CN108197592B - 信息获取方法和装置 - Google Patents
信息获取方法和装置 Download PDFInfo
- Publication number
- CN108197592B CN108197592B CN201810058894.8A CN201810058894A CN108197592B CN 108197592 B CN108197592 B CN 108197592B CN 201810058894 A CN201810058894 A CN 201810058894A CN 108197592 B CN108197592 B CN 108197592B
- Authority
- CN
- China
- Prior art keywords
- age
- value
- user
- facial
- information
- 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.)
- Active
Links
Images
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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了信息获取方法和装置。该方法的一具体实施方式包括:从获取的用户的面部图像中提取用户的面部特征;将面部特征输入到第一年龄识别模型得到面部图像对应的第一年龄预测值,将面部特征输入到第二年龄识别模型得到面部图像在多个预设年龄段的概率分布;基于面部图像在多个预设年龄段的概率分布确定第二年龄预测值;确定所述面部图像对应的年龄值信息,其中,所述年龄值信息所指示的年龄值由所述第一年龄预测值和所述第二年龄预测值确定。该实施方式可以提高根据面部图像预测用户年龄值的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及人工智能技术领域,尤其涉及信息获取方法和装置。
背景技术
在人脸图像研究相关的计算机视觉领域,随着人脸检测和人脸识别技术所取得的显著进展,人们的研究热点,逐渐转向了年龄预测等更为先进的研究课题。
目前通常的年龄预测方法,首先向数据库导入大量不同年龄段的人的人脸图像数据。然后提取并记录多个年龄段中每一个年龄段的共同特征。当有目标人脸图像需要进行年龄预测时,跟数据库里存储的不同年龄段的共同特征进行比对,确定目标人脸图像对应的年龄段,作为目标图像的年龄段预测结果。
发明内容
本申请实施例提出了一种信息获取方法和装置。
第一方面,本申请实施例提供了一种信息获取方法,该方法包括:从获取的用户的面部图像中提取用户的面部特征;将面部特征输入到第一年龄识别模型得到面部图像对应的第一年龄预测值,将面部特征输入到第二年龄识别模型得到面部图像在多个预设年龄段的概率分布,其中,第一年龄识别模型用于预测面部图像所对应的年龄,第二年龄识别模型用于预测面部图像在多个预设年龄段的概率分布;基于面部图像在多个预设年龄段的概率分布确定第二年龄预测值;确定所述面部图像对应的年龄值信息,所述年龄值信息所指示的年龄值由所述第一年龄预测值和所述第二年龄预测值确定。
在一些实施例中,基于面部图像在多个预设年龄段的概率分布确定第二年龄预测值,包括基于如下公式计算第二年龄预测值Y:其中:N为预设年龄段的数量,N为正整数,且N>1;i为正整数,且i≤N;pi为用户的面部图像在第i个预设年龄段的概率值;vi为第i个预设年龄段的平均年龄。
在一些实施例中,所述年龄值信息所指示的年龄值由所述第一年龄预测值和所述第二年龄预测值确定,包括:将所述第一年龄预测值和所述第二年龄预测值的均值确定为所述年龄值。
在一些实施例中,从获取的用户的面部图像中提取用户的面部特征,包括:使用卷积神经网络从获取的用户的面部图像中提取用户的面部特征。
在一些实施例中,在从获取的用户的面部图像中提取用户的面部特征之前,信息获取方法还包括:使用多个添加了年龄值标注的面部图像对第一年龄识别模型进行训练,以及使用多个添加了年龄段标注的面部图像对第二年龄识别模型进行训练。
第二方面,本申请实施例提供了一种信息获取装置,该装置包括:提取单元,配置用于从获取的用户的面部图像中提取用户的面部特征;预测单元,配置用于将面部特征输入到第一年龄识别模型得到面部图像对应的第一年龄预测值,将面部特征输入到第二年龄识别模型得到面部图像在多个预设年龄段的概率分布,其中,第一年龄识别模型用于预测面部图像所对应的年龄,第二年龄识别模型用于预测面部图像在多个预设年龄段的概率分布;第一确定单元,配置用于基于面部图像在多个预设年龄段的概率分布确定第二年龄预测值;第二确定单元,配置用于确定所述面部图像对应的年龄值信息,所述年龄值信息所指示的年龄值由所述第一年龄预测值和所述第二年龄预测值确定。
