CN110008907A - 一种年龄的估计方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本发明提供了一种年龄的估计方法、装置、电子设备和计算机可读介质，涉及图像处理的技术领域，包括获取待处理图像，其中，所述待处理图像中包含待识别对象，且所述待处理图像的尺度小于预设尺度；利用年龄估计网络确定所述待处理图像中待识别对象的年龄信息，其中，所述年龄估计网络包括：卷积网络和全连接网络，所述卷积网络和所述全连接网络相连接，所述卷积网络中包括多个卷积模块，所述全连接网络中包括多个全连接模块，本申请缓解了现有的年龄估计模型运算量大导致的现有的年龄估计模型难以满足实际应用需求的技术问题。

Description

一种年龄的估计方法、装置、电子设备和计算机可读介质

技术领域

本发明涉及图像处理的技术领域，尤其是涉及一种年龄的估计方法、装置、电子设备和计算机可读介质。

背景技术

当前的年龄估计模型大多是基于大尺度的图像和大规模的神经网络模型，在实际场景中往往难以较好地应用。随着深度学习的发展，特别是图像中卷积神经网络的发展，越来越多更深更大的模型被提出来，取得了非常好的识别效果，比如AlexNet模型，VggNet模型和ResNet等模型。但是这些模型普遍存在着一个共性：模型计算需要的显存、参数、运算代价太大，难以满足实际应用的要求。

发明内容

有鉴于此，本发明的目的在于提供一种年龄的估计方法、装置、电子设备和计算机可读介质，以缓解了现有的年龄估计模型运算量大导致的现有的年龄估计模型难以满足实际应用需求的技术问题。

第一方面，本发明实施例提供了一种年龄的估计方法，包括：获取待处理图像，其中，所述待处理图像中包含待识别对象，且所述待处理图像的尺度小于预设尺度；利用年龄估计网络确定所述待处理图像中待识别对象的年龄信息，其中，所述年龄估计网络包括：卷积网络和全连接网络，所述卷积网络和所述全连接网络相连接，所述卷积网络中包括多个卷积模块，所述全连接网络中包括多个全连接模块。

进一步地，多个所述卷积模块包括：第一卷积模块，第二卷积模块和第三卷积模块；所述第一卷积模块、所述第二卷积模块和所述第三卷积模块依次连接；且所述第一卷积模块、所述第二卷积模块和所述第三卷积模块中的每个卷积模块包括以下至少之一：卷积层、批量归一化层、激活函数层和均值池化层。

进一步地，利用年龄估计网络确定所述待处理图像中待识别对象的年龄信息包括：利用所述第一卷积模块对所述待处理图像进行处理，得到第一特征信息；利用所述第二卷积模块对所述第一特征信息进行处理，得到第二特征信息；利用所述第三卷积模块对所述第二特征信息进行处理，得到第三特征信息；利用所述全连接网络中的多个全连接模块对所述第三特征信息进行全连接处理，得到所述年龄信息。

进一步地，所述第一卷积模块包括多个依次连接的第一卷积子模块；利用所述第一卷积模块对所述待处理图像进行处理包括：利用多个所述第一卷积子模块对待处理数据进行处理，得到所述第一特征信息；其中，若所述第一卷积子模块为多个所述第一卷积子模块中的第一个子模块，则所述待处理数据为所述待处理图像；若所述第一卷积子模块为多个所述第一卷积子模块中除第一个子模块之外的其他子模块，则所述待处理数据为所述第一卷积子模块的上一个卷积子模块的处理结果。

进一步地，所述第一卷积子模块包括依次连接的：卷积层、批量归一化层、激活函数层和均值池化层；利用所述第一卷积子模块对待处理数据进行处理包括：通过所述第一卷积子模块中的卷积层对所述所述待处理数据进行卷积计算，得到第一卷积计算结果；通过所述第一卷积子模块中的批量归一化层对所述第一卷积计算结果进行归一化处理，得到第一归一化结果；通过所述第一卷积子模块中的激活函数层对所述第一归一化结果进行非线性处理，得到第一非线性处理结果；通过所述第一卷积子模块中的均值池化层对所述第一非线性处理结果进行池化处理，得到当前第一卷积子模块的处理结果。

进一步地，所述第一卷积模块中包括3个依次连接的第一卷积子模块，且每个第一卷积子模块均包括次连接的：卷积层、批量归一化层、激活函数层和均值池化层。

进一步地，所述第二卷积模块包括依次连接的：卷积层、批量归一化层和激活函数层；利用所述第二卷积模块对所述第一特征信息进行处理，得到第二特征信息包括：通过所述第二卷积子模块中的卷积层对所述所述第一特征信息进行卷积计算，得到第二卷积计算结果；通过所述第二卷积子模块中的批量归一化层对所述第二卷积计算结果进行归一化处理，得到第二归一化结果；通过所述第二卷积子模块中的激活函数层对所述第二归一化结果进行非线性处理，得到所述第二特征信息。

