CN106469298A - 基于人脸图像的年龄识别方法及装置 - Google Patents
基于人脸图像的年龄识别方法及装置 Download PDFInfo
- Publication number
- CN106469298A CN106469298A CN201610796601.7A CN201610796601A CN106469298A CN 106469298 A CN106469298 A CN 106469298A CN 201610796601 A CN201610796601 A CN 201610796601A CN 106469298 A CN106469298 A CN 106469298A
- Authority
- CN
- China
- Prior art keywords
- facial image
- image
- age
- resolution
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于人脸图像的年龄识别方法及装置,该方法包括:判断人脸图像的分辨率是否大于预置分辨率,若该人脸图像的分辨率小于该预置分辨率,则依据该人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄,若该人脸图像的分辨率大于该预置分辨率,则依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄,这样在复杂的成像情况下,根据图像不同的分辨率选取不同识别方式,同时利用人脸图像的深度纹理、边缘与颜色特征进行辅助识别,增加了年龄识别的准确性。
Description
技术领域
本发明属于图像识别技术领域,尤其涉及一种基于人脸图像的年龄识别方法及装置。
背景技术
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,通常也叫做人像识别、面部识别。人脸识别产品已广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领域。例如,人脸识别门禁考勤系统和人脸识别防盗门,关于信息安全的计算机登录、电子政务和电子商务。随着技术的进一步成熟和社会认同度的提高,人脸识别技术将应用在更多的领域。其中,基于图像的年龄识别能够有效地辅助人脸识别,年龄识别的准确性可以直接影响最终的人脸识别的精确性。
现有技术中,人脸图像年龄识别的流程为:先进行人脸检测,然后人脸图像的特征提取,最后根据提取的特征通过分类器识别人脸图像的年龄。由于成像设备的关系,图像不一定会清晰的反应人的完整面部,大部分的图像会出现模糊、强光、黑暗等不清晰的情况,或者图像中人物出现低头、侧脸等不能完全显示整个人脸的姿态,在这种复杂的成像条件下,现有技术单纯的提取人脸图像的特征是无法准确判别人物的年龄的,进而会增加识别结果的错误率。
发明内容
本发明实施例提供一种基于人脸图像的年龄识别方法及装置,旨在解决由于外部成像因素的变化而导致的无法准确的提取人脸图像的特征,这样会增加识别的错误率的问题。
本发明实施例提供的一种基于人脸图像的年龄识别方法,包括:判断人脸图像的分辨率是否大于预置分辨率;若所述人脸图像的分辨率小于所述预置分辨率,则依据所述人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别所述人脸图像中所描绘的人物的年龄;若所述人脸图像的分辨率大于所述预置分辨率,则依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别所述人脸图像中所描绘的人物的年龄,其中所述目标人脸图像为由所述人脸图像中各关键部位区域组成的图像。
本发明实施例提供的一种基于人脸图像的年龄识别装置,包括:判断模块用于判断人脸图像的分辨率是否大于预置分辨率;识别处理模块用于若所述人脸图像的分辨率小于所述预置分辨率,则依据所述人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别所述人脸图像中所描绘的人物的年龄;所述识别处理模块还用于若所述人脸图像的分辨率大于所述预置分辨率,则依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别所述人脸图像中所描绘的人物的年龄,其中所述目标人脸图像为由所述人脸图像中各关键部位区域组成的图像。
本发明实施例提供的基于人脸图像的年龄识别方法及装置,判断人脸图像的分辨率是否大于预置分辨率;若所述人脸图像的分辨率小于所述预置分辨率,则依据所述人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别所述人脸图像中所描绘的人物的年龄;若所述人脸图像的分辨率大于所述预置分辨率,则依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别所述人脸图像中所描绘的人物的年龄,其中所述目标人脸图像为由所述人脸图像中各关键部位区域组成的图像,这样在复杂的成像情况下,根据图像不同的分辨率选取不同识别方式,同时利用人脸图像的深度纹理、边缘与颜色特征进行辅助识别,增加了年龄识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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。
图1是本发明第一实施例提供的基于人脸图像的年龄识别方法的实现流程示意图;
图2是本发明第二实施例提供的基于人脸图像的年龄识别方法的实现流程示意图;
图3是本发明实施例中人脸检测的示意图;
图4是本发明实施例中人脸图像的示意图;
图5是本发明实施例中由各关键部位区域重构得到的目标人脸图像的示意图;
图6是本发明第三实施例提供的基于人脸图像的年龄识别装置的结构示意图;
图7是本发明第四实施例提供的基于人脸图像的年龄识别装置的结构示意图;
图8是本发明第五实施例提供的执行基于人脸图像的年龄识别方法的电子设备的硬件结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域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。
请参阅图1,图1为本发明第一实施例提供的基于人脸图像的年龄识别方法的实现流程示意图,可应用于人脸考勤设备、人脸防盗系统、计算机等识别人脸图像的终端中。图1所示的基于人脸图像的年龄识别方法,主要包括以下步骤:
S101、判断人脸图像的分辨率是否大于预置分辨率。
预置分辨率的数值大小取决于在该预置分辨率下的图像可以清晰的反应人脸局部特征,如面部轮廓、眉毛、额头等特征。在本发明实施例中优选200*200的分辨率作为预置分辨率。若人脸图像的分辨率小于该预置分辨率,则执行步骤S102;若人脸图像的分辨率大于该预置分辨率,则执行步骤S103。
S102、若该人脸图像的分辨率小于该预置分辨率,则依据该人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄。
在图像识别领域中,图像的特征是图像识别领域的专有名词,图像的特征的提取是计算机视觉和图像处理中的一个概念。
该预置的第一图像样本可以存储在终端内置的存储模块中,也可以存储在云端服务器上。
S103、若该人脸图像的分辨率大于该预置分辨率,则依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄。
每一关键部位区域均得到对应的比对结果。该各关键部位区域可以是人脸各个器官部位的区域以及面部轮廓区域,此处对目标人脸图像中各关键部位区域不做限定。
需要说明的是,人脸图像和目标人图像的关系为:该目标人脸图像是由该人脸图像中各关键部位区域组成的图像。该人脸图像用于表示整体人脸的图像。这里的对象为该人脸图像中所描绘的人。
