CN110135313A - 一种基于卷积神经网络的年龄判断方法 - Google Patents

一种基于卷积神经网络的年龄判断方法 Download PDF

Info

Publication number
CN110135313A
CN110135313A CN201910373768.6A CN201910373768A CN110135313A CN 110135313 A CN110135313 A CN 110135313A CN 201910373768 A CN201910373768 A CN 201910373768A CN 110135313 A CN110135313 A CN 110135313A
Authority
CN
China
Prior art keywords
neural networks
convolutional neural
age estimation
method based
estimation method
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
Application number
CN201910373768.6A
Other languages
English (en)
Inventor
张刚
祝超
黄龙
刘海君
冯萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Muge Network Technology Co Ltd
Original Assignee
Xi'an Muge Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an Muge Network Technology Co Ltd filed Critical Xi'an Muge Network Technology Co Ltd
Priority to CN201910373768.6A priority Critical patent/CN110135313A/zh
Publication of CN110135313A publication Critical patent/CN110135313A/zh
Pending legal-status Critical Current

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
    • 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)
  • 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)

Abstract

本发明涉及一种基于卷积神经网络的年龄判断方法，包括S1，输入原始简历头像数据集，对所述原始简历头像图片进行预处理；S2，训练数据集，对所述原始简历头像图片进行随机裁剪处理，再用随机裁剪好的图像建立样本库，训练卷积神经网络；S3，测试数据集，验证测试过程中通过原始简历头像图片的四个角加人脸中心为基点进行定位裁剪，对测试数据集进行年龄判断的准确率测试；S4，结果预测集，利用测试数据集优化训练好的卷积神经网络模型对输入的若干张图片进行预测，最后对预测结果进行平均。本发明可以更深度提取人脸的技术特征，提高识别精度；对网络输入的数据样本具有泛化性，能够适应光照、阴影、遮挡等不确定因素的影响。