进一步地，所述第三卷积模块包括卷积层；利用所述第三卷积模块对所述第二特征信息进行处理，得到第三特征信息包括：通过所述第三卷积子模块中的卷积层对所述所述第二特征信息进行卷积计算，得到第三卷积计算结果；对所述第三卷积计算结果进行拉伸处理，得到所述第三特征信息。

进一步地，所述多个全连接模块包括：第一全连接模块和第二全连接模块；利用所述全连接网络中的多个全连接模块对所述第三特征信息进行全连接处理，得到所述年龄信息包括：通过所述第一全连接模块对所述第三特征信息进行全连接处理，得到第一特征向量；通过所述第二全连接模块对所述第一特征向量进行全连接处理，得到第二特征向量，并将所述第二特征向量确定为所述年龄信息。

进一步地，获取待处理图像包括：在获取到原始图像之后，判断所原始图像的尺度是否大于预设尺度；若判断出所述原始图像的尺度大于所述预设尺度，则缩小所述原始图像的尺度，直至所述原始的尺度为所述预设尺度，并将缩小至所述预设尺度的原始图像作为所述待处理图像；若判断出所述待处理图像的尺度小于所述预设尺度，则将所述原始图像确定为所述待处理图像；或者，增大所述原始图像的尺度，直至所述原始的尺度为所述预设尺度，并将增大至所述预设尺度的原始图像作为所述待处理图像。

第二方面，本发明实施例还提供了一种年龄的估计装置，包括：获取单元，用于获取待处理图像，其中，所述待处理图像中包含待识别对象，且所述待处理图像的尺度小于预设尺度；确定单元，用于利用年龄估计网络确定所述待处理图像中待识别对象的年龄信息，其中，所述年龄估计网络包括：卷积网络和全连接网络，所述卷积网络和所述全连接网络相连接，所述卷积网络中包括多个卷积模块，所述全连接网络中包括多个全连接模块。

第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的方法。

第四方面，本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述第一方面中任一项所述的方法。

在本发明实施例中，首先，获取待处理图像，其中，该待处理图像中包含待识别对象；然后，利用年龄估计网络确定待处理图像中待识别对象的年龄信息。在本实施例中，年龄估计网络中包括卷积网络和全连接网络，该卷积网络包括多个卷积模块，该全连接网络中包括多个全连接模块。相对于现有的年龄估计模型，本申请所使用年龄估计模型结构简单，所需求的运算量小，且能够满足实际应用需要，进而缓解了现有的年龄估计模型运算量大导致的现有的年龄估计模型难以满足实际应用需求的技术问题。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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是根据本发明实施例的一种电子设备的结构示意图；

图2是根据本发明实施例的一种年龄的估计方法的流程图；

图3是根据本发明实施例的一种可选地年龄估计网络的结构示意图；

图4是根据本发明实施例的一种可选地第一卷积模块的结构示意图；

图5是根据本发明实施例的另一种可选地第一卷积模块的结构示意图；

图6是根据本发明实施例的另一种可选地年龄估计网络的结构示意图；

图7是根据本发明实施例的一种试验结果曲线图；

图8是根据本发明实施例的一种年龄的估计装置的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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。

实施例一：

首先，参照图1来描述用于实现本发明实施例的年龄的估计方法的示例电子设备100。

如图1所示，电子设备100包括一个或多个处理器102、一个或多个存储装置104、输入装置106、输出装置108以及摄像机110，这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意，图1所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备也可以具有其他组件和结构。

所述处理器102可以采用数字信号处理器(Digital Signal Processing，简称DSP)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)、可编程逻辑阵列(Programmable logic arrays，简称PLA)和ASIC(Application Specific IntegratedCircuit)中的至少一种硬件形式来实现，所述处理器102可以是中央处理单元(CentralProcessing Unit，简称CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制所述电子设备100中的其它组件以执行期望的功能。

所述存储装置104可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器102可以运行所述程序指令，以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。

所述输入装置106可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。

所述输出装置108可以向外部(例如，用户)输出各种信息(例如，图像或声音)，并且可以包括显示器、扬声器等中的一个或多个。

所述摄像机110用于进行获取待处理图像，其中，摄像机所获取的待处理图像经过所述年龄的估计方法进行处理之后得到待处理图像中待识别对象的年龄信息，例如，摄像机可以拍摄用户期望的图像(例如照片、视频等)，然后，将该图像经过所述年龄的估计方法进行处理之后得到待处理图像中待识别对象的年龄信息，摄像机还可以将所拍摄的图像存储在所述存储器104中以供其它组件使用。