本发明实施例中,判断人脸图像的分辨率是否大于预置分辨率,若该人脸图像的分辨率小于该预置分辨率,则依据该人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄,若该人脸图像的分辨率大于该预置分辨率,则依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄,其中该目标人脸图像为由该人脸图像中各关键部位区域组成的图像,这样在复杂的成像情况下,根据图像不同的分辨率选取不同识别方式,同时利用人脸图像的深度纹理、边缘与颜色特征进行辅助识别,增加了年龄识别的准确性。
请参阅图2,图2为本发明第二实施例提供的基于人脸图像的年龄识别方法的实现流程示意图,可应用于人脸考勤设备、人脸防盗系统、计算机等识别人脸图像的终端中,主要包括以下步骤:
S201、判断人脸图像的分辨率是否大于预置分辨率。
预置分辨率的数值大小取决于在该预置分辨率下的图像可以清晰的反应人脸局部特征,如面部轮廓、眉毛、额头等特征。在本发明实施例中优选200*200的分辨率作为预置分辨率。
可选地,判断人脸图像的分辨率是否大于预置分辨率之后,该方法还包括:
通过人脸检测以及人脸关键点定位确定待识别图像中的人脸图像;将该待识别图像中的人脸图像设定为检测区域。
通过小波(HAAR)分类器或者DLIB(C++library)算法对输入的图像进行人脸检测,然后对检测后的图像通过监督式下降算法(SDM,Supervised Descent Method)进行人脸关键点定位,其中通过SDM算法定位的人脸关键点包括:眉毛、眼睛、鼻子、嘴巴和面部轮廓。当然人脸检测和人脸关键点定位也可以通过其他算法来实现。
HAAR分类器,包含自适应增强(Adaboost)算法,在图像识别领域中,分类器是指对人脸和非人脸进行分类的算法。DLIB是一种C++的算法库,可应用于人脸检测和人脸关键点定位。
图3为人脸检测的示意图,如图3所示,深黑色方形框为人脸检测框,圆形表示人脸,三角形表示动物,多边形表示树木,经过人脸检测可以在图像中提取人脸图像,并将人脸图像设置于人脸检测框内。
可选地,根据预置倍数扩大该检测区域,以使该人脸图像中包括头发区域的图像。
根据预置倍数扩大该检测区域是将头发区域扩充到人脸图像中,扩大检测区域的方式可以是将整个检测区域进行扩大,也可以是将检测区域的上部、下部、左右两部分均扩大预置倍数,还可以只扩大该检测区域的上部和下部。该预置倍数与头发长度以及脑顶头发高度有关,本实施中优选的预置倍数的数值为0.15,即将该检测区域的上部和下部各扩大0.15倍。图4为人脸图像的示意图,其中图4(a)和图4(b)中长方形框以内为检测区域,图4(a)中的检测区域内包括扩大检测区域之前的人脸图像,图4(b)中的检测区域内包括扩大检测区域之后的人脸图像。
由于头发的颜色、长短以及发型是识别人年龄的重要依据,所以人脸图像中包括头发可以更准确识别人的年龄。
可选地,对该检测区域中眼睛区域进行矫正,以使该人脸图像中该眼睛区域内的双眼处于同一水平线上。
矫正眼睛的方式不做限定,可以通过几何变换来矫正眼睛,也可以改变两个眼睛之间夹角来矫正眼睛,最终的目的是将该眼睛区域内的双眼处于同一水平线上。
若人脸图像的分辨率小于该预置分辨率,则执行步骤S202;若人脸图像的分辨率大于该预置分辨率,则执行步骤S204;当人脸图像的分辨率等于该预置分辨率时,可以执行步骤S202,也可以执行步骤S204。
S202、通过预置的深度卷积神经网络,对该人脸图像进行特征提取。
若该人脸图像的分辨率小于该预置分辨率,则通过预置的深度卷积神经网络,对该人脸图像进行特征提取,其中该人脸图像为包括头发区域的整体人脸的图像。
深度卷积神经网络为卷积神经网络(CNN,Convolutional Neural Networks),是一种带有卷积结构的深度神经网络,至少包括两个非线性可训练的卷积层、两个非线性的固定卷积层和全连接层,一共至少5个隐含层,主要应用于语音分析以及图像识别领域。
在实际应用中,人脸图像的特征可以通过该深度卷积神经网络的全连接层提取,这样能够有效描述图像的边缘、纹理与颜色特征。
需要说明的是,由于该人脸图像的分辨率小于该预置分辨率,所以表示该人脸图像的分辨率不高,无法提取到清晰的局部特征,如面部轮廓的特征、眉毛的特征等,所以这里通过预置的深度卷积神经网络提取的是整个人脸的图像的特征。
S203、依据该人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄。
该多个第一图像样本的特征中包括各种性别、各种表情以及各年龄人脸的特征。该第一图像样本的特征为整个人脸的图像样本的特征。
可选地,依据该人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄,具体为:
通过将该人脸图像的特征与该第一图像样本的特征之间进行余弦相似度比对,得到多个余弦相似度值;
按照该余弦相似度值由高到低的顺序,在该第一图像样本中选取预置数目的目标人脸图像样本;
对该目标人脸图像样本中人物的年龄进行数量统计,并将样本数量最多的年龄作为第一目标年龄;
在该目标人脸图像样本中查找与该第一目标年龄对应的相似图像样本;
计算该相似图像样本对应的余弦相似度值的平均值;
若该平均值大于预置临界值,则将该第一目标年龄作为该人脸图像中描绘的人物的年龄。
具体地,该人脸图像的特征与该第一图像样本的特征之间进行余弦相似度比对,算出该人脸图像与第一图像样本之间的余弦相似度值,其中算出的余弦相似度值的个数与该第一图像样本的个数相同,换言之,一个第一图像样本与该人脸图像之间可以算出一个余弦相似度值。该余弦相似度是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。
算出的余弦相似度值的数值越大,表示相似度越高。在实际应用中,首先按照算出的余弦相似度值,将该第一图像样本按照由相似度高到相似度低进行排列,然后由相似度高开始,在该第一图像样本中挑出预置数目的目标人脸图像样本。预置数目的数值可以任意选取,当然选取的样本的数目多,则最后判别的准确性就会提高。本实施例优选的预置数目为20个。预置临界值可以任意选取,在实际应用中,本领域技术人员通过大量的仿真实验得到预置临界值。
需要说明的是,这里的年龄可以为年龄段(如,11-15岁)或年龄点(如,10岁)。
下面对如何进行数量统计到识别年龄的过程进行说明,设预置数目为20个,年龄为年龄点,且数量最多的年龄为10岁说明如下:
将20个目标人脸图像样本中人物的年龄进行数量统计,并年龄为10岁作为第一目标年龄;
在20个目标人脸图像样本中查找与第一目标年龄对应的相似图像样本,其中该相似图像样本中人物的年龄为第一目标年龄,即10岁;
计算相似图像样本对应的余弦相似度值的平均值;
若该平均值大于预置临界值,则该人脸图像中描绘的人物的年龄为10岁。
以上例子中可以将年龄点改成年龄段,依然可以实现识别人脸图像中描绘的人物的年龄的目的,只不过识别的年龄为一个年龄段。
S204、通过该深度卷积神经网络提取该目标人脸图像中各关键部位区域的特征。
若该人脸图像的分辨率大于该预置分辨率,则通过该深度卷积神经网络提取该目标人脸图像中各关键部位区域的特征,其中该各关键部位区域中包括:头发区域、额头区域、眉毛区域、眼睛区域、鼻子区域、嘴巴区域、面部轮廓区域。
S205、依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄。
其中该目标人脸图像为由该人脸图像中各关键部位区域组成的图像。检测到的人脸关键点,如眼睛、鼻子、嘴巴、眉毛、头发以及面部轮廓,通过各人脸关键点的位置,提取该人脸图像中关键部位区域。然后根据提取后的该关键部位区域重构人脸的图像,以得到该目标人脸图像,通过重构后得到的目标人脸图像可以更加精确的描绘不同年龄的人脸的发型、皮肤等人脸的局部区域。
如图5所示,图5为由各关键部位区域重构得到的目标人脸图像的示意图。为了便于说明及显示,图5所示的示意图中关键部位区域仅包括眼睛区域、眉毛区域、鼻子区域和嘴巴区域,其他关键部位区域并没有显示在图5中,图5所示的示意图仅仅是一个举例,并不能对本发明中关键部位区域构成限定。