Description

一种基于卷积神经网络的年龄判断方法
技术领域
本发明涉及一种基于卷积神经网络的年龄判断方法，属于年龄判断领域。
背景技术
年龄信息作为人类的一种重要生物特征，在人机交互领域中有众多的应用需求，而且对人脸识别系统的性能评估有着重要影响。公司后台系统收到用户填写的简历时，部分用户上传简历照片后缺失年龄和性别信息，需要系统根据简历图像补充性别和年龄范围。传统的年龄判断方法是基于计算面部特征测量值之间的比率，根据不同的年龄类别分类，首先定位面部特征(例如眼睛、鼻子、嘴，下巴等)，测量尺寸和距离随之发生变化，这就导致计算结果容易出现比较大的相对误差。基于神经网络的年龄判断是指应用计算机技术对人脸图像随年龄变化的规律进行建模，通常表现在皮肤纹理、皮肤颜色、光亮程度、和皱纹纹理等方面，从而使机器能够根据面部图像推测出人的大概年龄或所属的年龄范围。如果基于神经网络的年龄估计问题得到解决，那么在日常生活中一定会有广泛的市场应用。例如，根据人脸图像特征进行神经网络年龄判别可以填补企业用户的空白数据信息，为应用客户数据进行分析提供了良好的保障。
发明内容
本发明是为解决现有技术中的问题而提出的，其目的在于，提供一种可以更深度提取人脸的面部特征的技术，将传统的底层信息进行融合为高层信息，提高识别精度从而得出年龄判断结果的基于卷积神经网络的年龄判断方法。
本发明提供一种基于卷积神经网络的年龄判断方法，包括以下步骤：
S1：输入原始简历头像数据集，对所述原始简历头像图片进行预处理，将原始简历头像图片统一缩放到256*256；
S2:训练数据集，对所述原始简历头像图片进行随机裁剪处理，随机裁剪后的图像大小为227*227，再用随机裁剪好的图像建立样本库，训练卷积神经网络；
S3：测试数据集，验证测试过程中通过原始简历头像图片的四个角加人脸中心为基点进行定位裁剪，对测试数据集进行年龄判断的准确率测试；
S4：结果预测集，利用测试数据集优化训练好的卷积神经网络模型对输入的若干张图片进行预测，最后对预测结果进行平均。
优选的，所述输入原始简历头像数据集的权重初始化方法采用高斯正态分布。
优选的，所述训练数据集采用dropout，用来限制过拟合；所述训练数据集还包括数据扩充，数据扩充是通过对输入的原始简历头像图片以人脸中心为基点进行随机裁剪。
进一步的，所述高斯正态分布的标准差为0.01，均值为0。
进一步的，所述dropout的比例采用0.5。
优选的，所述训练数据集采用的训练方法为随机梯度下降法。
进一步的，所述梯度下降法的min-batch的大小为50，学习率大小为0.001。
优选的，所述卷积神经网络模型结构包括3个卷积层和两个全连接层；卷积层1采用96个卷积核，每个卷积核大小为3*7*7，用来提取简历头像图片的图像特征；卷积层2选择256个滤波器，滤波器大小为5*5，卷积步长为1；卷积层3选择384个滤波器，卷积核大小为3*3；全连接层1选择512个神经元；全连接层2选择512个神经元。
进一步的，所述卷积神经网络模型结构的每个卷积层后面均设置有一个池化层，所述池化层均采用最大重叠池化，所述池化为3*3的步长为2的最大池化操作。
更进一步的，所述卷积神经网络模型结构的卷积层1下还设置有局部响应归一化层，对输入图像数据格式为RGB3通道的彩色图像进行归一化处理，得到输入卷积层2中的参数为96*28*28的单通道图像。
本发明提出的一种基于卷积神经网络的年龄判断方法相对于现有技术的有益效果在于，采用的网络架构简单，通过将年龄回归问题看做是分类和softmax期望结合的问题；采用深度提取人脸特征的技术，可以对底层信息进行融合得到高层信息，提高识别精度，得出更准确的年龄判断结果；本发明的方法对网络输入的数据样本具有泛化性，能够适应光照、阴影、遮挡等不确定因素的影响。
附图说明
图1是本发明方法的流程图；
图2是本发明方法的卷积神经网络的网络结构图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种基于卷积神经网络的年龄判断方法作进一步详细说明，从而使本发明的目的、技术方案及有益效果更加清楚明白，但不能以此限定本发明的保护范围。
如图1所示，本发明提供一种基于卷积神经网络的年龄判断方法，包括以下步骤：
S1：输入原始简历头像数据集，对原始简历头像图片进行预处理，将原始RGB3通道简历头像图片统一缩放到256*256；输入原始简历头像数据集的权重初始化方法采用高斯正态分布；其中，高斯正态分布的标准差为0.01，均值为0。
S2:训练数据集，对原始简历头像图片进行随机裁剪处理，随机裁剪后的图像大小为227*227，再用随机裁剪好的图像建立样本库，训练卷积神经网络；训练数据集采用dropout，用来限制过拟合，dropout的比例采用0.5；训练数据集还包括数据扩充，数据扩充是通过对输入的原始简历头像图片以人脸中心为基点进行随机裁剪；训练数据集采用的训练方法为随机梯度下降法，梯度下降法的min-batch的大小为50，学习率大小为0.001，当迭代到10000次以后，把学习率大小调为0.0001。
S3：测试数据集，验证测试过程中通过原始简历头像图片的四个角加人脸中心为基点进行定位裁剪，对测试数据集进行年龄判断的准确率测试；
S4：结果预测集，利用测试数据集优化训练好的卷积神经网络模型对输入的若干张图片进行预测，最后对预测结果进行平均；预测方法采用输入五张256*256大小的图片，然后对五张图片进行裁剪，裁剪完后的图片大小为227*227，其中四张图片的裁剪采用以256*256的图片的四个角为基点进行裁剪，第五张图片以人脸的中心为基点进行裁剪，然后对这五张图片进行预测，最后对预测的结果进行平均。
如图2所示，卷积神经网络模型结构包括3个卷积层和两个全连接层；卷积层1采用96个卷积核，每个卷积核大小为3*7*7，用来提取简历头像图片的图像特征；卷积层2选择256个滤波器，滤波器大小为5*5，卷积步长为1；卷积层3选择384个滤波器，卷积核大小为3*3；卷积神经网络模型结构的卷积层1下还设置有局部响应归一化层，对输入图像数据格式为RGB3通道的大小为227*227的彩色图像进行归一化处理，得到输入卷积层2中的参数为96*28*28的单通道图像；每个卷积层后面均设置有一个池化层，池化层均采用最大重叠池化，池化为3*3的步长为2的最大池化操作。全连接层1选择512个神经元；全连接层2选择512个神经元。
最后应说明的是，以上实施方式仅是本发明的最佳技术方案，但本领域的普通技术人员应当理解，一切不脱离本发明的精神和范围的技术方案及其改进，均应涵盖在本发明的覆盖范围中。