在一些实施例中,确定单元进一步配置用于基于如下公式计算第二年龄预测值Y:其中:N为预设年龄段的数量,N为正整数,且N>1;i为正整数,且i≤N;pi为用户的面部图像在第i个预设年龄段的概率值;vi为第i个预设年龄段的平均年龄。
在一些实施例中,所述第二确定单元进一步配置用于:将所述第一年龄预测值和所述第二年龄预测值的均值确定为所述年龄值。
在一些实施例中,提取单元进一步配置用于:使用卷积神经网络从获取的用户的面部图像中提取用户的面部特征。
在一些实施例中,装置还包括训练单元,训练单元配置用于:在提取单元从获取的用户的面部图像中提取用户的面部特征之前,使用多个添加了年龄值标注的面部图像对第一年龄识别模型进行训练,以及使用多个添加了年龄段标注的面部图像对第二年龄识别模型进行训练。
第三方面,本申请实施例提供了一种服务器,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的信息获取方法和装置,通过从获取的用户的面部图像中提取用户的面部特征,而后将用户的面部特征输入到第一年龄识别模型得到面部图像对应的第一年龄预测值,将用户的面部图像输入到第二年龄识别模型得到面部图像在多个预设年龄段的概率分布,接着基于面部图像在多个预设年龄段的概率分布确定第二年龄预测值,最后确定所述面部图像对应的年龄值信息。可以提高根据用户面部图像预测用户对应的年龄值的准确率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的信息获取方法的一个实施例的流程图;
图3是根据本申请的信息获取方法的一个应用场景的示意图;
图4是根据本申请的信息获取装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的信息获取方法或信息获取装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以是摄像装置、还可以是具备图像采集功能的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103采集到的图像数据进行处理的后台服务器。后台服务器可以对接收到的图像数据进行分析等处理。
需要说明的是,本申请实施例所提供的信息获取方法一般由服务器105执行,相应地,信息获取装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的信息获取方法的一个实施例的流程200。该信息获取方法,包括以下步骤:
步骤201,从获取的用户的面部图像中提取用户的面部特征。
在本实施例中,信息获取方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从可以拍摄图像或视频的终端设备(例如图1所示的终端设备101、102、103)接收包括用户面部的图像。
当电子设备接收到包含用户面部的图像时,可以对图像进行各种分析处理,从而可以获取包含在图像中的用户的面部图像。例如可以使用现有的人脸识别的手段在上述图像中识别出用户的面部图像。
通常皱纹会出现在一定年龄以上的成年人脸上,例如35岁以上。成年人两眼之间的距离大于儿童两眼之间的距离。成年人的鼻子比儿童的鼻子大。老年人的皱纹比中青年的皱纹更深更多等。因此,一个人的面部的纹理、五官等在一定程度上可以反映出他/她的年龄。
在本实施例中,在获取了用户的面部图像之后,上述电子设备可以利用各种分析手段对用户的面部图像进行分析,从而提取用户的面部特征。在本实施例中,上述用户的面部特征例如可以包括用户的面部轮廓特征、纹理特征、五官几何特征等。其中,上述纹理特征中可以包括皱纹在面部图像中的分布特征以及皱纹的数量和深度等。五官几何特征可以包括五官的形状特征以及五官中两眼之间的距离、鼻子到两眼连线中点的距离、口到鼻的最短距离等等。
在本实施例中,上述电子设备可以使用主动外观模型(Active AppearanceModel,AAM)来提取面部轮廓特征和五官几何特征等;使用Gabor滤波器来提取人脸的纹理特征。需要说明的是,上述主动外观模型和Gabor滤波器是目前广泛研究和应用的公知技术,在此不再赘述。
在本实施里的一些可选实现方式中,上述电子设备可以使用预先训练的卷积神经网络来提取用户的面部特征,这里的面部特征例如可包括面部轮廓特征、纹理特征、五官几何特征等。