该第二图像样本可以为该第一图像样本中各关键部位样本区域组成的图像,具体的重构方式与由人脸图像中各关键部位区域重构目标人脸图像的过程相同。
需要说明的是,该关键部位样本区域包括:头发区域、额头区域、眉毛区域、该眼睛区域、鼻子区域、嘴巴区域、面部轮廓区域。第二图像样本中关键部位样本区域与目标人脸图像中关键部位区域所包括的区域是对应的,即,若目标人脸图像中关键部位区域中包括眉毛区域,则第二图像样本中关键部位样本区域中包括眉毛区域,若目标人脸图像中关键部位区域中包括额头区域,则第二图像样本中关键部位样本区域中包括额头区域。
可选地,依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄具体为:
通过将该目标人脸图像中各关键部位区域的特征与该第二图像样本的特征之间进行余弦相似度比对,得到该各关键部位区域分别对应的余弦相似度值;
根据该各关键部位区域分别对应的余弦相似度值,按照相似度由高到低的顺序,在该第二图像样本中选取该各关键部位区域分别对应的预置数目的目标图像样本;
对该各关键部位区域分别对应的目标图像样本中人物的年龄进行数量统计,并将样本数量最多的年龄作为该各关键部位区域的第二目标年龄;
在该各关键部位区域分别对应的目标图像样本中,选取该各关键部位区域分别对应的相似样本,并提取该相似样本对应的余弦相似度值作为目标余弦相似度值,其中该相似样本中人物的年龄为该第二目标年龄;
计算该各关键部位区域分别对应的目标余弦相似度值的平均值;
通过将该各关键部位区域分别对应的第二目标年龄和该各关键部位区域分别对应的平均值进行贝叶斯运算,得到该人脸图像中描绘的人物的年龄。
下面举例说明,得到余弦相似度值的过程。例如,设第二图像样本A,目标人脸图像中各关键部位区域包括眼睛区域和嘴巴区域,那么第二图像样本A中包括眼睛区域样本和嘴巴区域样本,在比对时,将目标人脸图像中眼睛区域的特征与第二图像样本A中包括眼睛区域样本的特征进行余弦相似度比对,并得到目标人脸图像中眼睛区域的特征与第二图像样本A中眼睛区域样本的特征之间的余弦相似度值A;然后将目标人脸图像中嘴巴区域的特征与第二图像样本A中嘴巴区域样本的特征进行余弦相似度比对,并得到目标人脸图像中嘴巴区域的特征与第二图像样本A中包括嘴巴区域样本的特征之间的余弦相似度值B。如果上述举例中还包括另一个第二图像样本B,那么按照上述目标人脸图像与第二图像样本A比对的过程,再与第二图像样本B进行余弦相似度比对。
每一关键部位区域均对应的多个余弦相似度值。算出的余弦相似度值的数值越大,表示相似度越高。在实际应用中,首先按照算出的余弦相似度值,将该第二图像样本按照由相似度高到相似度低进行排列,然后由相似度高开始,在该第二图像样本中挑出预置数目的目标图像样本。预置数目的数值可以任意选取,当然选取的样本的数目多,则最后判别的准确性就会提高。本实施例优选的预置数目为20个。
需要说明的是,这里的年龄可以为年龄段(如,11-15岁)或年龄点(如,10岁)。
下面对上述描述的如何通过预置数目的目标图像样本算出平均值的过程进行举例说明,具体如下:
设目标人脸图像中各关键部位区域包括眼睛区域和嘴巴区域,预置数目为20个,则眼睛区域对应20个目标图像样本,嘴巴区域对应20个目标图像样本,为了便于说明,设眼睛区域对应的20个目标图像样本为第一样本组,嘴巴区域对应的20个目标图像样本为第二样本组,首先分别对第一样本组和第二样本组中各目标图像样本中人物的年龄进行数量统计,在第一样本组中,若人物的年龄为10岁的目标图像样本数量最多,则眼睛区域的第二目标年龄为10岁,在第二样本组中,若人物的年龄为12岁的目标图像样本数量最多,则嘴巴区域的第二目标年龄为也12岁,然后在第一样本组中选取11个人物的年龄为10岁的相似样本A,以及在第二样本组中选取12个人物的年龄为12岁的相似样本B,然后分别提取11个相似样本A与眼睛区域之间的余弦相似度值作为目标余弦相似度值,第一样本组中共提取出11个目标余弦相似度值,其中第一样本组中一个相似样本A对应一个目标余弦相似度值,这样眼睛区域对应11个目标余弦相似度值;分别提取该12个相似样本B与嘴巴区域之间的余弦相似度值作为目标余弦相似度值,第二样本组中共提取出12个目标余弦相似度值,其中第二样本组中一个相似样本B对应一个目标余弦相似度值,这样嘴巴区域对应12个目标余弦相似度值,最后,计算眼睛区域对应的11个目标余弦相似度值的平均值,眼睛区域算出的平均值为值1;计算嘴巴区域对应的12个目标余弦相似度值的平均值,嘴巴区域算出的平均值为值2。
贝叶斯分类器是通过贝叶斯公式计算出对象属于哪个类别概率的算法,贝叶斯分类器运算的原理是通过某对象的先验概率,利用贝叶斯公式计算出该对象的后验概率,即该对象属于某一类的概率,选择具有最大后验概率的类别作为该对象所属的类别。
本发明实施例中是将该各关键部位区域分别对应的第二目标年龄和该各关键部位区域分别对应的平均值作为先验概率,通过贝叶斯公式计算出该人脸图像对应的年龄的后验概率,并选取具有最大后验概率的年龄作为该人脸图像中所描绘的人物的年龄。
参照上述举例中得到:将眼睛区域对应的第二目标年龄和眼睛区域对应的值1,以及嘴巴区域对应的第二目标年龄和嘴巴区域对应的值2作为贝叶斯分类器运算中的先验概率。
本发明实施例中,判断人脸图像的分辨率是否大于预置分辨率,若该人脸图像的分辨率小于该预置分辨率,则通过预置的深度卷积神经网络,对该人脸图像进行特征提取,依据该人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄,其中该目标人脸图像为由该人脸图像中各关键部位区域组成的图像;若该人脸图像的分辨率大于该预置分辨率,则通过该深度卷积神经网络提取该目标人脸图像中各关键部位区域的特征,其中该各关键部位区域中包括:头发区域、额头区域、眉毛区域、眼睛区域、鼻子区域、嘴巴区域、面部轮廓区域,依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄,这样在复杂的成像情况下,根据图像不同的分辨率选取不同识别方式,同时利用人脸图像的深度纹理、边缘与颜色特征进行辅助识别,增加了年龄识别的准确性。
请参阅图6,图6是本发明第三实施例提供的基于人脸图像的年龄识别装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分。图6示例的基于人脸图像的年龄识别装置可以是前述图1所示实施例提供的基于人脸图像的年龄识别方法的执行主体,可以是终端或终端中的一个控制模块。图6示例的基于人脸图像的年龄识别装置,主要包括:判断模块601和识别处理模块602。以上各功能模块详细说明如下:
判断模块601,用于判断人脸图像的分辨率是否大于预置分辨率。
预置分辨率的数值大小取决于在该预置分辨率下的图像可以清晰的反应人脸局部特征,如面部轮廓、眉毛、额头等特征。在本发明实施例中优选200*200的分辨率作为预置分辨率。
识别处理模块602,用于若该人脸图像的分辨率小于该预置分辨率,则依据该人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄。
在图像识别领域中,图像的特征是图像识别领域的专有名词,图像的特征的提取是计算机视觉和图像处理中的一个概念。
该预置的第一图像样本可以存储在终端内置的存储模块中,也可以存储在云端服务器上。识别处理模块602,还用于若该人脸图像的分辨率大于该预置分辨率,则依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄。
每一关键部位区域均得到对应的比对结果。该各关键部位区域可以是人脸各个器官部位的区域以及面部轮廓区域,此处对目标人脸图像中各关键部位区域不做限定。
需要说明的是,人脸图像和目标人图像的关系为:该目标人脸图像是由该人脸图像中该各关键部位区域组成的图像。该人脸图像用于表示整体人脸的图像。这里的对象为该人脸图像中所描绘的人。
需要说明的是,以上图6示例的基于人脸图像的年龄识别装置的实施方式中,各功能模块的划分仅是举例说明,实际应用中可以根据需要,例如相应硬件的配置要求或者软件的实现的便利考虑,而将上述功能分配由不同的功能模块完成。而且,实际应用中,本实施例中的相应的功能模块可以是由相应的硬件实现,也可以由相应的硬件执行相应的软件完成。本说明书提供的各个实施例都可应用上述描述原则,以下不再赘述。
