识别的分类函数获取装置结构示意图；

图5是本发明实施例提供的一种人脸年龄识别方法装置结构示意图；

图6为本发明实施例所涉及的终端设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明实施例提供的一种用于人脸年龄识别的分类函数获取方法的流程图，参见图1，所述方法包括：

101：获取若干个人脸图像；

其中，该若干个人脸图像可以包括多个不同年龄的人脸图像，该人脸图像可以是照片、视频流中的帧图像等，本发明实施例对人脸图像的获取方式不做限定。

102：将该若干个人脸图像划分为多个人脸图像集，每个年龄段对应一个人脸图像集，每个人脸图像集包括至少一个人脸图像；

本发明实施例中，根据预先设定的年龄跨度，划分多个年龄段，如按照年龄跨度为5岁划分的年龄段为1岁-5岁、6岁-10岁、11岁-15岁等。根据划分的年龄段，将该若干个人脸图像中属于同一年龄段的人脸图像获取为同一人脸图像集，使得获取到多个人脸图像集，每个年龄段对应一个人脸图像集。

103：针对某一年龄段，将每个大于该年龄段的年龄段对应的人脸图像集获取为该年龄段的正样本，将每个小于该年龄段的年龄段对应的人脸图像集获取为该年龄段的负样本。

具体地，对正样本的选择可应用以下公式（1）进行：

sample_pos＝{sample|age_s＞age_t+k}        (1)

其中，sample_pos为抽取的正样本，age_s为待确定样本属性的人脸图像的年龄，age_t为当前待确定分类函数的年龄段，k为调整阈值;

具体地，对负样本的选择可应用以下公式（2）进行：

Sample_neg＝{sample|age_s＞age_t-k}        (2)

其中，sample_neg为抽取的负样本。

在样本选取过程中，为使得正负样本之间的差异更大，以k为调整阈值抽取年龄差距更大的样本进行训练。

104：根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数。

针对每个年龄段的正负样本训练SVM（support vector machine，支持向量机）分类器f_t，最终获得m组分类器，m为划分的年龄段个数。

该分类函数用于确定待分类人脸图像的年龄是否大于该分类函数对应的年龄段，当待分类人脸图像所属的年龄段大于该分类函数对应的年龄段时，分类结果为1，当待分类人脸图像所属的年龄段小于该分类函数对应的年龄段时，分类结果为0。

具体地，根据每个年龄段的正样本和负样本，抽取该正样本和负样本的纹理特征，并根据纹理特征进行训练，确定每个年龄段的分类函数。分类函数可以是SVM、决策树、随机森林、adaboost算法等二分类或多分类方法。本发明实施例对分类函数的定义不做限定。

在对测试人脸图像进行人脸年龄识别时，根据该分类函数，可以得到分类结果，根据得到的分类结果可以估计出该测试人脸图像所属的年龄段。

本发明实施例提供的方法，通过将大于当前年龄段的人脸图像作为正样本，小于当前年龄段的人脸图像作为负样本，根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数，使得在对测试人脸图像进行人脸年龄识别时，可以根据分类函数估计出人脸年龄。正样本和负样本的个数均衡，能够提高人脸年龄识别的准确率，提升了分类器的人脸年龄估计性能。