步骤202,将面部特征输入到第一年龄识别模型得到面部图像对应的第一年龄预测值,将面部特征输入到第二年龄识别模型得到面部图像在多个预设年龄段的概率分布。
在步骤201中获得用户的面部特征之后,信息获取方法运行于其上的电子设备(例如图1所示的服务器)可以将上述面部特征输入到第一年龄识别模型,从而得到面部图像所对应的第一年龄预测值。同时,电子设备可以将上述面部图像输入到第二年龄识别模型得到面部图像在多个预设年龄段的概率分布。在这里,第一年龄识别模型用于预测面部图像对应的年龄;第二年龄识别模型用于预测面部图像在多个预设年龄段的概率分布。
在本实施例中,第一年龄识别模型可以预测出与输入的面部图像对应的第一年龄预测值,这里的第一年龄预测值例如可以是一个0~100范围内的数值。
在本实施例的一些可选实现方式中,上述第一年龄识别模型可以是回归模型。在这些可选的实现方式中,上述回归模型可以是线性回归模型、多项式回归模型等。上述线性回归模型对应的回归函数例如可以为其中,b为用户的面部特征对应的特征向量,为权重向量。offset为偏移量向量。age为待预测的第一年龄预测值。多项式回归模型对应的回归函数例如可以为 为b2对应的权重向量。偏移量向量offset所包括的分量的数量与用户的面部特征对应的特征向量b所包括的分量的数量相同。在使用上述回归模型预测用户面部图像对应的第一年龄预测值之前,以线性回归模型为例进行说明,可以对回归模型进行训练以得到权重向量和偏移量向量offset。由于回归模型相对比较简单,使用回归模型来预测面部图像对应的年龄值,可以降低预测用户的面部图像对应的年龄值的复杂度和计算量。
进一步可选的,上述第一年龄识别模型为由卷积神经网络实现的回归模型。也就是说,第一年龄识别模型可以是卷积神经网络模型。
在本实施例中,上述第二年龄识别模型可以是一个分类模型。可以预先将一个年龄跨距比较大的年龄段按照一定规则分割成年龄跨距较小的多个年龄段,例如可以将0~100岁分割成0~5岁、6~10岁、11~15岁、16~20岁、20岁~30岁、30岁~40岁、40~50岁、50岁~60岁、60岁~80岁、80~100岁10个年龄段。当电子设备将面部图像输入到上述第二年龄识别模型时,第二年龄识别模型可以输出面部图像在上述10个年龄段的概率分布。例如输入一个面部图像,第二年龄识别模型在上述10个年龄段的概率分布可以为3%、5%、7%、10%、40%、20%、7%、5%、2%、1%。
需要指出的是,年龄跨距比较大的年龄段被分割出的年龄跨距较小的年龄段的数量可根据需要进行调整。年龄跨距较小的年龄段中的年龄跨距可以根据实际应用进行调整。
可选的,上述第二年龄识别模型可以由卷积神经网络实现。也就是说,第一年龄识别模型和第二年龄识别模型均可以为卷积神经网络模型。
步骤203,基于面部图像在多个预设年龄段的概率分布确定第二年龄预测值。
在本实施例中,信息获取方法运行于其上的电子设备在步骤202中得到了第一年龄预测值和第二年龄识别模型输出的面部图像在多个预设年龄段的概率分布之后,可以首先根据上述概率分布根据各种方法确定面部图像对应的第二年龄预测值。
在本实施例中,例如可以将概率分布中对应的概率值最大的年龄段的年龄平均值作为第二年龄预测值。
如上述的向第二年龄识别模型输入一个面部图像后,第二年龄识别模型输出的上述面部图像在上述10个年龄段0~5岁、6~10岁、11~15岁、16~20岁、20岁~30岁、30岁~40岁、40~50岁、50岁~60岁、60岁~80岁、80~100岁上的概率分布为3%、5%、7%、10%、40%、20%、7%、5%、2%、1%,上述电子设备可以分析出概率分布中的最大概率值(40%)对应的预设年龄段为20~30岁。进一步地,计算20~30的平均年龄为25岁,则上述电子设备可以将25岁作为上述面部图像对应的第二年龄预测值。
步骤204,确定所述面部图像对应的年龄值信息,所述年龄值信息所指示的年龄值由所述第一年龄预测值和所述第二年龄预测值确定。
在本实施例中,上述电子设备可以根据第一年龄预测值和第二年龄预测值确定与用户的面部图像对应的年龄值信息。上述年龄值信息用于指示用户的面部图像对应的年龄值。例如可以将第一年龄预测值和第二年龄预测值的加权和作为用户的面部图像对应的年龄值信息所指示的年龄值。上述年龄值信息例如可以包括具体的数字信息、或者包括预先设定的具有数字含义的编码信息等。