示例性地，用于实现根据本发明实施例的年龄的估计方法的示例电子设备可以被实现为诸如智能手机、平板电脑等移动终端上。

实施例2：

根据本发明实施例，提供了一种年龄的估计方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图2是根据本发明实施例的一种年龄的估计方法的流程图，如图2所示，该方法包括如下步骤：

步骤S202，获取待处理图像，其中，所述待处理图像中包含待识别对象，且所述待处理图像的尺度小于预设尺度。

在本实施例中，可以通过上述实施例1所描述的电子设备中的摄像机拍摄待处理图像，然后，将该待处理图像传输至处理器中进行处理。

需要说明的是，在本实施例中，待处理图像可以为尺度小于预设尺度的小尺度图像。用户可以根据实际需要确定预设尺度的大小，本实施例对此不作具体限定。

在本实施例中，可以首先获取原始图像，其中，该原始图像可以为上述实施例1中摄像机拍摄到的图像。在获取到原始图像之后，判断所原始图像的尺度是否大于预设尺度。若判断出所述原始图像的尺度大于所述预设尺度，则缩小所述原始图像的尺度，直至所述原始的尺度为所述预设尺度，并将缩小至所述预设尺度的原始图像作为所述待处理图像。若判断出所述待处理图像的尺度小于所述预设尺度，则将所述原始图像确定为所述待处理图像；或者，增大所述原始图像的尺度，直至所述原始的尺度为所述预设尺度，并将增大至所述预设尺度的原始图像作为所述待处理图像。

步骤S204，利用年龄估计网络确定所述待处理图像中待识别对象的年龄信息，其中，所述年龄估计网络包括：卷积网络和全连接网络，所述卷积网络和所述全连接网络相连接，所述卷积网络中包括多个卷积模块，所述全连接网络中包括多个全连接模块。

需要说明的是，如果待处理图像中包括多个待识别对象，一种可选的处理方式为：将待处理图像进行切割，得到多个子图像，其中，每个子图像中包含一个待识别对象，然后，利用年龄估计网络确定每个子图像中待识别对象的年龄信息。如果待处理图像中包括多个待识别对象，另一种可选的处理方式为：选择多个待识别对象中位于靠前位置的对象，然后，利用年龄估计网络确定待处理图像中位于靠前位置的对象的年龄信息。

通过上述描述可知，传统年龄估计模型深度大，运算要求量高，难以满足实际应用的要求。特别是用户经常使用的车载终端和移动终端等终端设备。上述终端设备往往具备其他更主要的功能，作为年龄识别的辅助功能，若占用太多的内存，则会造成终端设备出现卡顿，从而影响用户体验，不利于客户端APP的推广。

针对上述存在的技术问题，发明人想到的一种解决方式是利用MobileNets模型和ShuffleNets模型来对图像进行处理，以确定待识别对象的年龄信息。MobileNets模型和ShuffleNets模型的成功应用主要来自于可分离卷积在模型压缩方面的贡献。但是，由于MobileNets模型和ShuffleNets模型中采用了可分离卷积，导致MobileNets模型和ShuffleNets模型在对图像进行处理的过程中导致图像表征能力不够。图像表征能力不够将导致在对待识别对象的年龄信息进行识别的过程中，识别错误率较高的问题。

通过上述描述可知，目前常用的年龄估计模型普遍存在着两个问题：一是模型过深过大，难以满足实际需求；二是小模型采用可分离性卷积，图像表征能力不够。针对这上存在的两个技术问题，本发明拟提出一个需求小且表征能力强的网络，即年龄估计网络，该年龄估计网络中包括卷积网络和全连接网络。该年龄估计网络的结构简单，所需求的运算量小，且能够满足实际应用需要。另外一方面，针对小尺度的待处理图像，采用本申请所提供的年龄估计网络，也能够准确识别待处理对象的年龄信息，且经试验证明，准确率较高，具体验证过程将在下述内容中进行介绍。最后针对常用的残差网络，对于小尺度图片和较浅的网络，本发明提出了疑问并做了实验对比，验证了浅网络不需要使用残差模块。

综上，相对于现有的年龄估计模型，本申请所使用年龄估计模型结构简单，所需求的运算量小，且能够满足实际应用需要，进而缓解了现有的年龄估计模型运算量大导致的现有的年龄估计模型难以满足实际应用需求的技术问题。