可选地，根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数之前，所述方法还包括：

根据每个正样本和负样本分别所属年龄段与所述年龄段的年龄间隔，确定每个正负样本对于所述年龄段的权重；

相应地，根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数，包括：

根据每个年龄段的正样本和负样本以及每个年龄段对应的所述正样本和负样本的权重进行训练，确定每个年龄段的分类函数。

可选地，获取若干个人脸图像，包括：

获取若干个原始图像，所述原始图像至少包括人脸；

根据每个原始图像，获取每个原始图像中的人脸图像。

可选地，根据每个原始图像，获取每个原始图像中的人脸图像，包括：

对每个原始图像进行人脸检测和眼睛定位，获取人脸位置和眼睛位置；

根据所述人脸位置和所述眼睛位置，对每个原始图像进行校正，获取每个原始图像中的人脸图像。

可选地，根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数，包括：

抽取每个年龄段的正样本和负样本的纹理特征；

根据每个年龄段的正样本和负样本的纹理特征进行训练，确定每个年龄段的分类函数。

可选地，抽取每个年龄段的正样本和负样本的纹理特征，包括：

抽取每个年龄段的正样本和负样本的初始纹理特征；

对所述初始纹理特征进行PCA（Principal Component Analysis，独立主成分分析）降维，获取每个年龄段的正样本和负样本的纹理特征。

根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数之后，所述方法还包括：

根据所述每个年龄段的分类函数，确定待识别年龄的人脸图像的估计年龄。

上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。

图2是本发明实施例提供的一种人脸年龄识别方法的流程图，参见图2，所述方法包括：

201：获取待识别年龄的人脸图像；

在获取该人脸图像时，可以首先获取原始的图像，并采用adaboost算法和haar特征算法的人脸检测方法获取图像中的人脸框位置，进一步在人脸框中定位眼睛位置，最后，根据人脸眼睛位置，截取以眼睛为中心的64*64大小人脸有效区域图像，即为人脸图像，本发明实施例对于获取人脸图像的具体方式不做限定。

本发明实施例中，可以在获取到图像时，默认对该图像进行人脸年龄识别，还可以在接收到年龄识别指令时，对该图像进行人脸年龄识别，本发明实施例对此不做限定。

202：抽取该人脸图像的纹理特征；

203：根据该纹理特征和每个年龄段的分类函数，对该人脸图像进行分类，获取多个分类结果，该多个分类结果分别对应每个年龄段；

该分类函数用于确定待分类人脸图像的年龄是否大于该分类函数对应的年龄段，当分类结果为1时，确定该待分类人脸图像的年龄大于该分类函数对应的年龄段，当分类结果为0时，确定该待分类人脸图像的年龄小于该分类函数对应的年龄段。该分类函数可以分类器的形式实现。

以实际估计过程为例进行说明，对于任意待估计人脸图像样本，在m个分类器下分别计算分类器输出，

$f_t=\left\{\begin{array}{cc}1& {\mathrm{age}}_x>{\mathrm{age}}_t\\ 0& {\mathrm{age}}_x\≤{\mathrm{age}}_t\end{array}\right.$

其中，f_t为分类输出，age_x为当前待确定估计年龄。

将该人脸图像的纹理特征输入到每个年龄段的分类函数中，分别获取分类结果，如当该人脸图像的纹理特征对应年龄段21岁-25岁的分类结果为1，对应年龄段36岁-40岁的分类结果为0时，表明该人脸年龄大于25岁且小于36岁，即可以确定该人脸年龄在25岁至36岁之间。

204：根据该多个分类结果，确定该人脸图像的估计年龄。

其中，该估计年龄可以为年龄或年龄段。在获取到该人脸图像对应每个年龄段的分类结果时，可以根据多个分类结果粗略确定该人脸图像的估计年龄段，如当该人脸图像对应年龄段21岁-25岁的分类结果为1，对应年龄段26岁-30岁的分类结果为1，对应年龄段31岁-35岁的分类结果为0，则可以确定该人脸年龄属于年龄段26岁-30岁。

可选地，该步骤204还可以通过叠加多个分类结果，确定该人脸图像的估计年龄，所有分类结果之和即为该人脸图像的估计年龄。其最终的估计年龄为所有分类器输出的和可以入下式所示：

$\mathrm{age}=\underset{t}{\mathrm{\Σ}}{f}_t$

其中，age为确定的估计年龄。

本发明实施例提供的方法，通过获取待识别年龄的人脸图像；抽取所述人脸图像的纹理特征；根据所述纹理特征和每个年龄段的分类函数，对所述人脸图像进行分类，获取多个分类结果；根据所述多个分类结果，确定所述人脸图像的估计年龄。采用本发明实施例的技术方案，通过根据每个年龄段的分类函数，区分该人脸图像的人脸年龄大于等于年龄段还是小于年龄段，综合分析每个年龄段的分类结果确定该人脸图像的估计年龄，提高了人脸年龄识别的准确率，提升了分类器的人脸年龄估计性能。

可选地，根据所述多个分类结果，确定所述人脸图像的估计年龄，包括：

根据所述多个分类结果和所述年龄段的年龄跨度，计算所述人脸图像的估计年龄。

可选地，每个年龄段的分类函数根据年龄段的正样本和负样本进行训练确定，对于一个年龄段来说，将该年龄段对应的第一人脸图像集以及第二人脸图像集获取为所述年龄段的正样本，所述第一人脸图像集为所述年龄段对应的人脸图像集，所述第二人脸图像集对应的年龄段大于所述年龄段；将所述年龄段对应的第三人脸图像集获取为所述年龄段的负样本，所述第三人脸图像集对应的年龄段小于所述年龄段。

图3是本发明实施例提供的一种用于人脸年龄识别的分类函数获取方法的流程图，参见图3，所述方法包括：

301：获取若干个原始图像，该原始图像至少包括人脸；

302：对每个原始图像进行人脸检测和眼睛定位，获取人脸位置和眼睛位置；

303：根据该人脸位置和该眼睛位置，对每个原始图像进行校正，获取每个原始图像中的人脸图像；

优选地，采用adaboost算法和haar特征算法的人脸检测方法获取原始图像中的人脸框位置，进一步在人脸框中定位眼睛位置，根据人脸眼睛位置，截取以眼睛为中心的64*64大小人脸有效区域图像，在获取到有效区域图像时，为了提高训练样本时的准确率，对该有效区域图像进行校正，该校正过程可以按照预先设定的标准模板进行，本发明实施例对此不做限定。

304：将该若干个人脸图像划分为多个人脸图像集，每个年龄段对应一个人脸图像集，每个人脸图像集包括至少一个人脸图像；

例如，将每个年龄作为一个年龄段，将若干个人脸图像中人脸年龄为1的人脸图像划分为一个人脸图像集1，人脸年龄为2的人脸图像划分为一个人脸图像集2等等，人脸图像集1即对应年龄1，人脸图像集2即对应年龄2。根据划分的年龄段将若干个人脸图像划分为多个人脸图像集，每个年龄段对应一个人脸图像集。

305：将每个大于该年龄段的年龄段对应的人脸图像集获取为该年龄段的正样本，将每个小于该年龄段的年龄段对应的人脸图像集获取为该年龄段的负样本。

306：根据每个正样本和负样本分别所属年龄段与所述年龄段的年龄间隔，确定每个正负样本对于所述年龄段的权重；

其中，人脸图像集对应该年龄段的权重可以表示该人脸图像集对应的年龄段对分类函数的确定所起的作用，可以由该人脸图像集与该年龄段的年龄间隔确定，根据权重确定样本可应用以下公式（3）和（4）进行：

sample_pos＝{w_s×sample|age_s＞age_t+k}      (3)

w_s＝dis(age_s，age_t)

sample_neg＝{w_s×sample|age_s＞age_t-k}    (4)

w_s＝dis(age_s，age_t)

其中，sample_pos为抽取的正样本，age_s为待确定样本属性的人脸图像的年龄，age_t为当前待确定分类函数的年龄段，k为调整阈值;w_s为待确定样本属性的人脸图像的年龄与当前待确定分类函数的年龄段之间的年龄间隔。

例如，对应年龄段31岁-35岁的人脸图像集为图像集A，对应年龄段71岁-75岁的人脸图像集为图像集B，而针对年龄段26岁-30岁来说，年龄段31岁-35岁和年龄段71岁-75岁均大于年龄段26岁-30岁，但图像集A和图像集B对年龄段26岁-30岁的训练重要性是不同的，此时，可以根据年龄段31岁-35岁和年龄段71岁-75岁与年龄段26岁-30岁的年龄间隔确定年龄段31岁-35岁和年龄段71岁-75岁对于年龄段26岁-30岁的权重，假设年龄段31岁-35岁对于年龄段26岁-30岁的权重为1，年龄段71岁-75岁对于年龄段26岁-30岁的权重为8。