在本实施例中,可以根据第一年龄识别模型中得到的第一年龄预测值和根据第二年龄识别模型中得到的在多个预设年龄段的概率分布得到的第二年龄预测值的来确定与用户的面部图像对应的年龄值。由于由第一年龄识别模型预测的面部图像对应的年龄值以及根据由第二年龄识别模型在各预设年龄段的概率分布预测的面部图像对应的年龄值均可能存在一定误差,本申请实施例提供的方法可以实现由第一年龄识别模型预测的面部图像所对应的年龄值和由基于第二年龄识别模型输出的面部图像在多个预设年龄段的概率分布而预测的面部图像所对应的年龄值之间互相纠正,可以提升根据用户的面部图像预测出的用户年龄的准确程度。
在本实施例的一些可选实现方式中,上述电子设备可以确定在步骤202中得到的第一年龄预测值和在步骤203中得到的第二年龄预测值的平均值,并将第一年龄预测值和第二年龄预测值的平均值确定为面部图像对应的年龄值信息所指示的年龄值。
若在步骤202中将用户的面部特征输入到第一年龄识别模型中得到的第一年龄预测值为29岁,在步骤203中得到的第二年龄预测值为25岁,则取第一年龄预测值29岁和第二年龄预测值25岁的平均值27岁作为用户的面部图像对应的年龄值。
在本实施例的一些可选实现方式中,上述电子设备还可以向用户的终端设备推送与面部图像对应的年龄值信息所指示的年龄值关联的推送信息。这里与年龄值关联的推送信息可以包括各个领域的信息,例如娱乐类信息、体育赛事类信息、教育类信息、新闻类信息类等。上述电子设备可以预先从互联网上获取海量的不同年龄的用户所关注的或所浏览的不同领域的信息。然后对海量的信息按照关注或浏览这些信息的用户的年龄进行分析。对于每一个年龄值,提取该年龄值的不同用户共同关注的不同领域的信息,并将这些该年龄值的不同用户共同关注的不同领域的信息作为推送信息与该年龄值进行关联。上述电子设备在得到与一个用户的面部图像对应的年龄值信息之后,可以将与该年龄值信息所指示的年龄值关联的推送信息推送给该用户。
继续参见图3,图3是根据本实施例的信息获取方法的应用场景的一个示意图。在图3的应用场景300中,电子设备302接收终端设备301发送的包括用户面部的图像303。上述电子设备302可以从用户的面部图像303中获取用户的面部图像。上述电子设备302可以从获取的用户的面部图像中提取用户的面部特征304。接着上述电子设备302将用户的面部特征输入到第一年龄识别模型得到第一年龄预测值,将用户的面部特征输入到第二年龄识别模型得到面部图像在多个预设年龄段的概率分布305。然后电子设备302基于从第二年龄识别模型得到的面部图像在多个预设年龄段的概率分布确定第二年龄预测值306,最后,电子设备302确定面部图像对应的年龄值信息307,年龄值信息所指示的年龄值由第一年龄预测值和第二年龄预测值的均值确定。最后,电子设备302向用户的终端设备301推送与所确定的年龄值关联的推送信息308。
本申请的上述实施例提供的方法通过从用户的面部图像中提取用户的面部特征,然后将用户的面部特征输入到第一年龄识别模型得到第一年龄预测值,将用户的面部特征输入到第二年龄识别模型得到面部图像在多个预设年龄段的概率分布,接着根据面部图像在多个预设年龄段的概率分布确定第二年龄预测值,最后确定面部图像对应的年龄值信息。可以提高根据用户的面部图像预测出的年龄值的准确程度。当将应用本申请实施例公开的方法或装置获取到的信息进行推送时,可以提升推送信息的针对性。
在本实施例的一些可选实现方式中,在步骤202中将用户的面部特征输入到第二年龄识别模型得到的面部图像在多个预设年龄段上的概率分布之后,在步骤203中上述电子设备可以进一步基于如下公式来计算第二年龄预测值Y:
其中,N为预设年龄段的数量,N为正整数,且N>1;i为正整数,且i≤N;pi为用户的面部图像在第i个预设年龄段的概率值;vi为第i个预设年龄段的平均年龄。
仍以上面的示例进行说明,若向第二年龄识别模型输入用户的面部特征后,第二年龄识别模型输出的用户的面部图像在上述10个预设年龄段0~5岁、6~10岁、11~15岁、16~20岁、20岁~30岁、30岁~40岁、40~50岁、50岁~60岁、60岁~80岁、80~100岁上的概率分布为3%、5%、7%、10%、40%、20%、7%、5%、2%、1%,则根据公式(1)计算得到面部图像对应的第二年龄预测值为28.4岁。其中,第一个年龄段0~5岁的平均年龄为2.5岁,第二年龄段6~10岁的平均年龄为8岁,第三个年龄段11~15岁的平均年龄为13岁,第四个年龄段的平均年龄为18岁,第五个年龄段的平均年龄为25岁,第六个年龄段的平均年龄为35岁,第七个年龄段的平均年龄为45岁,第八个年龄段的平均年龄为55岁,第九个年龄段的平均年龄为70岁,第十个年龄段的平均年龄为90岁。在这些可选的实现方式中,在预测用户的面部图像所对应的年龄值时综合了面部图像在各个年龄段的概率,可以提高由面部图像在各预设年龄段上的概率分布预测面部图像所对应的年龄值的准确度。