通过上述描述可知，年龄估计网络包括：卷积网络和全连接网络，卷积网络包括多个卷积模块。

在一个可选的实施方式中，该多个所述卷积模块包括：第一卷积模块，第二卷积模块和第三卷积模块；所述第一卷积模块、所述第二卷积模块和所述第三卷积模块依次连接；且所述第一卷积模块、所述第二卷积模块和所述第三卷积模块中的每个卷积模块包括以下至少之一：卷积层、批量归一化层、激活函数层和均值池化层。

具体地，如图3所示，该年龄估计网络包括：第一卷积模块，第二卷积模块，第三卷积模块和全连接网络，其中，第一卷积模块，第二卷积模块，第三卷积模块和全连接网络依次连接，该全连接网络的输出即为待处理图像中待识别对象的年龄信息。

如图4所示，第一卷积模块包括多个依次连接的第一卷积子模块。例如，如图5所示，第一卷积子模块包括依次连接的：卷积层、批量归一化层、激活函数层和均值池化层。

可选地，在本实施例中，第一卷积模块中包括3个依次连接的第一卷积子模块，且每个第一卷积子模块均包括次连接的：卷积层、批量归一化层、激活函数层和均值池化层。

在本实施例中，第二卷积模块包括依次连接的：卷积层、批量归一化层和激活函数层。第三卷积模块包括卷积层；多个全连接模块包括：第一全连接模块和第二全连接模块。

如图6所示的为一种可选地年龄估计网络的结构示意图。在该年龄估计网络中，包括3个第一卷积模块，1个第二卷积模块，1个第三卷积模块和2个全连接模块(第一全连接模块和第二全连接模块)。

也就是说，在如图6所示的年龄估计网络中，包括5个卷积模块和2个全连接模块。如图6所示，5个卷积模块中第一卷积模块的数量为3个，且每个第一卷积模块中包括卷积层、批量归一化层、激活函数层和均值池化层。例如，第一卷积模块A1中包括卷积层Conv1和BRA，其中，BRA包括批量归一化层(Batch normalization)、激活函数层(Relu)和均值池化层(Average pooling)；第一卷积模块A2中包括卷积层Conv2和BRA，其中，BRA包括批量归一化层(Batch normalization)、激活函数层(Relu)和均值池化层(Average pooling)；第一卷积模块A3中包括卷积层Conv3和BRA，其中，BRA包括批量归一化层(Batchnormalization)、激活函数层(Relu)和均值池化层(Average pooling)。

如图6所示，5个卷积模块中第二卷积模块的数量为1个，且每个第二卷积模块包括卷积层、批量归一化层和激活函数层。例如，第二卷积模块B1中包括卷积层Conv4和批量归一化层(Batch normalization，简称BN)和激活函数层(Relu)。

如图6所示，5个卷积模块中第三卷积模块的数量为1个，且每个第三卷积模块包括卷积层。例如，第三卷积模块C1中包括卷积层Conv5。

需要说明的是，在本实施例中，第一卷积模块A1至第一卷积模块A3中每个卷积模块中的卷积层均采用3*3*32的滤波器，步长为1。第二卷积模块B1中的卷积层也采用3*3*32的滤波器。第三卷积模块C1中的卷积层采用1*1*32的滤波器。

如图6所示，假设待处理图像的大小为64*64*3，若年龄估计网络中每个卷积层的步长均为1，那么每个卷积模块和每个全连接模块的输出特征数据的大小如图6所示，且年龄估计网络中每个处理层的处理参数如图6所示。如图6所示，若待处理图像的大小为64*64*3，那么年龄估计网络最后的参数需求量为36377，模型存储需求量为197KB，该存储需求量远远小于传统的年龄估计模型。

传统的年龄估计模型(例如，MobileNets模型和ShuffleNets模型)与图5相比，本申请所提供的卷积模块在模型上更简单，在参数和存储上也很有优势。经过验证可知，在三种不同的数据集上，本申请所提供的年龄估计网络获得了较好的效果和较强的泛化能力。

在一个可选的实施方式中，步骤S204，利用年龄估计网络确定所述待处理图像中待识别对象的年龄信息包括如下步骤：

步骤S2041，利用所述第一卷积模块对所述待处理图像进行处理，得到第一特征信息；如果第一卷积模块为多个，那么依次通过多个第一卷积模块对待处理图像进行处理，得到第一特征信息。如图6所示，若待处理图像的大小为64*64*3，且第一卷积模块的数量为3个，那么第一特征信息的大小为6*6*32。