Claims (10)

1.一种基于卷积神经网络的年龄判断方法，其特征在于，包括以下步骤：
S1：输入原始简历头像数据集，对所述原始简历头像图片进行预处理，将原始简历头像图片统一缩放到256*256；
S2:训练数据集，对所述原始简历头像图片进行随机裁剪处理，随机裁剪后的图像大小为227*227，再用随机裁剪好的图像建立样本库，训练卷积神经网络；
S3：测试数据集，验证测试过程中通过原始简历头像图片的四个角加人脸中心为基点进行定位裁剪，对测试数据集进行年龄判断的准确率测试；
S4：结果预测集，利用测试数据集优化训练好的卷积神经网络模型对输入的若干张图片进行预测，最后对预测结果进行平均。
2.根据权利要求1所述的一种基于卷积神经网络的年龄判断方法，其特征在于，所述输入原始简历头像数据集的权重初始化方法采用高斯正态分布。
3.根据权利要求1所述的一种基于卷积神经网络的年龄判断方法，其特征在于，所述训练数据集采用dropout，用来限制过拟合；所述训练数据集还包括数据扩充，数据扩充是通过对输入的原始简历头像图片以人脸中心为基点进行随机裁剪。
4.根据权利要求1或2所述的一种基于卷积神经网络的年龄判断方法，其特征在于，所述高斯正态分布的标准差为0.01，均值为0。
5.根据权利要求1或3所述的一种基于卷积神经网络的年龄判断方法，其特征在于，所述dropout的比例采用0.5。
6.根据权利要求1或3所述的一种基于卷积神经网络的年龄判断方法，其特征在于，所述训练数据集采用的训练方法为随机梯度下降法。
7.根据权利要求6所述的一种基于卷积神经网络的年龄判断方法，其特征在于，所述梯度下降法的min-batch的大小为50，学习率大小为0.001。
8.根据权利要求1所述的一种基于卷积神经网络的年龄判断方法，其特征在于，所述卷积神经网络模型结构包括3个卷积层和两个全连接层；卷积层1采用96个卷积核，每个卷积核大小为3*7*7，用来提取简历头像图片的图像特征；卷积层2选择256个滤波器，滤波器大小为5*5，卷积步长为1；卷积层3选择384个滤波器，卷积核大小为3*3；全连接层1选择512个神经元；全连接层2选择512个神经元。
9.根据权利要求1或8所述的一种基于卷积神经网络的年龄判断方法，其特征在于，所述卷积神经网络模型结构的每个卷积层后面均设置有一个池化层，所述池化层均采用最大重叠池化，所述池化为3*3的步长为2的最大池化操作。
10.根据权利要求1或8所述的一种基于卷积神经网络的年龄判断方法，其特征在于，所述卷积神经网络模型结构的卷积层1下还设置有局部响应归一化层，对输入图像数据格式为RGB3通道的彩色图像进行归一化处理，得到输入卷积层2中的参数为96*28*28的单通道图像。
CN201910373768.6A 2019-05-07 2019-05-07 一种基于卷积神经网络的年龄判断方法 Pending CN110135313A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910373768.6A CN110135313A (zh) 2019-05-07 2019-05-07 一种基于卷积神经网络的年龄判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910373768.6A CN110135313A (zh) 2019-05-07 2019-05-07 一种基于卷积神经网络的年龄判断方法

Publications (1)

Publication Number Publication Date
CN110135313A true CN110135313A (zh) 2019-08-16

Family

ID=67576442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910373768.6A Pending CN110135313A (zh) 2019-05-07 2019-05-07 一种基于卷积神经网络的年龄判断方法

Country Status (1)

Country Link
CN (1) CN110135313A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241907A (zh) * 2019-11-26 2020-06-05 暨南大学 幼禽孵化期生物特征预测装置及方法
CN112069895A (zh) * 2020-08-03 2020-12-11 广州杰赛科技股份有限公司 一种小目标的人脸识别方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335712A (zh) * 2015-10-26 2016-02-17 小米科技有限责任公司 图像识别方法、装置及终端
CN107545245A (zh) * 2017-08-14 2018-01-05 中国科学院半导体研究所 一种年龄估计方法及设备
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
US20180150684A1 (en) * 2016-11-30 2018-05-31 Shenzhen AltumView Technology Co., Ltd. Age and gender estimation using small-scale convolutional neural network (cnn) modules for embedded systems
CN108171209A (zh) * 2018-01-18 2018-06-15 中科视拓（北京）科技有限公司 一种基于卷积神经网络进行度量学习的人脸年龄估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335712A (zh) * 2015-10-26 2016-02-17 小米科技有限责任公司 图像识别方法、装置及终端
US20180150684A1 (en) * 2016-11-30 2018-05-31 Shenzhen AltumView Technology Co., Ltd. Age and gender estimation using small-scale convolutional neural network (cnn) modules for embedded systems
CN107545245A (zh) * 2017-08-14 2018-01-05 中国科学院半导体研究所 一种年龄估计方法及设备
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
CN108171209A (zh) * 2018-01-18 2018-06-15 中科视拓（北京）科技有限公司 一种基于卷积神经网络进行度量学习的人脸年龄估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GIL LEVI等: "Age and Gender Classification Using Convolutional Neural Networks", 《2015 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS (CVPRW)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241907A (zh) * 2019-11-26 2020-06-05 暨南大学 幼禽孵化期生物特征预测装置及方法
CN111241907B (zh) * 2019-11-26 2023-04-28 暨南大学 幼禽孵化期生物特征预测装置及方法
CN112069895A (zh) * 2020-08-03 2020-12-11 广州杰赛科技股份有限公司 一种小目标的人脸识别方法及装置

Similar Documents

Publication Publication Date Title
CN108806792B (zh) 深度学习面诊系统
CN113344849B (zh) 一种基于YOLOv5的微乳头检测系统
CN109146856A (zh) 图像质量评定方法、装置、计算机设备及存储介质
CN106951825A (zh) 一种人脸图像质量评估系统以及实现方法
CN108229296A (zh) 人脸皮肤属性识别方法和装置、电子设备、存储介质
CN105512624A (zh) 一种人脸图像的笑脸识别方法及其装置
CN109376636A (zh) 基于胶囊网络的眼底视网膜图像分类方法
CN108171209A (zh) 一种基于卷积神经网络进行度量学习的人脸年龄估计方法
CN110781829A (zh) 一种轻量级深度学习的智慧营业厅人脸识别方法
CN111291604A (zh) 面部属性识别方法、装置、存储介质及处理器
CN106295506A (zh) 一种基于集成卷积神经网络的年龄识别方法
CN109165674A (zh) 一种基于多标签深度卷积网络的证件照分类方法
CN104143079A (zh) 人脸属性识别的方法和系统
CN106326857A (zh) 基于人脸图像的性别识别方法及装置
CN106778468A (zh) 3d人脸识别方法及设备
CN107590478A (zh) 一种基于深度学习的年龄估计方法
CN110097090A (zh) 一种基于多尺度特征融合的图像细粒度识别方法
CN109598234A (zh) 关键点检测方法和装置
CN109389045A (zh) 基于混合时空卷积模型的微表情识别方法与装置
CN110020582A (zh) 基于深度学习的人脸情绪识别方法、装置、设备及介质
CN108492301A (zh) 一种场景分割方法、终端及存储介质
CN110458140A (zh) 基于表情识别的网点满意度评价方法和装置
CN110189305A (zh) 一种多任务舌象自动分析方法
CN110096991A (zh) 一种基于卷积神经网络的手语识别方法
CN110135313A (zh) 一种基于卷积神经网络的年龄判断方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190816