在本实施例的一些可选实现方式中,在步骤201从获取的用户的面部图像中提取用户的面部特征之前,信息获取方法还包括使用多个添加了年龄值标注的面部图像对第一年龄识别模型进行训练。以及使用多个添加了年龄段标注的面部图像对第二年龄识别模型进行训练。在对上述第一年龄识别模型训练之后,第一年龄识别模型的输出值接近标注值。在对上述第二年龄识别模型训练之后,第二年龄识别模型的输出值趋近标注值。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种信息获取装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的信息获取装置400包括:提取单元401、预测单元402、第一确定单元403和第二确定单元404。其中,提取单元401配置用于从获取的用户的面部图像中提取用户的面部特征;预测单元402配置用于将面部特征输入到第一年龄识别模型得到面部图像对应的第一年龄预测值,将面部特征输入到第二年龄识别模型得到面部图像在多个预设年龄段的概率分布,其中,第一年龄识别模型用于预测面部图像所对应的年龄,第二年龄识别模型用于预测面部图像在多个预设年龄段的概率分布;第一确定单元403配置用于基于面部图像在多个预设年龄段的概率分布确定第二年龄预测值;第二确定单元404配置用于确定面部图像对应的年龄值信息,其中,年龄值信息所指示的年龄值由第一年龄预测值和第二年龄预测值确定。
在本实施例中,信息获取装置400的提取单元401、预测单元402、第一确定单元403和第二确定单元404。的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在本实施例的一些可选实现方式中,第一确定单元403进一步配置用于基于如下公式计算第二年龄预测值Y:
其中:N为预设年龄段的数量,N为正整数,且N>1;i为正整数,且i≤N;pi为用户的面部图像在第i个预设年龄段的概率值;vi为第i个预设年龄段的平均年龄。
在本实施例的一些可选实现方式中,第二确定单元404进一步配置用于将第一年龄预测值和第二年龄预测值的均值确定为年龄值信息所指示的年龄值。
在本实施例的一些可选实现方式中,提取单元401进一步配置用于:使用卷积神经网络从获取的用户的面部图像中提取用户的面部特征。
在本实施例的一些可选实现方式中,信息获取装置400还包括训练单元(图中未示出)。训练单元配置用于:在提取单元401从获取的用户的面部图像中提取用户的面部特征之前,使用多个添加了年龄值标注的面部图像对第一年龄识别模型进行训练,以及使用多个添加了年龄段标注的面部图像对第二年龄识别模型进行训练。
下面参考图5,其示出了适于用来实现本申请实施例的服务器的计算机系统500的结构示意图。图5示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU,Central Processing Unit)501,其可以根据存储在只读存储器(ROM,Read Only Memory)502中的程序或者从存储部分508加载到随机访问存储器(RAM,Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O,Input/Output)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN(局域网,Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括提取单元、预测单元、第一单元和第二确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,提取单元还可以被描述为“从获取的用户的面部图像中提取用户的面部特征的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:从获取的用户的面部图像中提取用户的面部特征;将面部特征输入到第一年龄识别模型得到面部图像对应的第一年龄预测值,将面部特征输入到第二年龄识别模型得到面部图像在多个预设年龄段的概率分布,其中,第一年龄识别模型用于预测面部图像所对应的年龄,第二年龄识别模型用于预测面部图像在多个预设年龄段的概率分布;基于面部图像在多个预设年龄段的概率分布确定第二年龄预测值;确定面部图像对应的年龄值信息,年龄值信息所指示的年龄值由第一年龄预测值和第二年龄预测值确定