步骤S2042，利用所述第二卷积模块对所述第一特征信息进行处理，得到第二特征信息；在本实施例中，可以通过第二卷积模块对第一特征信息进行处理，得到第二特征信息。如图6所示，若待处理图像的大小为64*64*3，且第一卷积模块的数量为3个，那么第一特征信息的大小为6*6*32，也即，第二卷积模块的输入数据的大小为6*6*32。若第二卷积模块的数量为1个，那么该第二卷积模块输出的第二特征信息的大小为4*4*32。

步骤S2043，利用所述第三卷积模块对所述第二特征信息进行处理，得到第三特征信息；在本实施例中，可以通过第三卷积模块对第二特征信息进行处理，得到第三特征信息。如图6所示，在第二卷积模块输出大小为4*4*32的第二特征信息之后，如果第三卷积模块的数量为1个，那么该第二特征进行经过第三卷积模块处理之后，得到大小为4*4*32的第三特征信息。

步骤S2044，利用所述全连接网络中的多个全连接模块对所述第三特征信息进行全连接处理，得到所述年龄信息。在本实施例中，可以利用全连接网络中的多个全连接模块对第三特征信息进行全连接处理，得到年龄信息。若多个全连接模块包括第一全连接模块和第二全连接模块，则可以利用第一全连接模块和第二全连接模块依次对第三特征信息进行全连接处理，得到年龄信息。

通过上述描述可知，在本实施例中，第一卷积模块包括多个依次连接的第一卷积子模块；基于此，步骤S2041利用所述第一卷积模块对所述待处理图像进行处理包括如下步骤：

利用多个所述第一卷积子模块对待处理数据进行处理，得到所述第一特征信息；其中，若所述第一卷积子模块为多个所述第一卷积子模块中的第一个子模块，则所述待处理数据为所述待处理图像；若所述第一卷积子模块为多个所述第一卷积子模块中除第一个子模块之外的其他子模块，则所述待处理数据为所述第一卷积子模块的上一个卷积子模块的处理结果。

若多个依次连接的第一卷积子模块包括3个依次连接的第一卷积子模块，那么上述过程可以描述为：首先利用第一卷积子模块A1对待处理图像(即，上述待处理数据)进行处理，得到特征信息M1；之后，利用第一卷积子模块A2对特征信息M1(即，上述待处理数据)进行处理，得到特征信息M2；最后，利用第一卷积子模块A3对特征信息M2(即，上述待处理数据)进行处理，得到特征信息M3。

若第一卷积子模块包括依次连接的：卷积层、批量归一化层、激活函数层和均值池化层；那么利用所述第一卷积子模块对待处理数据进行处理的具体过程可以描述为：

通过所述第一卷积子模块中的卷积层对所述所述待处理数据进行卷积计算，得到第一卷积计算结果；通过所述第一卷积子模块中的批量归一化层对所述第一卷积计算结果进行归一化处理，得到第一归一化结果；通过所述第一卷积子模块中的激活函数层对所述第一归一化结果进行非线性处理，得到第一非线性处理结果；通过所述第一卷积子模块中的均值池化层对所述第一非线性处理结果进行池化处理，得到当前第一卷积子模块的处理结果。

需要说明的是，若第一卷积子模块的数量为多个，那么每个第一卷积子模块的处理过程如上所述，此处不再一一进行描述。

在另一个可选的实施方式中，若第二卷积模块包括依次连接的：卷积层、批量归一化层和激活函数层；那么步骤S2042利用所述第二卷积模块对所述第一特征信息进行处理，得到第二特征信息包括如下步骤：

通过所述第二卷积子模块中的卷积层对所述所述第一特征信息进行卷积计算，得到第二卷积计算结果；通过所述第二卷积子模块中的批量归一化层对所述第二卷积计算结果进行归一化处理，得到第二归一化结果；通过所述第二卷积子模块中的激活函数层对所述第二归一化结果进行非线性处理，得到所述第二特征信息。

需要说明的是，若第二卷积子模块的数量为多个，那么每个第二卷积子模块的处理过程如上所述，此处不再一一进行描述。

在另一个可选的实施方式中，若第三卷积模块包括卷积层；那么步骤S2043利用所述第三卷积模块对所述第二特征信息进行处理，得到第三特征信息包括如下步骤：

通过所述第三卷积子模块中的卷积层对所述所述第二特征信息进行卷积计算，得到第三卷积计算结果；对所述第三卷积计算结果进行拉伸处理，得到所述第三特征信息。

具体地，若年龄估计网络为如图6所示的结构，假设待处理图像的大小为64*64*3，那么如图6所示，第三卷积模块Conv5输出的第三卷积计算结果的大小为4*4*32，此时，可以对大小为4*4*32的第三卷积计算结果进行拉伸，得到一个512维的向量，最后利用全连接模块对该512维的向量进行全连接处理，得到待识别对象的年龄信息。