本发明实施例中,判断模块601判断人脸图像的分辨率是否大于预置分辨率,识别处理模块602若该人脸图像的分辨率小于该预置分辨率,则依据该人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄,识别处理模块602若该人脸图像的分辨率大于该预置分辨率,则依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄,该目标人脸图像为由该人脸图像中各关键部位区域组成的图像,这样在复杂的成像情况下,根据图像不同的分辨率选取不同识别方式,同时利用人脸图像的深度纹理、边缘与颜色特征进行辅助识别,增加了年龄识别的准确性。
请参阅图7,本发明第四实施例提供的基于人脸图像的年龄识别装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分。图7示例的基于人脸图像的年龄识别装置可以是前述图2所示实施例提供的基于人脸图像的年龄识别方法的执行主体,可以是终端或终端中的一个控制模块。图7示例的基于人脸图像的年龄识别装置,主要包括:判断模块701、提取模块702和识别处理模块703,其中若该人脸图像的分辨率小于该预置分辨率,则识别处理模块703包括:第一比对模块7031、第一选取模块7032、第一统计模块7033、查找模块7034、第一计算模块7035和设定模块7036;若该人脸图像的分辨率大于该预置分辨率,识别处理模块703包括:第二比对模块7037、第二选取模块7038、第二统计模块7039和第二计算模块70310。以上各功能模块详细说明如下:
判断模块701,用于判断人脸图像的分辨率是否大于预置分辨率。
预置分辨率的数值大小取决于在该预置分辨率下的图像可以清晰的反应人脸局部特征,如面部轮廓、眉毛、额头等特征。在本发明实施例中优选200*200的分辨率作为预置分辨率。当人脸图像的分辨率等于该预置分辨率时,提取模块702执行通过预置的深度卷积神经网络,对该人脸图像进行特征提取的步骤,提取模块702执行通过该深度卷积神经网络提取该目标人脸图像中各关键部位区域的特征的步骤。
可选地,该装置还包括:确定模块和设置模块;该确定模块用于通过人脸检测以及人脸关键点定位确定待识别图像中的人脸图像;该设置模块用于将该待识别图像中的人脸图像设定为检测区域。
该确定模块通过HAAR分类器或者DLIB算法对输入的图像进行人脸检测,然后对检测后的图像通过SDM算法进行人脸关键点定位,其中通过SDM算法定位的人脸关键点包括:眉毛、眼睛、鼻子、嘴巴和面部轮廓。当然人脸检测和人脸关键点定位也可以通过其他算法来实现。
HAAR分类器,包含Adaboost算法,在图像识别领域中,分类器是指对人脸和非人脸进行分类的算法。DLIB是一种C++的算法库,可应用于人脸检测和人脸关键点定位。
图3为人脸检测的示意图,如图3所示,深黑色方形框为人脸检测框,圆形表示人脸,三角形表示动物,多边形表示树木,经过人脸检测可以在图像中提取人脸图像,并将人脸图像设置于人脸检测框内。
可选地,该装置还包括:扩大模块;扩大模块用于根据预置倍数扩大该检测区域是将头发区域扩充到人脸图像中。扩大检测区域的方式可以是将整个检测区域进行扩大,也可以是将检测区域的上部、下部、左右两部分均扩大预置倍数,还可以只扩大该检测区域的上部和下部。该预置倍数与头发长度以及脑顶头发高度有关,本实施中优选的预置倍数的数值为0.15,即将该检测区域的上部和下部各扩大0.15倍。图4为人脸图像的示意图,其中图4(a)和图4(b)中长方形框以内为检测区域,图4(a)中的检测区域内包括扩大检测区域之前的人脸图像,图4(b)中的检测区域内包括扩大检测区域之后的人脸图像。
由于头发的颜色、长短以及发型是识别人年龄的重要依据,所以人脸图像中包括头发可以更准确识别人的年龄。
可选地,该装置还包括矫正模块;该矫正模块用于对该检测区域中眼睛区域进行矫正,以使该人脸图像中该眼睛区域内的双眼处于同一水平线上。矫正眼睛的方式不做限定,可以通过几何变换来矫正眼睛,也可以改变两个眼睛之间夹角来矫正眼睛,最终的目的是将该眼睛区域内的双眼处于同一水平线上。
提取模块702,用于通过预置的深度卷积神经网络,对该人脸图像进行特征提取。
若该人脸图像的分辨率小于该预置分辨率,则提取模块702通过预置的深度卷积神经网络,对该人脸图像进行特征提取,其中该人脸图像为包括头发区域的整体人脸的图像。
深度卷积神经网络是一种带有卷积结构的深度神经网络,至少包括两个非线性可训练的卷积层、两个非线性的固定卷积层和全连接层,一共至少5个隐含层,主要应用于语音分析以及图像识别领域。
在实际应用中,提取模块702可以通过该深度卷积神经网络的全连接层,提取人脸图像的特征,这样能够有效描述图像的边缘、纹理与颜色特征。
需要说明的是,由于该人脸图像的分辨率小于该预置分辨率,所以表示该人脸图像的分辨率不高,无法提取到清晰的局部特征,如面部轮廓的特征、眉毛的特征等,所以这里提取模块702通过该深度卷积神经网络提取的是整个人脸的图像的特征。
识别处理模块703,用于依据该人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄。
该多个第一图像样本的特征中包括各种性别、各种表情以及各年龄人脸的特征。该第一图像样本的特征为整个人脸的图像样本的特征。
可选地,若该人脸图像的分辨率小于该预置分辨率,则识别处理模块703包括:第一比对模块7031、第一选取模块7032、第一统计模块7033、查找模块7034、第一计算模块7035和设定模块7036;
其中,第一比对模块7031,用于通过将该人脸图像的特征与所述第一图像样本的特征之间进行余弦相似度比对,得到多个余弦相似度值;
第一选取模块7032,用于按照所述余弦相似度值由高到低的顺序,在所述第一图像样本中选取预置数目的目标人脸图像样本;
第一统计模块7033,用于对所述目标人脸图像样本中人物的年龄进行数量统计,并将样本数量最多的年龄作为第一目标年龄;
查找模块7034,用于在所述目标人脸图像样本中查找与所述第一目标年龄对应的相似图像样本;
第一计算模块7035,用于计算所述相似图像样本对应的余弦相似度值的平均值;
设定模块7036,用于若所述平均值大于预置临界值,则将所述第一目标年龄作为所述人脸图像中描绘的人物的年龄。
算出的余弦相似度值的数值越大,表示相似度越高。在实际应用中,首先第一选取模块7032按照算出的余弦相似度值,将该第一图像样本按照由相似度高到相似度低进行排列,然后由相似度高开始,在该第一图像样本中挑出预置数目的目标人脸图像样本。预置数目的数值可以任意选取,当然选取的样本的数目多,则最后判别的准确性就会提高。本实施例优选的预置数目为20个。
预置临界值可以任意选取,在实际应用中,本领域技术人员通过大量的仿真实验得到预置临界值。
需要说明的是,这里的年龄可以为年龄段(如,11-15岁)或年龄点(如,10岁)。
下面对如何进行数量统计到识别年龄的过程进行说明,设预置数目为20个,年龄为年龄点,且数量最多的年龄为10岁说明如下:
第一统计模块7033将20个目标人脸图像样本中人物的年龄进行数量统计,并年龄为10岁作为第一目标年龄;
查找模块7034在20个目标人脸图像样本中查找与第一目标年龄对应的相似图像样本,其中该相似图像样本中人物的年龄为第一目标年龄,即10岁;
第一计算模块7035计算相似图像样本对应的余弦相似度值的平均值;
设定模块7036若该平均值大于预置临界值,则该人脸图像中描绘的人物的年龄为10岁。
以上例子中可以将年龄点改成年龄段,依然可以实现识别人脸图像中描绘的人物的年龄的目的,只不过识别的年龄为一个年龄段。
若该人脸图像的分辨率大于该预置分辨率,提取模块702,还用于通过该深度卷积神经网络提取该目标人脸图像中各关键部位区域的特征,其中该各关键部位区域中包括:头发区域、额头区域、眉毛区域、眼睛区域、鼻子区域、嘴巴区域、面部轮廓区域。