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种信息获取方法,包括:
从获取的用户的面部图像中分析并提取所述用户的面部特征,所述面部特征包括:五官几何特征;
将所述面部特征输入到第一年龄识别模型得到所述面部图像对应的第一年龄预测值,将所述面部特征输入到第二年龄识别模型得到所述面部图像在多个预设年龄段的概率分布,其中,所述第一年龄识别模型用于预测所述面部图像所对应的年龄,所述第二年龄识别模型用于预测所述面部图像在多个预设年龄段的概率分布,所述第二年龄识别模型由卷积神经网络实现;
基于所述面部图像在多个预设年龄段的概率分布确定第二年龄预测值;
确定所述面部图像对应的年龄值信息,所述年龄值信息所指示的年龄值由所述第一年龄预测值和所述第二年龄预测值确定;
向所述用户的终端设备推送与所述面部图像对应的年龄值信息所指示的年龄值关联的推送信息,对于每一个年龄值,该年龄值关联的推送信息的得到步骤如下:提取该年龄值的不同用户共同关注的不同领域的信息,并将这些该年龄值的不同用户共同关注的不同领域的信息作为推送信息与该年龄值进行关联。
3.根据权利要求1所述的方法,其中,所述确定所述面部图像对应的年龄值信息,包括:
将所述第一年龄预测值和所述第二年龄预测值的均值确定为所述年龄值信息所指示的年龄值。
4.根据权利要求1所述的方法,其中,所述从获取的用户的面部图像中提取所述用户的面部特征,包括:
使用卷积神经网络从获取的用户的面部图像中提取用户的面部特征。
5.根据权利要求1所述的方法,其中,在所述从获取的用户的面部图像中提取所述用户的面部特征之前,所述方法还包括:
使用多个添加了年龄值标注的面部图像对所述第一年龄识别模型进行训练,以及使用多个添加了年龄段标注的面部图像对所述第二年龄识别模型进行训练。
6.一种信息获取装置,包括:
提取单元,配置用于从获取的用户的面部图像中分析并提取所述用户的面部特征,所述面部特征包括:五官几何特征;
预测单元,配置用于将所述面部特征输入到第一年龄识别模型得到所述面部图像对应的第一年龄预测值,将所述面部特征输入到第二年龄识别模型得到所述面部图像在多个预设年龄段的概率分布,其中,所述第一年龄识别模型用于预测所述面部图像所对应的年龄,所述第二年龄识别模型用于预测所述面部图像在多个预设年龄段的概率分布,所述第二年龄识别模型由卷积神经网络实现;
第一确定单元,配置用于基于所述面部图像在多个预设年龄段的概率分布确定第二年龄预测值;
第二确定单元,配置用于确定所述面部图像对应的年龄值信息,所述年龄值信息所指示的年龄值由所述第一年龄预测值和所述第二年龄预测值确定;
推送单元,配置用于向所述用户的终端设备推送与所述面部图像对应的年龄值信息所指示的年龄值关联的推送信息,对于每一个年龄值,该年龄值关联的推送信息的得到步骤如下:提取该年龄值的不同用户共同关注的不同领域的信息,并将这些该年龄值的不同用户共同关注的不同领域的信息作为推送信息与该年龄值进行关联。
8.根据权利要求6所述的装置,其中,所述第二确定单元进一步配置用于:
将所述第一年龄预测值和所述第二年龄预测值的均值确定为所述年龄值信息所指示的年龄值。
9.根据权利要求6所述的装置,其中,所述提取单元进一步配置用于:
使用卷积神经网络从获取的用户的面部图像中提取用户的面部特征。
10.根据权利要求6所述的装置,其中,所述装置还包括训练单元,所述训练单元配置用于:
在提取单元从获取的用户的面部图像中提取所述用户的面部特征之前,使用多个添加了年龄值标注的面部图像对所述第一年龄识别模型进行训练,以及使用多个添加了年龄段标注的面部图像对所述第二年龄识别模型进行训练。
11.一种服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810058894.8A CN108197592B (zh) | 2018-01-22 | 2018-01-22 | 信息获取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810058894.8A CN108197592B (zh) | 2018-01-22 | 2018-01-22 | 信息获取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108197592A CN108197592A (zh) | 2018-06-22 |
CN108197592B true CN108197592B (zh) | 2022-05-27 |
Family