在一个可选的实施方式中，若多个全连接模块包括：第一全连接模块和第二全连接模块；那么步骤S2044，利用所述全连接网络中的多个全连接模块对所述第三特征信息进行全连接处理，得到所述年龄信息包括：

通过所述第一全连接模块对所述第三特征信息进行全连接处理，得到第一特征向量；通过所述第二全连接模块对所述第一特征向量进行全连接处理，得到第二特征向量，并将所述第二特征向量确定为所述年龄信息。

通过上述描述可知，针对现有的年龄估计模型运算需求量大的技术问题，本申请提出了一种年龄的估计方法，在该估计方法中，通过年龄估计网络实现待识别对象的年龄估计。相对于传统的年龄估计模型，该年龄估计网络的结构简单，例如，如图6所示的结构图，该年龄估计网络中包括5个卷积模块和2个全连接模块，该年龄估计网络的参数只有36377个，且模型的存储需求只有197KB，可以适合于任何的移动端和车载设备。

除此之外，通过上述描述可知，发明人想到利用MobileNets模型和ShuffleNets模型解决现有的年龄估计网络的运算需求量大的技术问题，但是，在MobileNets模型和ShuffleNets模型中，包含可分离性卷积，这就导致MobileNets模型和ShuffleNets模型在对图像进行处理的过程中导致图像表征能力不够。然而，在本申请中，所使用的卷积模块为普通的卷积层，并没有使用常用的可分离性卷积，而是采用3*3的标准卷积操作，因此本申请所提供的年龄估计网络不仅解决了现有技术中存在的技术问题，还解决了MobileNets模型和ShuffleNets模型在对图像进行处理的过程中导致图像表征能力不够的问题。另外，本申请所提供的年龄估计网络中去掉了ResNet模块，因为在浅层网络中，ResNet模块几乎起不到作用。基于此，发明人进行了验证。

具体验证过程为：本发明提出采用小尺度的图片作为输入，采用浅层模型进行训练学习。首先，在基础模型方面，与ShuffleNet-V2和MobileNet-V2在三个不同的数据集上IMDB、WIKI、MORPH II进行了比较，本申请所提供的年龄估计网络在参数和存储需求上更小，且效果更佳。其次，本申请所提供的年龄估计网络的泛化能力更强，训练和测试损失曲线的差距最小。最后，ResNet模块在浅层网络中几乎起不到作用，进一步验证了发明人的假设。具体对比结果如图7所示，图7中曲线1和曲线2分别代表训练和测试损失。

经过图7的分析可知，对于小尺度图像来说，深度模型往往比较浅层，残差模块并不是必备的，至少在年龄估计的三个数据集上没有体现出优势。

实施例3：

本发明实施例还提供了一种年龄的估计装置，该年龄的估计装置主要用于执行本发明实施例上述内容所提供的年龄的估计方法，以下对本发明实施例提供的年龄的估计装置做具体介绍。

图8是根据本发明实施例的一种年龄的估计装置的示意图，如图8所示，该年龄的估计装置主要包括获取单元10和确定单元20其中：

获取单元10，用于获取待处理图像，其中，所述待处理图像中包含待识别对象，且所述待处理图像的尺度小于预设尺度；

确定单元20，用于利用年龄估计网络确定所述待处理图像中待识别对象的年龄信息，其中，所述年龄估计网络包括：卷积网络和全连接网络，所述卷积网络和所述全连接网络相连接，所述卷积网络中包括多个卷积模块，所述全连接网络中包括多个全连接模块。

在本发明实施例中，首先，获取待处理图像，其中，该待处理图像中包含待识别对象；然后，利用年龄估计网络确定待处理图像中待识别对象的年龄信息。在本实施例中，年龄估计网络中包括卷积网络和全连接网络，该卷积网络包括多个卷积模块，该全连接网络中包括多个全连接模块。相对于现有的年龄估计模型，本申请所使用年龄估计模型结构简单，所需求的运算量小，且能够满足实际应用需要，进而缓解了现有的年龄估计模型运算量大导致的现有的年龄估计模型难以满足实际应用需求的技术问题。

可选地，多个所述卷积模块包括：第一卷积模块，第二卷积模块和第三卷积模块；所述第一卷积模块、所述第二卷积模块和所述第三卷积模块依次连接；且所述第一卷积模块、所述第二卷积模块和所述第三卷积模块中的每个卷积模块包括以下至少之一：卷积层、批量归一化层、激活函数层和均值池化层。