识别处理模块703,还用于依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄。
其中该目标人脸图像为由该人脸图像中各关键部位区域组成的图像。检测到的人脸关键点,如眼睛、鼻子、嘴巴、眉毛、头发以及面部轮廓,可选地,提取模块702还用于通过各人脸关键点的位置,提取该人脸图像中关键部位区域。可选地,该装置还包括重构模块,该重构模块用于根据提取后的该关键部位区域重构人脸的图像,以得到该目标人脸图像,这样通过重构后得到的目标人脸图像可以更加精确的描绘不同年龄的人脸的发型、皮肤等人脸的局部区域。
如图5所示,图5为由各关键部位区域重构得到的目标人脸图像的示意图。为了便于说明及显示,图5所示的示意图中关键部位区域仅包括眼睛区域、眉毛区域、鼻子区域和嘴巴区域,其他关键部位区域并没有显示在图5中,图5所示的示意图仅仅是一个举例,并不能对本发明中关键部位区域构成限定。
该第二图像样本可以为第一图像样本中各关键部位样本区域组成的图像,具体的重构方式与由人脸图像重构目标人脸图像的过程相同。
需要说明的是,该关键部位样本区域包括:头发区域、额头区域、眉毛区域、该眼睛区域、鼻子区域、嘴巴区域、面部轮廓区域。第二图像样本中关键部位样本区域与目标人脸图像中关键部位区域所包括的区域是对应的,即,若目标人脸图像中关键部位区域中包括眉毛区域,则第二图像样本中关键部位样本区域中包括眉毛区域,若目标人脸图像中关键部位区域中包括额头区域,则第二图像样本中关键部位样本区域中包括额头区域。
可选地,若该人脸图像的分辨率大于该预置分辨率,识别处理模块703包括:第二比对模块7037、第二选取模块7038、第二统计模块7039、第二计算模块70310;
第二比对模块7037,用于通过将该目标人脸图像中各关键部位区域的特征与该第二图像样本的特征之间进行余弦相似度比对,得到该各关键部位区域分别对应的余弦相似度值;
下面举例说明,得到余弦相似度值的过程。例如,设第二图像样本A,目标人脸图像中各关键部位区域包括眼睛区域和嘴巴区域,那么第二图像样本A中包括眼睛区域样本和嘴巴区域样本,在比对时,第二比对模块7037将目标人脸图像中眼睛区域的特征与第二图像样本A中包括眼睛区域样本的特征进行余弦相似度比对,并得到目标人脸图像中眼睛区域的特征与第二图像样本A中眼睛区域样本的特征之间的余弦相似度值A;然后第二比对模块7037将目标人脸图像中嘴巴区域的特征与第二图像样本A中嘴巴区域样本的特征进行余弦相似度比对,并得到目标人脸图像中嘴巴区域的特征与第二图像样本A中包括嘴巴区域样本的特征之间的余弦相似度值B。
如果上述举例中还包括另一个第二图像样本B,那么按照上述目标人脸图像与第二图像样本A比对的过程,再与第二图像样本B进行余弦相似度比对。
第二选取模块7038,用于根据该各关键部位区域分别对应的余弦相似度值,按照相似度由高到低的顺序,在该第二图像样本中选取该各关键部位区域分别对应的预置数目的目标图像样本;
每一关键部位区域均对应的多个余弦相似度值。算出的余弦相似度值的数值越大,表示相似度越高。在实际应用中,第二选取模块7038首先按照算出的余弦相似度值,将该第二图像样本按照由相似度高到相似度低进行排列,然后由相似度高开始,在该第二图像样本中挑出预置数目的目标图像样本。预置数目的数值可以任意选取,当然选取的样本的数目多,则最后判别的准确性就会提高。本实施例优选的预置数目为20个。
第二统计模块7039,用于对该各关键部位区域分别对应的目标图像样本中人物的年龄进行数量统计,并将样本数量最多的年龄作为该各关键部位区域的第二目标年龄;
第二选取模块7038,还用于在该各关键部位区域分别对应的目标图像样本中,选取该各关键部位区域分别对应的相似样本,并提取该相似样本对应的余弦相似度值作为目标余弦相似度值,其中该相似样本中人物的年龄为该第二目标年龄;
第二计算模块70310,用于计算该各关键部位区域分别对应的目标余弦相似度值的平均值,通过将该各关键部位区域分别对应的第二目标年龄和该各关键部位区域分别对应的平均值进行贝叶斯运算,得到该人脸图像中描绘的人物的年龄。
下面对上述描述进行举例说明,具体如下:
设目标人脸图像中各关键部位区域包括眼睛区域和嘴巴区域,预置数目为20个,则眼睛区域对应20个目标图像样本,嘴巴区域对应20个目标图像样本,为了便于说明,设眼睛区域对应的20个目标图像样本为第一样本组,嘴巴区域对应的20个目标图像样本为第二样本组,首先第二统计模块7039分别对第一样本组和第二样本组中各目标图像样本中人物的年龄进行数量统计,在第一样本组中,若人物的年龄为10岁的目标图像样本数量最多,则眼睛区域的第二目标年龄为10岁,在第二样本组中,若人物的年龄为12岁的目标图像样本数量最多,则嘴巴区域的第二目标年龄为也12岁,然后第二选取模块7038在第一样本组中选取11个人物的年龄为10岁的相似样本A,以及第二选取模块7038在第二样本组中选取12个人物的年龄为12岁的相似样本B,然后分别提取11个相似样本A与眼睛区域之间的余弦相似度值作为目标余弦相似度值,第一样本组中共提取出11个目标余弦相似度值,其中第一样本组中一个相似样本A对应一个目标余弦相似度值,这样眼睛区域对应11个目标余弦相似度值;分别提取该12个相似样本B与嘴巴区域之间的余弦相似度值作为目标余弦相似度值,第二样本组中共提取出12个目标余弦相似度值,其中第二样本组中一个相似样本B对应一个目标余弦相似度值,这样嘴巴区域对应12个目标余弦相似度值,最后,第二计算模块70310计算眼睛区域对应的11个目标余弦相似度值的平均值,眼睛区域算出的平均值为值1;第二计算模块70310计算嘴巴区域对应的12个目标余弦相似度值的平均值,嘴巴区域算出的平均值为值2。
需要说明的是,这里的年龄可以为年龄段(如,11-15岁)或年龄点(如,10岁)。
贝叶斯分类器是通过贝叶斯公式计算出对象属于哪个类别概率的算法,贝叶斯分类器运算的原理是通过某对象的先验概率,利用贝叶斯公式计算出该对象的后验概率,即该对象属于某一类的概率,选择具有最大后验概率的类别作为该对象所属的类别。
本发明实施例中是将该各关键部位区域分别对应的第二目标年龄和该各关键部位区域分别对应的平均值作为先验概率,通过贝叶斯公式计算出该人脸图像对应的年龄的后验概率,并选取具有最大后验概率的年龄作为该人脸图像中所描绘的人物的年龄。
参照上述举例中得到:将眼睛区域对应的第二目标年龄和眼睛区域对应的值1,以及嘴巴区域对应的第二目标年龄和嘴巴区域对应的值2作为贝叶斯分类器运算中的先验概率。
本发明实施例中,判断模块701判断人脸图像的分辨率是否大于预置分辨率,若该人脸图像的分辨率小于该预置分辨率,则提取模块702通过预置的深度卷积神经网络,对该人脸图像进行特征提取,识别处理模块703依据该人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄,其中该目标人脸图像为由该人脸图像中各关键部位区域组成的图像;若该人脸图像的分辨率大于该预置分辨率,则提取模块702通过该深度卷积神经网络提取该目标人脸图像中各关键部位区域的特征,其中该各关键部位区域中包括:头发区域、额头区域、眉毛区域、眼睛区域、鼻子区域、嘴巴区域、面部轮廓区域,识别处理模块703依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄,这样在复杂的成像情况下,根据图像不同的分辨率选取不同识别方式,同时利用人脸图像的深度纹理、边缘与颜色特征进行辅助识别,增加了年龄识别的准确性。
图8是本发明实施例五提供的执行基于人脸图像的年龄识别方法的电子设备的硬件结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该电子设备可以为计算机、平板电脑、个人数字助理(PDA,Personal Digital Assistant)、人脸考勤设备、人脸防盗系统等识别人脸图像的电子设备中。
该电子设备包括:一个或者多个处理器810、存储器820以及一个或者多个程序(模块)。其中该一个或者多个程序(模块)存储在该存储器820中。该电子设备还包括:输入装置830和输出装置840,处理器810、存储器820、输入装置830和输出装置840可以通过总线或者其他方式连接,图8中以通过总线850连接为例。
当被该一个或者多个处理器810执行时,该处理器810执行以下操作:
判断人脸图像的分辨率是否大于预置分辨率;
若该人脸图像的分辨率小于该预置分辨率,则依据该人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄;
若该人脸图像的分辨率大于该预置分辨率,则依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄,其中该目标人脸图像为由该人脸图像中各关键部位区域组成的图像。
本发明实施例中,处理器810用于判断人脸图像的分辨率是否大于预置分辨率,若该人脸图像的分辨率小于该预置分辨率,则依据该人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄,若该人脸图像的分辨率大于该预置分辨率,则依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别该人脸图像中所描绘的人物的年龄,其中该目标人脸图像为由该人脸图像中各关键部位区域组成的图像,这样在复杂的成像情况下,根据图像不同的分辨率选取不同识别方式,同时利用人脸图像的深度纹理、边缘与颜色特征进行辅助识别,增加了年龄识别的准确性。
在本申请所提供的多个实施例中,应该理解到,所揭露的系统、终端和方法,可以通过其它的方式实现。例如,以上所描述的基于人脸图像的年龄识别方法及装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信链接可以是通过一些接口,模块的间接耦合或通信链接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本发明所提供的基于人脸图像的年龄识别方法及装置的描述,对于本领域的技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于人脸图像的年龄识别方法,其特征在于,包括:
判断人脸图像的分辨率是否大于预置分辨率;
若所述人脸图像的分辨率小于所述预置分辨率,则依据所述人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别所述人脸图像中所描绘的人物的年龄;
若所述人脸图像的分辨率大于所述预置分辨率,则依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别所述人脸图像中所描绘的人物的年龄,其中所述目标人脸图像为由所述人脸图像中各关键部位区域组成的图像。
2.根据权利要求1所述的方法,其特征在于,所述若所述人脸图像的分辨率小于所述预置分辨率,则依据所述人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别所述人脸图像中所描绘的人物的年龄之前,还包括:
通过预置的深度卷积神经网络,对所述人脸图像进行特征提取,其中所述人脸图像为包括头发区域的整体人脸的图像。
3.根据权利要求1所述的方法,其特征在于,所述若所述人脸图像的分辨率小于所述预置分辨率,则依据所述人脸图像的特征与预置第一图像样本的特征之间的相似度比对结果,识别所述人脸图像中所描绘的人物的年龄,具体包括:
通过将所述人脸图像的特征与所述第一图像样本的特征之间进行余弦相似度比对,得到多个余弦相似度值;
按照所述余弦相似度值由高到低的顺序,在所述第一图像样本中选取预置数目的目标人脸图像样本;
对所述目标人脸图像样本中人物的年龄进行数量统计,并将样本数量最多的年龄作为第一目标年龄;
在所述目标人脸图像样本中查找与所述第一目标年龄对应的相似图像样本;
计算所述相似图像样本对应的余弦相似度值的平均值;
若所述平均值大于预置临界值,则将所述第一目标年龄作为所述人脸图像中描绘的人物的年龄。
4.根据权利要求1所述的方法,其特征在于,所述若所述人脸图像的分辨率大于所述预置分辨率,则依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别所述人脸图像中描绘的人物的年龄,具体包括:
通过将所述目标人脸图像中各关键部位区域的特征与所述第二图像样本的特征之间进行余弦相似度比对,得到所述各关键部位区域分别对应的余弦相似度值;
根据所述各关键部位区域分别对应的余弦相似度值,按照相似度由高到低的顺序,在所述第二图像样本中选取所述各关键部位区域分别对应的预置数目的目标图像样本;
对所述各关键部位区域分别对应的目标图像样本中人物的年龄进行数量统计,并将样本数量最多的年龄作为所述各关键部位区域的第二目标年龄;
在所述各关键部位区域分别对应的目标图像样本中,选取所述各关键部位区域分别对应的相似样本,并提取所述相似样本对应的余弦相似度值作为目标余弦相似度值,其中所述相似样本中人物的年龄为所述第二目标年龄;
计算所述各关键部位区域分别对应的目标余弦相似度值的平均值;
通过将所述各关键部位区域分别对应的第二目标年龄和所述各关键部位区域分别对应的平均值进行贝叶斯运算,得到所述人脸图像中描绘的人物的年龄。
5.根据权利要求2所述的方法,其特征在于,若所述人脸图像的分辨率大于所述预置分辨率,则所述判断人脸图像的分辨率是否大于预置分辨率之后,还包括:
通过所述深度卷积神经网络提取所述目标人脸图像中各关键部位区域的特征,其中所述各关键部位区域中包括:头发区域、额头区域、眉毛区域、眼睛区域、鼻子区域、嘴巴区域、面部轮廓区域。
6.一种基于人脸图像的年龄识别装置,其特征在于,包括:
判断模块,用于判断人脸图像的分辨率是否大于预置分辨率;
识别处理模块,用于若所述人脸图像的分辨率小于所述预置分辨率,则依据所述人脸图像的特征与预置的第一图像样本的特征之间的相似度比对结果,识别所述人脸图像中所描绘的人物的年龄;
所述识别处理模块,还用于若所述人脸图像的分辨率大于所述预置分辨率,则依据目标人脸图像中各关键部位区域的特征与预置的第二图像样本的特征之间的相似度比对结果,识别所述人脸图像中所描绘的人物的年龄,其中所述目标人脸图像为由所述人脸图像中各关键部位区域组成的图像。
7.根据权利要求6所述的装置,其特征在于,若所述人脸图像的分辨率小于所述预置分辨率,则所述装置还包括:
提取模块,用于通过预置的深度卷积神经网络,对所述人脸图像进行特征提取,其中所述人脸图像为包括头发区域的整体人脸的图像。
8.根据权利要求6所述的装置,其特征在于,若所述人脸图像的分辨率小于所述预置分辨率,则所述识别处理模块包括:
第一比对模块,用于通过将所述人脸图像的特征与所述第一图像样本的特征之间进行余弦相似度比对,得到多个余弦相似度值;
第一选取模块,用于按照所述余弦相似度值由高到低的顺序,在所述第一图像样本中选取预置数目的目标人脸图像样本;
第一统计模块,用于对所述目标人脸图像样本中人物的年龄进行数量统计,并将样本数量最多的年龄作为第一目标年龄;
查找模块,用于在所述目标人脸图像样本中查找与所述第一目标年龄对应的相似图像样本;
第一计算模块,用于计算所述相似图像样本对应的余弦相似度值的平均值;
设定模块,用于若所述平均值大于预置临界值,则将所述第一目标年龄作为所述人脸图像中描绘的人物的年龄。
9.根据权利要求6所述的装置,其特征在于,若所述人脸图像的分辨率大于所述预置分辨率,则所述识别处理模块还包括:
第二比对模块,用于通过将所述目标人脸图像中各关键部位区域的特征与所述第二图像样本的特征之间进行余弦相似度比对,得到所述各关键部位区域分别对应的余弦相似度值;
第二选取模块,用于根据所述各关键部位区域分别对应的余弦相似度值,按照相似度由高到低的顺序,在所述第二图像样本中选取所述各关键部位区域分别对应的预置数目的目标图像样本;
第二统计模块,用于对所述各关键部位区域分别对应的目标图像样本中人物的年龄进行数量统计,并将样本数量最多的年龄作为所述各关键部位区域的第二目标年龄;
所述第二选取模块,还用于在所述各关键部位区域分别对应的目标图像样本中,选取所述各关键部位区域分别对应的相似样本,并提取所述相似样本对应的余弦相似度值作为目标余弦相似度值,其中所述相似样本中人物的年龄为所述第二目标年龄;
第二计算模块,用于计算所述各关键部位区域分别对应的目标余弦相似度值的平均值,并通过将所述各关键部位区域分别对应的第二目标年龄和所述各关键部位区域分别对应的平均值进行贝叶斯运算,得到所述人脸图像中描绘的人物的年龄。
10.根据权利要求7所述的装置,其特征在于,
所述提取模块,还用于通过所述深度卷积神经网络,提取所述目标人脸图像中各关键部位区域的特征,其中所述各关键部位区域中包括:头发区域、额头区域、眉毛区域、眼睛区域、鼻子区域、嘴巴区域、面部轮廓区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610796601.7A CN106469298A (zh) | 2016-08-31 | 2016-08-31 | 基于人脸图像的年龄识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610796601.7A CN106469298A (zh) | 2016-08-31 | 2016-08-31 | 基于人脸图像的年龄识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106469298A true CN106469298A (zh) | 2017-03-01 |
Family
ID=58230299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610796601.7A Pending CN106469298A (zh) | 2016-08-31 | 2016-08-31 | 基于人脸图像的年龄识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106469298A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952368A (zh) * | 2017-03-10 | 2017-07-14 | 姜茂清 | 一种人工智能门卫互联网管理系统及其控制方法 |
CN107145774A (zh) * | 2017-04-18 | 2017-09-08 | 广东小天才科技有限公司 | 一种操作系统的切换控制方法、装置及移动终端 |
CN107169408A (zh) * | 2017-03-31 | 2017-09-15 | 北京奇艺世纪科技有限公司 | 一种颜值判定方法及装置 |
CN107194868A (zh) * | 2017-05-19 | 2017-09-22 | 成都通甲优博科技有限责任公司 | 一种人脸图像生成方法及装置 |
CN107423696A (zh) * | 2017-07-13 | 2017-12-01 | 重庆凯泽科技股份有限公司 | 人脸识别方法及系统 |
CN107464280A (zh) * | 2017-07-31 | 2017-12-12 | 广东欧珀移动通信有限公司 | 用户3d建模的匹配方法和装置 |
CN107590482A (zh) * | 2017-09-29 | 2018-01-16 | 百度在线网络技术(北京)有限公司 | 信息生成方法和装置 |
CN107609536A (zh) * | 2017-09-29 | 2018-01-19 | 百度在线网络技术(北京)有限公司 | 信息生成方法和装置 |
CN107622261A (zh) * | 2017-11-03 | 2018-01-23 | 北方工业大学 | 基于深度学习的人脸年龄估计方法及装置 |
CN108416253A (zh) * | 2018-01-17 | 2018-08-17 | 深圳天珑无线科技有限公司 | 基于人脸图像的体重监测方法、系统及移动终端 |
CN108932497A (zh) * | 2018-07-03 | 2018-12-04 | 张廷敏 | 乘客人群大数据识别机构 |
WO2019000466A1 (zh) * | 2017-06-30 | 2019-01-03 | 广东欧珀移动通信有限公司 | 人脸识别方法、装置、存储介质及电子设备 |
CN109345770A (zh) * | 2018-11-14 | 2019-02-15 | 深圳市尼欧科技有限公司 | 一种孩童遗留车内报警系统及孩童遗留车内报警方法 |
CN110119673A (zh) * | 2019-03-27 | 2019-08-13 | 广州杰赛科技股份有限公司 | 无感人脸考勤方法、装置、设备及存储介质 |
CN110315973A (zh) * | 2018-03-30 | 2019-10-11 | 比亚迪股份有限公司 | 车载显示系统、车辆和车载显示系统的控制方法 |
CN110458198A (zh) * | 2019-07-10 | 2019-11-15 | 哈尔滨工业大学(深圳) | 多分辨率目标识别方法及装置 |
CN110532965A (zh) * | 2019-08-30 | 2019-12-03 | 京东方科技集团股份有限公司 | 年龄识别方法、存储介质及电子设备 |
CN110709856A (zh) * | 2017-05-31 | 2020-01-17 | 宝洁公司 | 用于确定表观皮肤年龄的系统和方法 |
CN111209050A (zh) * | 2020-01-10 | 2020-05-29 | 北京百度网讯科技有限公司 | 用于切换电子设备的工作模式的方法和装置 |
CN112766169A (zh) * | 2021-01-21 | 2021-05-07 | 中信银行股份有限公司 | 开户身份认证方法、装置、设备及存储介质 |
CN112883867A (zh) * | 2021-02-09 | 2021-06-01 | 广州汇才创智科技有限公司 | 一种基于图像情感分析的学生在线学习评估方法及系统 |
CN113220128A (zh) * | 2021-05-27 | 2021-08-06 | 齐喝彩(上海)人工智能科技有限公司 | 一种自适应智能交互方法、装置及电子设备 |
-
2016
- 2016-08-31 CN CN201610796601.7A patent/CN106469298A/zh active Pending
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952368A (zh) * | 2017-03-10 | 2017-07-14 | 姜茂清 | 一种人工智能门卫互联网管理系统及其控制方法 |
CN107169408A (zh) * | 2017-03-31 | 2017-09-15 | 北京奇艺世纪科技有限公司 | 一种颜值判定方法及装置 |
CN107145774A (zh) * | 2017-04-18 | 2017-09-08 | 广东小天才科技有限公司 | 一种操作系统的切换控制方法、装置及移动终端 |
CN107194868A (zh) * | 2017-05-19 | 2017-09-22 | 成都通甲优博科技有限责任公司 | 一种人脸图像生成方法及装置 |
CN110709856B (zh) * | 2017-05-31 | 2023-11-28 | 宝洁公司 | 用于确定表观皮肤年龄的系统和方法 |
CN110709856A (zh) * | 2017-05-31 | 2020-01-17 | 宝洁公司 | 用于确定表观皮肤年龄的系统和方法 |
US11380131B2 (en) | 2017-06-30 | 2022-07-05 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and device for face recognition, storage medium, and electronic device |
WO2019000466A1 (zh) * | 2017-06-30 | 2019-01-03 | 广东欧珀移动通信有限公司 | 人脸识别方法、装置、存储介质及电子设备 |
CN107423696A (zh) * | 2017-07-13 | 2017-12-01 | 重庆凯泽科技股份有限公司 | 人脸识别方法及系统 |
CN107464280A (zh) * | 2017-07-31 | 2017-12-12 | 广东欧珀移动通信有限公司 | 用户3d建模的匹配方法和装置 |
CN107464280B (zh) * | 2017-07-31 | 2020-08-07 | Oppo广东移动通信有限公司 | 用户3d建模的匹配方法和装置 |
CN107609536A (zh) * | 2017-09-29 | 2018-01-19 | 百度在线网络技术(北京)有限公司 | 信息生成方法和装置 |
CN107590482A (zh) * | 2017-09-29 | 2018-01-16 | 百度在线网络技术(北京)有限公司 | 信息生成方法和装置 |
US10853623B2 (en) | 2017-09-29 | 2020-12-01 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for generating information |
CN107622261A (zh) * | 2017-11-03 | 2018-01-23 | 北方工业大学 | 基于深度学习的人脸年龄估计方法及装置 |
CN108416253A (zh) * | 2018-01-17 | 2018-08-17 | 深圳天珑无线科技有限公司 | 基于人脸图像的体重监测方法、系统及移动终端 |
CN110315973A (zh) * | 2018-03-30 | 2019-10-11 | 比亚迪股份有限公司 | 车载显示系统、车辆和车载显示系统的控制方法 |
CN110315973B (zh) * | 2018-03-30 | 2022-01-07 | 比亚迪股份有限公司 | 车载显示系统、车辆和车载显示系统的控制方法 |
CN108932497A (zh) * | 2018-07-03 | 2018-12-04 | 张廷敏 | 乘客人群大数据识别机构 |
CN109345770A (zh) * | 2018-11-14 | 2019-02-15 | 深圳市尼欧科技有限公司 | 一种孩童遗留车内报警系统及孩童遗留车内报警方法 |
CN110119673A (zh) * | 2019-03-27 | 2019-08-13 | 广州杰赛科技股份有限公司 | 无感人脸考勤方法、装置、设备及存储介质 |
CN110458198A (zh) * | 2019-07-10 | 2019-11-15 | 哈尔滨工业大学(深圳) | 多分辨率目标识别方法及装置 |
CN110458198B (zh) * | 2019-07-10 | 2022-03-29 | 哈尔滨工业大学(深圳) | 多分辨率目标识别方法及装置 |
US11361587B2 (en) | 2019-08-30 | 2022-06-14 | Boe Technology Group Co., Ltd. | Age recognition method, storage medium and electronic device |
CN110532965A (zh) * | 2019-08-30 | 2019-12-03 | 京东方科技集团股份有限公司 | 年龄识别方法、存储介质及电子设备 |
CN110532965B (zh) * | 2019-08-30 | 2022-07-26 | 京东方科技集团股份有限公司 | 年龄识别方法、存储介质及电子设备 |
CN111209050A (zh) * | 2020-01-10 | 2020-05-29 | 北京百度网讯科技有限公司 | 用于切换电子设备的工作模式的方法和装置 |
CN112766169A (zh) * | 2021-01-21 | 2021-05-07 | 中信银行股份有限公司 | 开户身份认证方法、装置、设备及存储介质 |
CN112883867A (zh) * | 2021-02-09 | 2021-06-01 | 广州汇才创智科技有限公司 | 一种基于图像情感分析的学生在线学习评估方法及系统 |
CN113220128A (zh) * | 2021-05-27 | 2021-08-06 | 齐喝彩(上海)人工智能科技有限公司 | 一种自适应智能交互方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106469298A (zh) | 基于人脸图像的年龄识别方法及装置 | |
CN106326857A (zh) | 基于人脸图像的性别识别方法及装置 | |
CN106407911A (zh) | 基于图像的眼镜识别方法及装置 | |
Tompson et al. | Efficient object localization using convolutional networks | |
CN106295591A (zh) | 基于人脸图像的性别识别方法及装置 | |
CN109325443B (zh) | 一种基于多实例多标签深度迁移学习的人脸属性识别方法 | |
CN110084173A (zh) | 人头检测方法及装置 | |
CN108229330A (zh) | 人脸融合识别方法及装置、电子设备和存储介质 | |
Kalogerakis et al. | Learning 3D mesh segmentation and labeling | |
Kae et al. | Augmenting CRFs with Boltzmann machine shape priors for image labeling | |
Yan et al. | Ranking with uncertain labels | |
Guo et al. | A probabilistic fusion approach to human age prediction | |
CN108985232A (zh) | 人脸图像比对方法、装置、计算机设备及存储介质 | |
Kim et al. | Color–texture segmentation using unsupervised graph cuts | |
KR20190025564A (ko) | 얼굴 표정 인식 및 주석처리를 위한 시스템 및 방법 | |
CN107895160A (zh) | 人脸检测与识别装置及方法 | |
CN104915658B (zh) | 一种基于情感分布学习的情感成分分析方法及其系统 | |
CN110705428B (zh) | 一种基于脉冲神经网络的脸部年龄识别系统及方法 | |
CN113205017A (zh) | 跨年龄人脸识别方法及设备 | |
CN105809090A (zh) | 一种人脸性别特征提取的方法及系统 | |
US11893773B2 (en) | Finger vein comparison method, computer equipment, and storage medium | |
Paul et al. | Extraction of facial feature points using cumulative histogram | |
Zhang et al. | Saliency detection via extreme learning machine | |
CN114758382B (zh) | 基于自适应补丁学习的面部au检测模型建立方法及应用 | |
Yang et al. | A Face Detection Method Based on Skin Color Model and Improved AdaBoost Algorithm. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170301 |