ID=62590141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810058894.8A Active CN108197592B (zh) | 2018-01-22 | 2018-01-22 | 信息获取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197592B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052862B (zh) * | 2017-11-09 | 2019-12-06 | 北京达佳互联信息技术有限公司 | 年龄预估方法和装置 |
CN111125181B (zh) * | 2018-10-31 | 2023-03-14 | 北京国双科技有限公司 | 获得年龄占比的方法和装置、机器可读存储介质及处理器 |
CN111310532A (zh) * | 2018-12-12 | 2020-06-19 | 北京嘀嘀无限科技发展有限公司 | 一种年龄识别方法、装置、电子设备和存储介质 |
CN109993150B (zh) * | 2019-04-15 | 2021-04-27 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
CN112052710A (zh) * | 2019-06-06 | 2020-12-08 | 搜狗(杭州)智能科技有限公司 | 一种人脸年龄识别方法及装置 |
CN110399813A (zh) * | 2019-07-10 | 2019-11-01 | 深兰科技(上海)有限公司 | 一种年龄识别方法、装置、电子设备及存储介质 |
CN114257191B (zh) * | 2020-09-24 | 2024-05-17 | 达发科技股份有限公司 | 均衡器调整方法和电子装置 |
CN112329607B (zh) * | 2020-11-03 | 2022-10-21 | 齐鲁工业大学 | 基于面部特征和纹理特征的年龄预测方法、系统和装置 |
CN115376254A (zh) * | 2022-08-30 | 2022-11-22 | 中国银行股份有限公司 | 一种基于人工智能的防吞卡方法及相关设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201430722A (zh) * | 2013-01-30 | 2014-08-01 | Nat Univ Tainan | 年齡評估系統與方法 |
CN104537630A (zh) * | 2015-01-22 | 2015-04-22 | 厦门美图之家科技有限公司 | 一种基于年龄估计的图像美颜方法和装置 |
CN104809236A (zh) * | 2015-05-11 | 2015-07-29 | 苏州大学 | 一种基于微博的用户年龄分类方法及系统 |
CN106203306A (zh) * | 2016-06-30 | 2016-12-07 | 北京小米移动软件有限公司 | 年龄的预测方法、装置及终端 |
CN106295499A (zh) * | 2016-07-21 | 2017-01-04 | 北京小米移动软件有限公司 | 年龄估计方法及装置 |
CN106651057A (zh) * | 2017-01-03 | 2017-05-10 | 有米科技股份有限公司 | 一种基于安装包序列表的移动端用户年龄预测方法 |
CN107203740A (zh) * | 2017-04-24 | 2017-09-26 | 华侨大学 | 一种基于深度学习的人脸年龄估计方法 |
-
2018
- 2018-01-22 CN CN201810058894.8A patent/CN108197592B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201430722A (zh) * | 2013-01-30 | 2014-08-01 | Nat Univ Tainan | 年齡評估系統與方法 |
CN104537630A (zh) * | 2015-01-22 | 2015-04-22 | 厦门美图之家科技有限公司 | 一种基于年龄估计的图像美颜方法和装置 |
CN104809236A (zh) * | 2015-05-11 | 2015-07-29 | 苏州大学 | 一种基于微博的用户年龄分类方法及系统 |