可选地，确定单元20包括：第一确定模块，用于利用所述第一卷积模块对所述待处理图像进行处理，得到第一特征信息；第二确定模块，用于利用所述第二卷积模块对所述第一特征信息进行处理，得到第二特征信息；第三确定模块，用于利用所述第三卷积模块对所述第二特征信息进行处理，得到第三特征信息；第四确定模块，用于利用所述全连接网络中的多个全连接模块对所述第三特征信息进行全连接处理，得到所述年龄信息。

可选地，所述第一卷积模块包括多个依次连接的第一卷积子模块；第一确定模块用于：利用多个所述第一卷积子模块对待处理数据进行处理，得到所述第一特征信息；其中，若所述第一卷积子模块为多个所述第一卷积子模块中的第一个子模块，则所述待处理数据为所述待处理图像；若所述第一卷积子模块为多个所述第一卷积子模块中除第一个子模块之外的其他子模块，则所述待处理数据为所述第一卷积子模块的上一个卷积子模块的处理结果。

可选地，所述第一卷积子模块包括依次连接的：卷积层、批量归一化层、激活函数层和均值池化层；第一确定模块还用于：通过所述第一卷积子模块中的卷积层对所述所述待处理数据进行卷积计算，得到第一卷积计算结果；通过所述第一卷积子模块中的批量归一化层对所述第一卷积计算结果进行归一化处理，得到第一归一化结果；通过所述第一卷积子模块中的激活函数层对所述第一归一化结果进行非线性处理，得到第一非线性处理结果；通过所述第一卷积子模块中的均值池化层对所述第一非线性处理结果进行池化处理，得到当前第一卷积子模块的处理结果。

可选地所述第一卷积模块中包括3个依次连接的第一卷积子模块，且每个第一卷积子模块均包括次连接的：卷积层、批量归一化层、激活函数层和均值池化层。

可选地，所述第二卷积模块包括依次连接的：卷积层、批量归一化层和激活函数层；第二确定模块用于：通过所述第二卷积子模块中的卷积层对所述所述第一特征信息进行卷积计算，得到第二卷积计算结果；通过所述第二卷积子模块中的批量归一化层对所述第二卷积计算结果进行归一化处理，得到第二归一化结果；通过所述第二卷积子模块中的激活函数层对所述第二归一化结果进行非线性处理，得到所述第二特征信息。

可选地，所述第三卷积模块包括卷积层；第三确定模块用于：通过所述第三卷积子模块中的卷积层对所述所述第二特征信息进行卷积计算，得到第三卷积计算结果；对所述第三卷积计算结果进行拉伸处理，得到所述第三特征信息。

可选地，所述多个全连接模块包括：第一全连接模块和第二全连接模块；第四确定模块用于：通过所述第一全连接模块对所述第三特征信息进行全连接处理，得到第一特征向量；通过所述第二全连接模块对所述第一特征向量进行全连接处理，得到第二特征向量，并将所述第二特征向量确定为所述年龄信息。

可选地，获取单元用于：在获取到原始图像之后，判断所原始图像的尺度是否大于预设尺度；若判断出所述原始图像的尺度大于所述预设尺度，则缩小所述原始图像的尺度，直至所述原始的尺度为所述预设尺度，并将缩小至所述预设尺度的原始图像作为所述待处理图像；若判断出所述待处理图像的尺度小于所述预设尺度，则将所述原始图像确定为所述待处理图像；或者，增大所述原始图像的尺度，直至所述原始的尺度为所述预设尺度，并将增大至所述预设尺度的原始图像作为所述待处理图像。

本申请还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述方法实施例中任一项所述的方法。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元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连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元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单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的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-Only Memory)、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。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (13)

1.一种年龄的估计方法，其特征在于，包括：

获取待处理图像，其中，所述待处理图像中包含待识别对象，且所述待处理图像的尺度小于预设尺度；

利用年龄估计网络确定所述待处理图像中待识别对象的年龄信息，其中，所述年龄估计网络包括：卷积网络和全连接网络，所述卷积网络和所述全连接网络相连接，所述卷积网络中包括多个卷积模块，所述全连接网络中包括多个全连接模块。

2.根据权利要求1所述的方法，其特征在于，多个所述卷积模块包括：第一卷积模块，第二卷积模块和第三卷积模块；所述第一卷积模块、所述第二卷积模块和所述第三卷积模块依次连接；且所述第一卷积模块、所述第二卷积模块和所述第三卷积模块中的每个卷积模块包括以下至少之一：卷积层、批量归一化层、激活函数层和均值池化层。

3.根据权利要求2所述的方法，其特征在于，利用年龄估计网络确定所述待处理图像中待识别对象的年龄信息包括：

利用所述第一卷积模块对所述待处理图像进行处理，得到第一特征信息；

利用所述第二卷积模块对所述第一特征信息进行处理，得到第二特征信息；

利用所述第三卷积模块对所述第二特征信息进行处理，得到第三特征信息；

利用所述全连接网络中的多个全连接模块对所述第三特征信息进行全连接处理，得到所述年龄信息。

4.根据权利要求3所述的方法，其特征在于，所述第一卷积模块包括多个依次连接的第一卷积子模块；利用所述第一卷积模块对所述待处理图像进行处理包括：

利用多个所述第一卷积子模块对待处理数据进行处理，得到所述第一特征信息；

其中，若所述第一卷积子模块为多个所述第一卷积子模块中的第一个子模块，则所述待处理数据为所述待处理图像；若所述第一卷积子模块为多个所述第一卷积子模块中除第一个子模块之外的其他子模块，则所述待处理数据为所述第一卷积子模块的上一个卷积子模块的处理结果。

5.根据权利要求4所述的方法，其特征在于，所述第一卷积子模块包括依次连接的：卷积层、批量归一化层、激活函数层和均值池化层；

利用所述第一卷积子模块对待处理数据进行处理包括：

通过所述第一卷积子模块中的卷积层对所述所述待处理数据进行卷积计算，得到第一卷积计算结果；

通过所述第一卷积子模块中的批量归一化层对所述第一卷积计算结果进行归一化处理，得到第一归一化结果；

通过所述第一卷积子模块中的激活函数层对所述第一归一化结果进行非线性处理，得到第一非线性处理结果；

通过所述第一卷积子模块中的均值池化层对所述第一非线性处理结果进行池化处理，得到当前第一卷积子模块的处理结果。

6.根据权利要求4或5所述的方法，其特征在于，所述第一卷积模块中包括3个依次连接的第一卷积子模块，且每个第一卷积子模块均包括次连接的：卷积层、批量归一化层、激活函数层和均值池化层。

7.根据权利要求3所述的方法，其特征在于，所述第二卷积模块包括依次连接的：卷积层、批量归一化层和激活函数层；

利用所述第二卷积模块对所述第一特征信息进行处理，得到第二特征信息包括：

通过所述第二卷积子模块中的卷积层对所述所述第一特征信息进行卷积计算，得到第二卷积计算结果；

通过所述第二卷积子模块中的批量归一化层对所述第二卷积计算结果进行归一化处理，得到第二归一化结果；

通过所述第二卷积子模块中的激活函数层对所述第二归一化结果进行非线性处理，得到所述第二特征信息。

8.根据权利要求3所述的方法，其特征在于，所述第三卷积模块包括卷积层；

利用所述第三卷积模块对所述第二特征信息进行处理，得到第三特征信息包括：

通过所述第三卷积子模块中的卷积层对所述所述第二特征信息进行卷积计算，得到第三卷积计算结果；

对所述第三卷积计算结果进行拉伸处理，得到所述第三特征信息。

9.根据权利要求3所述的方法，其特征在于，所述多个全连接模块包括：第一全连接模块和第二全连接模块；

利用所述全连接网络中的多个全连接模块对所述第三特征信息进行全连接处理，得到所述年龄信息包括：

通过所述第一全连接模块对所述第三特征信息进行全连接处理，得到第一特征向量；

通过所述第二全连接模块对所述第一特征向量进行全连接处理，得到第二特征向量，并将所述第二特征向量确定为所述年龄信息。

10.根据权利要求1所述的方法，其特征在于，获取待处理图像包括：

在获取到原始图像之后，判断所原始图像的尺度是否大于预设尺度；

若判断出所述原始图像的尺度大于所述预设尺度，则缩小所述原始图像的尺度，直至所述原始的尺度为所述预设尺度，并将缩小至所述预设尺度的原始图像作为所述待处理图像；

若判断出所述待处理图像的尺度小于所述预设尺度，则将所述原始图像确定为所述待处理图像；或者，增大所述原始图像的尺度，直至所述原始的尺度为所述预设尺度，并将增大至所述预设尺度的原始图像作为所述待处理图像。

11.一种年龄的估计装置，其特征在于，包括：

获取单元，用于获取待处理图像，其中，所述待处理图像中包含待识别对象，且所述待处理图像的尺度小于预设尺度；

确定单元，用于利用年龄估计网络确定所述待处理图像中待识别对象的年龄信息，其中，所述年龄估计网络包括：卷积网络和全连接网络，所述卷积网络和所述全连接网络相连接，所述卷积网络中包括多个卷积模块，所述全连接网络中包括多个全连接模块。

12.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至10中任一项所述的方法。

13.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行上述权利要求1至10中任一项所述的方法。