针对某一年龄段，属于同一类别的年龄段的权重不同，在进行样本训练时，不仅根据纹理特征对正样本和负样本进行训练，同时根据正样本和负样本的权重进行训练，分类效果更佳。

308：抽取每个年龄段的正样本和负样本的初始纹理特征；

可选地，针对任一样本图像，抽取该样本图像的BIM（Biologically InspiredModel，生物启发模型）特征，包括：

a）建立64组gabor滤波器，并对应该样本图像的16个尺度和4个方向进行滤波，获得64组gabor滤波后的图像；

b）将该所有gabor图像分为8个部分，该每个部分包括：2个尺度和4个方向；

c）在该每个部分的每个方向，选取一组m*n的蒙版大小，划窗原始gabor图像，得到两组串联的gabor特征；

d）比较该每个部分的两个尺度对应的gabor特征，取对应特征维度上较大的值作为最终的特征输出；

调整蒙版大小，重复执行步骤c）-d）k次，得到k组特征，在每个部分下，得到k*4组特征，最终得到该样本图像的k*4*8组BIM特征，即初始纹理特征。

其中，m，n，k均为正整数。在BIM特征的计算过程中，滤波器的参数以及蒙版大小都可以进行调整。

309：对该初始纹理特征进行PCA降维，获取每个年龄段的正样本和负样本的纹理特征。

在具体的纹理特征抽取过程中，由于特征维度过高，可以将所有8个部分合并为一个部分，从而使得每个方向下的特征为所有部分的不同蒙版下特征较大值，最终实现k*4组特征。可选地，在得到该样本图像的k*4*8组BIM特征之后，对该k*4*8组BIM特征进行PCA降维，得到该样本图像的纹理特征。

310：根据每个年龄段的正样本和负样本的纹理特征以及每个年龄段对应的该正样本和负样本的权重进行训练，确定每个年龄段的分类函数。

需要说明的是，本发明实施例的执行主体可以为分类服务器或具有计算能力的终端设备，分类服务器或具有计算能力的终端设备获取多个人脸图像作为样本，针对每个年龄段，选取正样本和负样本进行训练，确定每个年龄段的分类函数。

该确定的分类函数可以用于终端设备的人脸年龄识别，需要说明的是，终端设备可以仅根据确定的分类函数进行人脸年龄识别，而由分类服务器进行分类函数的确定过程，还可以由终端设备确定分类函数后，根据确定的分类函数进行人脸年龄识别。

进一步地，终端设备还可以根据人脸年龄识别的结果提供用于训练分类函数的样本，使得能够根据人脸年龄识别结果以及终端设备的人脸图像优化分类函数，使得分类函数的准确性进一步提高。

在该步骤310之后，包括：根据所述每个年龄段的分类函数，确定待识别年龄的人脸图像的估计年龄；具体地，包括：获取待识别年龄的人脸图像；抽取该人脸图像的纹理特征，根据该纹理特征和每个年龄段的分类函数，获取多个分类结果；根据该多个分类结果，确定该人脸图像的估计年龄。其中，根据该多个分类结果，确定该人脸图像的估计年龄包括：根据所述多个分类结果和所述年龄段的年龄跨度，计算所述人脸图像的估计年龄。具体地，对多个分类结果进行叠加，并将叠加后的数值与年龄跨度相乘，获取到人脸图像的估计年龄。

如，年龄跨度为1时，即每一个年龄为一个年龄段，针对每个年龄段，当分类结果为1时表示该人脸年龄大于等于该年龄段，当分类结果为0时表示该人脸年龄小于该年龄段。假设一个测试人脸图像的最后的多个分类结果中，1的个数为34，则可以确定该人脸年龄为34岁，即最终的估计年龄为所有分类结果之和。

再如，年龄跨度为5时，即即每五个年龄为一个年龄段，针对每个年龄段，当分类结果为1时表示该人脸年龄大于等于该年龄段，当分类结果为0时表示该人脸年龄小于该年龄段。假设一个测试人脸图像的最后的多个分类结果中，1的个数为6，则确定该人脸年龄大于等于年龄段26岁-30岁，小于年龄段31岁-35岁，此时可以确定该人脸年龄段在26岁-30岁之间，即最终的估计年龄为所有分类结果之和与该年龄跨度的乘积所属的年龄段。

需要说明的是，该步骤310可以由终端设备获取人脸图像，发送给分类服务器，由分类服务器根据每个年龄段的分类函数对该人脸图像进行分类，根据分类结果确定该人脸图像的估计年龄，发送给该终端设备；还可以是终端设备接收服务器确定的每个年龄段的分类函数并保存，获取到人脸图像时，终端设备抽取纹理特征，根据纹理特征和每个年龄段的分类函数，获取每个年龄段的分类结果，确定该人脸图像的估计年龄。本发明实施例对具体的执行主体不做限定。

本发明实施例提供的方法，通过根据每个年龄段的分类函数，区分该人脸图像的人脸年龄大于等于年龄段还是小于年龄段，综合分析每个年龄段的分类结果确定该人脸图像的估计年龄，提高了人脸年龄识别的准确率，提升了分类器的人脸年龄估计性能。

图4是本发明实施例提供的一种用于人脸年龄识别的分类函数获取装置结构示意图，参见图4，所述装置包括：人脸图像获取模块41、图像集划分模块42、正负样本获取模块43、分类函数确定模块44；

其中，人脸图像获取模块41用于获取若干个人脸图像；图像集划分模块42与人脸图像获取模块41连接，图像集划分模块42用于将该若干个人脸图像划分为多个人脸图像集，每个年龄段对应一个人脸图像集，每个人脸图像集包括至少一个人脸图像；正负样本获取模块43与图像集划分模块42连接，正负样本获取模块43用于将每个年龄段下大于该年龄段对应的图像集获取为该年龄段的正样本，小于该年龄段对应的图像集获取为该年龄段的负样本；分类确定模块44与正负样本获取模块43连接，分类函数确定模块44用于根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数。

可选地，该装置还包括：

权重确定模块，用于在根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数之前，根据每个正负样本对应的年龄段与该年龄段的年龄间隔，确定每个正负样本对于该年龄段的权重；

相应地，该分类函数确定模块44包括：

分类函数确定单元，用于根据每个年龄段的正样本和负样本以及每个年龄段对应的该正样本和负样本的权重进行训练，确定每个年龄段的分类函数。

可选地，该人脸图像获取模块41包括：

原始图像获取单元，用于获取若干个原始图像，该原始图像至少包括人脸；

人脸图像获取单元，用于根据每个原始图像，获取每个原始图像中的人脸图像。

可选地，述人脸图像获取单元包括：

定位子单元，用于对每个原始图像进行人脸检测和眼睛定位，获取人脸位置和眼睛位置；

校正子单元，用于根据该人脸位置和该眼睛位置，对每个原始图像进行校正，获取每个原始图像中的人脸图像。

可选地，该分类函数确定模块44包括：

特征抽取单元，用于抽取每个年龄段的正样本和负样本的纹理特征；

分类训练单元，用于根据每个年龄段的正样本和负样本的纹理特征以及每个年龄段对应的该正样本和负样本的权重进行训练，确定每个年龄段的分类函数。

可选地，该特征抽取单元包括：

初始特征抽取子单元，用于抽取每个年龄段的正样本和负样本的初始纹理特征；

降维子单元，用于对该初始纹理特征进行独立主成分分析PCA降维，获取每个年龄段的正样本和负样本的纹理特征。

所述装置还包括：

年龄估计模块，用于根据所述每个年龄段的分类函数，确定待识别年龄的人脸图像的估计年龄。

本发明实施例提供的装置，通过将大于等于当前年龄段的人脸图像作为正样本，小于当前年龄段的人脸图像作为负样本，根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数，使得在对测试人脸图像进行人脸年龄识别时，可以根据分类函数估计出人脸年龄。正样本和负样本的个数均衡，能够提高人脸年龄识别的准确率，提升了分类器的人脸年龄估计性能。

图5是本发明实施例提供的一种人脸年龄识别方法装置结构示意图，参见图5，所述装置包括：待识别图像获取模块51、待识别特征抽取模块52、分类结果获取模块53、确定年龄模块54；

其中，待识别图像获取模块51用于获取待识别年龄的人脸图像；待识别特征抽取模块52与待识别图像获取模块51连接，待识别特征抽取模块52用于抽取该人脸图像的纹理特征；分类结果获取模块53与待识别特征抽取模块52连接，分类结果获取模块53用于根据该纹理特征和每个年龄段的分类函数，

对该人脸图像进行分类，获取多个分类结果，该多个分类结果分别对应每个年龄段；确定年龄模块54与分类结果获取模块53连接，确定年龄模块54用于根据该多个分类结果，确定该人脸图像的估计年龄。

可选地，该确定年龄模块54包括：

确定年龄模块单元，用于根据该多个分类结果和该年龄段的年龄跨度，计算该人脸图像的估计年龄。

可选地，所述每个年龄段的分类函数根据年龄段的正样本和负样本进行训练确定，将年龄段对应的第一人脸图像集以及第二人脸图像集获取为所述年龄段的正样本，所述第一人脸图像集为所述年龄段对应的人脸图像集，所述第二人脸图像集对应的年龄段大于所述年龄段；将所述年龄段对应的第三人脸图像集获取为所述年龄段的负样本，所述第三人脸图像集对应的年龄段小于所述年龄段。

本发明实施例提供的装置，通过根据每个年龄段的分类函数，区分该人脸图像的人脸年龄大于等于年龄段还是小于年龄段，综合分析每个年龄段的分类结果确定该人脸图像的估计年龄，提高了人脸年龄识别的准确率，提升了分类器的人脸年龄估计性能。

需要说明的是：上述实施例提供的分类函数获取的装置在分类函数获取时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的分类函数获取的装置与分类函数获取的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

通过实验对本发明进行了性能测试。本实验建立了包含约16.5万张图像的数据集。该数据集中不同年龄段的图像数如下表1所示。

表1

在两种分类器模式下，我们分别比较了年龄识别的结果，其方法与年龄识别误差之间的关系如下表2所示。

表2

方法	年龄误差
		传统多分类	5.23
本发明	4.71

从表2中可以看出，基于本发明提供的方法在传统多分类基础上有了大幅度提高。最终的年龄识别正确率可以很好的满足实时人脸识别系统的要求。在本发明中，所有阈值均为可调节的参数。在具体实施过程中，实施者可以根据实际训练样本来调整合适的阈值。

图6为本发明实施例所涉及的终端设备的结构示意图，该终端设备可以用于实施上述实施例中提供的人脸年龄识别方法。具体来讲：

终端设备600可以包括通信单元110、包括有一个或一个以上计算机可读存储介质的存储器120、输入单元130、显示单元140、传感器150、音频电路160、WiFi（wireless fidelity，无线保真）模块170、包括有一个或者一个以上处理核心的处理器180、以及电源190等部件。本领域技术人员可以理解，图5中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

通信单元110可用于收发信息或通话过程中，信号的接收和发送，该通信单元110可以为RF（Radio Frequency，射频）电路、路由器、调制解调器、等网络通信设备。特别地，当通信单元110为RF电路时，将基站的下行信息接收后，交由一个或者一个以上处理器180处理；另外，将涉及上行的数据发送给基站。通常，作为通信单元的RF电路包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块（SIM）卡、收发信机、耦合器、LNA（Low Noise Amplifier，低噪声放大器）、双工器等。此外，通信单元110还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于GSM(Global System of Mobile communication，全球移动通讯系统)、GPRS(General Packet Radio Service，通用分组无线服务)、CDMA(CodeDivision Multiple Access，码分多址)、WCDMA(Wideband Code Division MultipleAccess,宽带码分多址)、LTE(Long Term Evolution,长期演进)、电子邮件、SMS(Short Messaging Service，短消息服务)等。存储器120可用于存储软件程序以及模块，处理器180通过运行存储在存储器120的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器120可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据终端设备600的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器120还可以包括存储器控制器，以提供处理器180和输入单元130对存储器120的访问。

输入单元130可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元130可包括触敏表面131以及其他输入设备132。触敏表面131，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触敏表面131上或在触敏表面131附近的操作），并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面131可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器180，并能接收处理器180发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面131。除了触敏表面131，输入单元130还可以包括其他输入设备132。具体地，其他输入设备132可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元140可用于显示由用户输入的信息或提供给用户的信息以及终端设备600的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元140可包括显示面板141，可选的，可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板141。进一步的，触敏表面131可覆盖显示面板141，当触敏表面131检测到在其上或附近的触摸操作后，传送给处理器180以确定触摸事件的类型，随后处理器180根据触摸事件的类型在显示面板141上提供相应的视觉输出。虽然在图5中，触敏表面131与显示面板141是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面131与显示面板141集成而实现输入和输出功能。

终端设备600还可包括至少一种传感器150，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板141的亮度，接近传感器可在终端设备600移动到耳边时，关闭显示面板141和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上（一般为三轴）加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等;至于终端设备600还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路160、扬声器161，传声器162可提供用户与终端设备600之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号，传输到扬声器161，由扬声器161转换为声音信号输出；另一方面，传声器162将收集的声音信号转换为电信号，由音频电路160接收后转换为音频数据，再将音频数据输出处理器180处理后，经RF电路110以发送给比如另一终端设备，或者将音频数据输出至存储器120以便进一步处理。音频电路160还可能包括耳塞插孔，以提供外设耳机与终端设备600的通信。

为了实现无线通信，该终端设备上可以配置有无线通信单元170，该无线通信单元170可以为WiFi模块。WiFi属于短距离无线传输技术，终端设备600通过无线通信单元170可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图5示出了无线通信单元170，但是可以理解的是，其并不属于终端设备600的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器180是终端设备600的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器120内的软件程序和/或模块，以及调用存储在存储器120内的数据，执行终端设备600的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器180可包括一个或多个处理核心；优选的，处理器180可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器180中。

终端设备600还包括给各个部件供电的电源190（比如电池），优选的，电源可以通过电源管理系统与处理器180逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源190还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

尽管未示出，终端设备600还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，终端设备的显示单元是触摸屏显示器，终端设备还包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：

获取待识别年龄的人脸图像；

抽取所述人脸图像的纹理特征；

根据所述纹理特征和每个年龄段的分类函数，对所述人脸图像进行分类，获取多个分类结果，所述多个分类结果分别对应每个年龄段；

根据所述多个分类结果，确定所述人脸图像的估计年龄。

可选地，还包含进行以下操作的指令：根据所述多个分类结果，确定所述人脸图像的估计年龄，包括：

根据所述多个分类结果和所述年龄段的年龄跨度，计算所述人脸图像的估计年龄。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (21)

1.一种用于人脸年龄识别的分类函数获取方法，其特征在于，所述方法包括：

获取若干不同年龄下的人脸图像；

将所述人脸图像按照待识别的多个年龄段划分为多个人脸图像集，每个年龄段对应一个人脸图像集，每个人脸图像集包括至少一个人脸图像；

对于每个所述年龄段，将大于该年龄段的所有人脸图像集获取为正样本，将小于该年龄段的所有人脸图像集获取为负样本；

根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数。

2.根据权利要求1所述的方法，其特征在于，根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数之前，所述方法还包括：

根据每个年龄段对应的所述正样本和负样本与当前年龄段之间的年龄间隔，确定正负样本对于当前年龄段的权重；

相应地，根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数，包括：

根据每个年龄段的正样本和负样本以及每个年龄段对应的所述正样本和负样本的权重进行训练，确定每个年龄段的分类函数。

3.根据权利要求1所述的方法，其特征在于，获取若干个人脸图像，包括：

获取若干个原始图像，所述原始图像至少包括人脸；

根据每个原始图像，获取每个原始图像中的人脸图像。

4.根据权利要求3所述的方法，其特征在于，根据每个原始图像，获取每个原始图像中的人脸图像，包括：

对每个原始图像进行人脸检测和眼睛定位，获取人脸位置和眼睛位置；

根据所述人脸位置和所述眼睛位置，对每个原始图像进行校正，获取每个原始图像中的人脸图像。

5.根据权利要求1或2所述的方法，其特征在于，根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数，包括：

抽取每个年龄段的正样本和负样本的纹理特征；

根据每个年龄段的正样本和负样本的纹理特征以及每个年龄段对应的所述正样本和负样本的权重进行训练，确定每个年龄段的分类函数。

6.根据权利要求5所述的方法，其特征在于，抽取每个年龄段的正样本和负样本的纹理特征，包括：

抽取每个年龄段的正样本和负样本的初始纹理特征；

对所述初始纹理特征进行独立主成分分析PCA降维，获取每个年龄段的正样本和负样本的纹理特征。

7.根据权利要求1所述的方法，其特征在于，根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数之后，所述方法还包括：

根据所述每个年龄段的分类函数，确定待识别年龄的人脸图像的估计年龄。

8.一种人脸年龄识别方法，其特征在于，所述方法包括：

获取待识别年龄的人脸图像；

抽取所述人脸图像的纹理特征；

根据所述纹理特征和每个年龄段的分类函数，对所述人脸图像进行分类，获取多个分类结果，所述多个分类结果分别对应每个年龄段；

根据所述多个分类结果，确定所述人脸图像的估计年龄段。

9.根据权利要求8所述的方法，其特征在于，根据所述多个分类结果，确定所述人脸图像的估计年龄段，包括：

根据所述多个分类结果和所述年龄段的年龄跨度，计算所述人脸图像的估计年龄段。

10.根据权利要求8所述的方法，其特征在于，所述每个年龄段的分类函数根据年龄段的正样本和负样本进行训练确定，将大于该年龄段的所有人脸图像集获取为正样本，将小于该年龄段的所有人脸图像集作为负样本。

11.一种用于人脸年龄识别的分类函数获取装置，其特征在于，所述装置包括：

人脸图像获取模块，用于获取若干个人脸图像；

图像集划分模块，用于将所述若干个人脸图像划分为多个人脸图像集，每个年龄段对应一个人脸图像集，每个人脸图像集包括至少一个人脸图像；

正负样本获取模块，用于将每个年龄段下，大于该年龄段的所有人脸图像集获取为正样本，将小于该年龄段的所有人脸图像集获取为负样本；

分类确定模块，用于根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数。

12.根据权利要求11所述的装置，其特征在于，所述装置还包括：

权重确定模块，用于在根据每个年龄段的正样本和负样本进行训练，确定每个年龄段的分类函数之前，根据每个年龄段对应的所述正样本和负样本与当前年龄段之间的年龄间隔，确定正负样本对于当前年龄段的权重；

相应地，所述分类确定模块包括：

分类确定单元，用于根据每个年龄段的正样本和负样本以及每个年龄段对应的所述正样本和负样本的权重进行训练，确定每个年龄段的分类函数。

13.根据权利要求11所述的装置，其特征在于，所述人脸图像获取模块包括：

原始图像获取单元，用于获取若干个原始图像，所述原始图像至少包括人脸；

人脸图像获取单元，用于根据每个原始图像，获取每个原始图像中的人脸图像。

14.根据权利要求13所述的装置，其特征在于，所述人脸图像获取单元包括：

定位子单元，用于对每个原始图像进行人脸检测和眼睛定位，获取人脸位置和眼睛位置；

校正子单元，用于根据所述人脸位置和所述眼睛位置，对每个原始图像进行校正，获取每个原始图像中的人脸图像。

15.根据权利要求11或12任一项所述的装置，其特征在于，所述分类确定模块包括：

特征抽取单元，用于抽取每个年龄段的正样本和负样本的纹理特征；

分类训练单元，用于根据每个年龄段的正样本和负样本的纹理特征以及每个年龄段对应的所述正样本和负样本的权重进行训练，确定每个年龄段的分类函数。

16.根据权利要求15所述的装置，其特征在于，所述特征抽取单元包括：

初始特征抽取子单元，用于抽取每个年龄段的正样本和负样本的初始纹理特征；

降维子单元，用于对所述初始纹理特征进行独立主成分分析PCA降维，获取每个年龄段的正样本和负样本的纹理特征。

17.根据权利要求11所述的方法，其特征在于，所述装置还包括：

年龄估计模块，用于根据所述每个年龄段的分类函数，确定待识别年龄的人脸图像的估计年龄。

18.一种人脸年龄识别装置，其特征在于，所述装置包括：

待识别图像获取模块，用于获取待识别年龄的人脸图像；

待识别特征抽取模块，用于抽取所述人脸图像的纹理特征；

分类结果获取模块，用于根据所述纹理特征和每个年龄段的分类函数，对所述人脸图像进行分类，获取多个分类结果，所述多个分类结果分别对应每个年龄段；

确定年龄模块，用于根据所述多个分类结果，确定所述人脸图像的估计年龄段。

19.根据权利要求18所述的装置，其特征在于，所述确定年龄模块包括：

确定年龄模块单元，用于根据所述多个分类结果和所述年龄段的年龄跨度，计算所述人脸图像的估计年龄段。

20.根据权利要求18所述的装置，其特征在于，所述每个年龄段的分类函数根据年龄段的正样本和负样本进行训练确定，将大于该年龄段的所有人脸图像集获取为正样本，将小于该年龄段的所有人脸图像集作为负样本。

21.一种终端设备，其特征在于，终端设备包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：

获取待识别年龄的人脸图像；

抽取所述人脸图像的纹理特征；

根据所述纹理特征和每个年龄段的分类函数，对所述人脸图像进行分类，获取多个分类结果，所述多个分类结果分别对应每个年龄段；

根据所述多个分类结果，确定所述人脸图像的估计年龄。