CN106203306A (zh) * | 2016-06-30 | 2016-12-07 | 北京小米移动软件有限公司 | 年龄的预测方法、装置及终端 |
CN106295499A (zh) * | 2016-07-21 | 2017-01-04 | 北京小米移动软件有限公司 | 年龄估计方法及装置 |
CN106651057A (zh) * | 2017-01-03 | 2017-05-10 | 有米科技股份有限公司 | 一种基于安装包序列表的移动端用户年龄预测方法 |
CN107203740A (zh) * | 2017-04-24 | 2017-09-26 | 华侨大学 | 一种基于深度学习的人脸年龄估计方法 |
Non-Patent Citations (3)
Title |
---|
"Deep Convolutional Neural Network for Age Estimation based on VGG-Face Model";Zakariya Qawaqneh et al.;《arXiv》;20170930;全文 * |
"人脸图像的年龄估计技术研究";王先梅 等;《中国图象图形学报》;20120630;第17卷(第6期);第603-618页 * |
"混合分类/回归模型的用户年龄识别方法";陈敬 等;《中国科学:信息科学》;20171231;第47卷(第8期);第1095-1108页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108197592A (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197592B (zh) | 信息获取方法和装置 | |
CN109214343B (zh) | 用于生成人脸关键点检测模型的方法和装置 | |
US11487995B2 (en) | Method and apparatus for determining image quality | |
US10936919B2 (en) | Method and apparatus for detecting human face | |
CN111860573B (zh) | 模型训练方法、图像类别检测方法、装置和电子设备 | |
CN110941990B (zh) | 基于骨骼关键点进行人体动作评估的方法和装置 | |
CN108509915B (zh) | 人脸识别模型的生成方法和装置 | |
CN110532996B (zh) | 视频分类的方法、信息处理的方法以及服务器 | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
WO2019119505A1 (zh) | 人脸识别的方法和装置、计算机装置及存储介质 | |
US11625433B2 (en) | Method and apparatus for searching video segment, device, and medium | |
CN109034069B (zh) | 用于生成信息的方法和装置 | |
CN112395979B (zh) | 基于图像的健康状态识别方法、装置、设备及存储介质 | |
CN111401339B (zh) | 识别人脸图像中的人的年龄的方法、装置及电子设备 | |
CN110781413B (zh) | 兴趣点确定方法及装置、存储介质、电子设备 | |
WO2020238353A1 (zh) | 数据处理方法和装置、存储介质及电子装置 | |
CN108549848B (zh) | 用于输出信息的方法和装置 | |
CN108491808B (zh) | 用于获取信息的方法及装置 | |
CN108229375B (zh) | 用于检测人脸图像的方法和装置 | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CN108509994B (zh) | 人物图像聚类方法和装置 | |
CN108491812B (zh) | 人脸识别模型的生成方法和装置 | |
CN108399401B (zh) | 用于检测人脸图像的方法和装置 | |
CN116311400A (zh) | 掌纹图像的处理方法、电子设备及存储介质 | |
CN116758355A (zh) | 图像分类方法和装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |