CN110399813A - 一种年龄识别方法、装置、电子设备及存储介质 - Google Patents
一种年龄识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110399813A CN110399813A CN201910619972.1A CN201910619972A CN110399813A CN 110399813 A CN110399813 A CN 110399813A CN 201910619972 A CN201910619972 A CN 201910619972A CN 110399813 A CN110399813 A CN 110399813A
- Authority
- CN
- China
- Prior art keywords
- age
- section
- facial image
- range
- face sample
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种年龄识别方法、装置、电子设备及存储介质,所述方法包括:将待识别的人脸图像输入到预先训练完成的年龄区间分类模型中,得到所述人脸图像对应的目标年龄区间,其中所述年龄区间分类模型对应的每个年龄区间不重合;将所述人脸图像输入到预先训练完成的区间年龄识别模型,得到所述人脸图像对应的区间年龄标识,所述区间年龄标识用于指示所述人脸图像对应的年龄在所述人脸图像对应的年龄区间中的位置;根据所述人脸图像对应的目标年龄区间和区间年龄标识,确定所述人脸图像对应的目标年龄。用以避免对年龄进行直接识别,降低年龄识别的维度,提高年龄识别速度和年龄识别的准确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种年龄识别方法、装置、电子设备及存储介质。
背景技术
人脸识别,是基于人的脸部特征信息进行身份等识别的一种生物识别技术,通常也叫做人像识别、面部识别。目前通过人工智能实现人脸识别,在门禁、安检、考勤、政务、信息推送等领域有着广泛的应用。例如:人脸识别防盗门、人脸识别政务办理系统等。并且随着人脸识别技术的不断发展和完善,对人脸属性的识别需求也越来越高,尤其是对人脸的年龄识别。
现有年龄识别技术中,通常是为训练集中每个人脸样本图像添加对应的年龄标签,训练年龄识别模型,基于训练完成的年龄识别模型实现年龄识别。但是,由于年龄分布范围较广,年龄识别模型需要识别的年龄维度较多,导致通过年龄识别模型进行年龄识别时速度较慢,年龄识别的准确度低。
发明内容
本发明提供一种年龄识别方法、装置、电子设备及存储介质,用以解决现有技术中存在年龄识别速度慢、准确度低的问题。
第一方面,本发明公开了一种年龄识别方法,所述方法包括:
将待识别的人脸图像输入到预先训练完成的年龄区间分类模型中,得到所述人脸图像对应的目标年龄区间,其中所述年龄区间分类模型对应的每个年龄区间不重合;
将所述人脸图像输入到预先训练完成的区间年龄识别模型,得到所述人脸图像对应的区间年龄标识,所述区间年龄标识用于指示所述人脸图像对应的年龄在所述人脸图像对应的年龄区间中的位置;
根据所述人脸图像对应的目标年龄区间和区间年龄标识,确定所述人脸图像对应的目标年龄。
在一个可选的设计中,所述年龄区间分类模型的训练过程包括:
针对第一训练集中每个第一人脸样本图像,根据所述第一人脸样本图像对应的年龄区间,为所述第一人脸样本图像添加年龄区间标签;
将添加年龄区间标签的每个第一人脸样本图像输入到年龄区间分类模型中,对所述年龄区间分类模型进行训练。
在一个可选的设计中,所述区间年龄识别模型的训练过程包括:
针对第二训练集中每个第二人脸样本图像,根据所述第二人脸样本图像对应的年龄在对应的年龄区间中的位置,为所述第二人脸样本图像添加区间年龄标识;
将添加区间年龄标识的每个第二人脸样本图像输入到区间年龄识别模型,对区间年龄识别模型进行训练。
第二方面,本发明公开了一种年龄识别装置,所述装置包括:
第一识别模块,用于将待识别的人脸图像输入到预先训练完成的年龄区间分类模型中,得到所述人脸图像对应的目标年龄区间,其中所述年龄区间分类模型对应的每个年龄区间不重合;
第二识别模块,用于将所述人脸图像输入到预先训练完成的区间年龄识别模型,得到所述人脸图像对应的区间年龄标识,所述区间年龄标识用于指示所述人脸图像对应的年龄在所述人脸图像对应的年龄区间中的位置;
确定模块,用于根据所述人脸图像对应的目标年龄区间和区间年龄标识,确定所述人脸图像对应的目标年龄。
在一个可选的设计中,所述装置还包括:
第一训练模块,用于针对第一训练集中每个第一人脸样本图像,根据所述第一人脸样本图像对应的年龄区间,为所述第一人脸样本图像添加年龄区间标签;将添加年龄区间标签的每个第一人脸样本图像输入到年龄区间分类模型中,对所述年龄区间分类模型进行训练。
在一个可选的设计中,所述装置还包括:
第二训练模块,用于针对第二训练集中每个第二人脸样本图像,根据所述第二人脸样本图像对应的年龄在对应的年龄区间中的位置,为所述第二人脸样本图像添加区间年龄标识;将添加区间年龄标识的每个第二人脸样本图像输入到区间年龄识别模型,对区间年龄识别模型进行训练。
第三方面,本发明公开了一种电子设备,包括:存储器和处理器;
所述处理器,用于读取存储器中的程序,执行下列过程:将待识别的人脸图像输入到预先训练完成的年龄区间分类模型中,得到所述人脸图像对应的目标年龄区间,其中所述年龄区间分类模型对应的每个年龄区间不重合;将所述人脸图像输入到预先训练完成的区间年龄识别模型,得到所述人脸图像对应的区间年龄标识,所述区间年龄标识用于指示所述人脸图像对应的年龄在所述人脸图像对应的年龄区间中的位置;根据所述人脸图像对应的目标年龄区间和区间年龄标识,确定所述人脸图像对应的目标年龄。
在一个可选的设计中,所述处理器,还用于针对第一训练集中每个第一人脸样本图像,根据所述第一人脸样本图像对应的年龄区间,为所述第一人脸样本图像添加年龄区间标签;将添加年龄区间标签的每个第一人脸样本图像输入到年龄区间分类模型中,对所述年龄区间分类模型进行训练。
在一个可选的设计中,所述处理器,还用于针对第二训练集中每个第二人脸样本图像,根据所述第二人脸样本图像对应的年龄在对应的年龄区间中的位置,为所述第二人脸样本图像添加区间年龄标识;将添加区间年龄标识的每个第二人脸样本图像输入到区间年龄识别模型,对区间年龄识别模型进行训练。
第四方面,本发明公开了一种计算机可读存储介质,其存储有可由电子设备执行的计算机程序,当所述程序在电子设备上运行时,使得所述电子设备执行上述第一方面或第一方面的任一种可选的设计中所述的方法。
本发明有益效果如下:
由于在本发明实施例中,将待识别的人脸图像输入到预先训练完成的年龄区间分类模型中,得到人脸图像对应的目标年龄区间,将人脸图像输入到预先训练完成的区间年龄识别模型,得到人脸图像对应的年龄在人脸图像对应的年龄区间中的位置,进而根据人脸图像对应的目标年龄区间和人脸图像对应的年龄在人脸图像对应的年龄区间中的位置,确定人脸图像对应的目标年龄。从人脸图像对应的年龄区间和对应的年龄在年龄区间中的位置,进行年龄的识别无需直接识别具体的年龄,降低了年龄识别的维度,提高了年龄识别速度和年龄识别的准确度。
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,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为本发明实施例提供的一种年龄识别过程示意图;
图2为本发明实施例提供的一种年龄识别装置结构示意图;
图3为本发明实施例提供的一种电子设备结构示意图之一;
图4为本发明实施例提供的一种电子设备结构示意图之二。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明的一部分实施例,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1:
图1为本发明实施例提供的一种年龄识别过程示意图,该过程包括:
S101:将待识别的人脸图像输入到预先训练完成的年龄区间分类模型中,得到所述人脸图像对应的目标年龄区间,其中所述年龄区间分类模型对应的每个年龄区间不重合。
本发明实施例提供的年龄识别方法应用于电子设备,该电子设备可以是手机、平板电脑、个人电脑、服务器等设备。
具体的,在本发明实施例中,预先设置有年龄区间,并且预先设置的每个年龄区间不重合。其中,每个年龄区间的区间长度可以相同,也可以不同,具体可以根据年龄识别的需求进行设置。以年龄识别的精度为整周岁、需要的年龄识别范围为0-119(周岁)为例,预先设置的年龄区间可以为:年龄区间A[0,9]、年龄区间B[10,19]、年龄区间C[20,29]、年龄区间D[30,39]、年龄区间E[40,49]、年龄区间F[50,59]、年龄区间G[60,69]、年龄区间H[70,79]、年龄区间I[80,89]、年龄区间J[90,99]、年龄区间K[100,109]、年龄区间L[110,119]。
另外,在本发明实施例中,预先对年龄区间分类模型进行训练,并且在对年龄区间分类模型进行训练时,也是根据每个人脸样本图像对应的年龄区间,对年龄区间分类模型训练完成的。在进行年龄识别时,训练完成的年龄区间分类模型可以根据输入的待识别的人脸的图像,输出待识别的人脸图像对应的年龄区间。
S102:将所述人脸图像输入到预先训练完成的区间年龄识别模型,得到所述人脸图像对应的区间年龄标识,所述区间年龄标识用于指示所述人脸图像对应的年龄在所述人脸图像对应的年龄区间中的位置。
在本发明实施例中,还预先训练有区间年龄识别模型,其中,区间年龄识别模型对应的每个年龄区间与年龄区间分类模型对应的每个年龄区间相同。在对区间年龄识别模型进行训练时,是根据每个人脸样本图像对应的年龄在对应的年龄区间中的位置,对区间年龄识别模型进行训练的。训练完成的区间年龄识别模型,可以根据输入的待识别的人脸图像,输出用以指示待识别的人脸图像对应的年龄在其对应的年龄区间中的位置的区间年龄标识。
仍以上述年龄识别的精度为整周岁、需要的年龄识别范围为0-119(周岁)、预先设置的年龄区间为年龄区间A[0,9]、年龄区间B[10,19]……年龄区间L[110,119]为例。可以将年龄区间中每个年龄在年龄区间中所有年龄按照由小到大排列中的位置,作为该年龄在年龄区间中的位置。以年龄区间B[10,19]为例,年龄区间B中的年龄按照由小到达的顺序依次为10、11、12、13、14、15、16、17、18、19,年龄“13”在年龄区间B中所有年龄按照由小到大排列中的位置为第四个年龄,则确定年龄“13”在年龄区间B[10,19]中的位置为第四个年龄,对应的区间年龄标识“0.4”,指示对应的年龄在对应的年龄区间中的位置为年龄按照由小到大排列的第四个年龄。
较佳的,为了保证区间年龄识别模型的识别效果,在本发明实施例中,可以预先设置长度相等年龄区间,即年龄区间分类模型和区间年龄识别模型对应的每个年龄区间的长度相等,即避免出现如年龄区间A中包含4个年龄如[0,3],年龄区间B中包含6个年龄如[4,9]的情况。
S103:根据所述人脸图像对应的目标年龄区间和区间年龄标识,确定所述人脸图像对应的目标年龄。
具体的,以待识别人脸图像对应的目标年龄区间为年龄区间D[30,39]、区间年龄标识为“0.2”为例,电子设备确定待识别人脸图像对应的年龄为31。
由于在本发明实施例中,将待识别的人脸图像输入到预先训练完成的年龄区间分类模型中,得到人脸图像对应的目标年龄区间,将人脸图像输入到预先训练完成的区间年龄识别模型,得到人脸图像对应的年龄在人脸图像对应的年龄区间中的位置,进而根据人脸图像对应的目标年龄区间和人脸图像对应的年龄在人脸图像对应的年龄区间中的位置,确定人脸图像对应的目标年龄。从人脸图像对应的年龄区间和对应的年龄在年龄区间中的位置,进行年龄的识别无需直接识别具体的年龄,降低了年龄识别的维度,提高了年龄识别速度和年龄识别的准确度。
实施例2:
在本发明实施例中年龄区间分类模型,是根据训练集中的人脸样本图像训练得到的,所述年龄区间分类模型的训练过程包括:
针对第一训练集中每个第一人脸样本图像,根据所述第一人脸样本图像对应的年龄区间,为所述第一人脸样本图像添加年龄区间标签;
将添加年龄区间标签的每个第一人脸样本图像输入到年龄区间分类模型中,对所述年龄区间分类模型进行训练。
在第一训练集中保存有大量已知对应年龄区间的第一人脸样本图像,其中,第一训练集中的第一人脸样本图像可以通过图像采集设备针对处于每个年龄区间的人,分别进行人脸图像的采集获得。在对年龄区间分类模型进行具体训练前,电子设备针对第一训练集中每个第一人脸样本图像,根据该第一人脸样本图像对应的年龄区间为该第一人脸样本图像添加年龄区间标签。例如:第一人脸样本图像1对应的年龄区间为年龄区间A,电子设备为第一人脸样本图像1添加用于表示年龄区间A的年龄区间标签“A”。
对年龄区间分类模型进行具体训练时,电子设备首先根据第一人脸样本图像提取图像特征向量,如尺度不变特征变换(Scale-invariant feature transform,SIFT)特征向量、SURF特征向量等,并根据第一人脸样本图像对应的年龄区间标签生成年龄区间标签向量,示例性的,年龄区间标签向量为4维分别对应A、B、C、D,当前第一人脸样本图像对应的年龄区间标签为“A”,则对应的标签向量为[1 0 0 0]。电子设备将第一人脸样本图像对应的图像特征向量输入到年龄区间分类模型(当然了,在第一次将第一人脸样本图像对应的图像特征向量,输入到年龄区间分类模型之前,通常会有初始化的过程,即为年龄区间分类模型的各层配置参数,如随机配置参数等),得到年龄区间分类模型输出的第一人脸样本图像对应的预测值,通过损失函数(loss function),计算预测值与第一人脸样本图像对应的年龄区间标签向量的误差(loss),误差越高标识差异越大,那么对年龄区间分类模型训练的过程就变成了尽可能缩小这个误差的过程。电子设备根据损失函数输出的误差和年龄区间分类模型对应的学习率,来更新年龄区间分类模型每层的参数。比如:如果预测值高了,就根据学习率调整年龄区间分类模型每层的参数,让预测值低一些。根据第一训练集中大量的第一人脸样本图像不断的迭代调整后,就能得到训练完成的年龄区间分类模型。
学习率是指导通过损失函数输出的误差调整模型每层的参数的超参数,其决定着模型的收敛速度(模型训练速度),以及能否收敛到最优状态(能否训练到最优状态),较佳的,为了保证年龄区间分类模型的训练速度和训练效果,在本发明实施例中,对年龄区间分类模型进行训练时,可以初始设置一个较大的学习率,随着迭代次数(通过第一人脸样本对年龄区间分类模型训练的次数)的增加减小学习率。如学习率按指数减缓、按照余弦减缓等。示例性的:可以根据余弦函数调整年龄区间分类模型对应的学习率,其中y为年龄区间分类模型采用的学习率、k为年龄区间分类模型对应的初始学习率、x为年龄区间分类模型已迭代次数、n为设置的年龄区间分类模型迭代的总次数。
训练完成的年龄区间分类模型可以根据输入的待识别的人脸图像(待识别的人脸图像对应的图像特征向量),输出待识别的人脸图像对应的年龄区间标签(年龄区间标签向量),电子设备根据人脸图像对应的年龄区间标签,即可确定待识别的人脸图像对应的年龄区间,如年龄区间标签为“A”,确定待识别的人脸图像对应的年龄区间为年龄区间A。
实施例3:
在本发明实施例中区间年龄识别模型,是根据训练集中的人脸样本图像训练得到的,所述区间年龄识别模型的训练过程包括:
针对第二训练集中每个第二人脸样本图像,根据所述第二人脸样本图像对应的年龄在对应的年龄区间中的位置,为所述第二人脸样本图像添加区间年龄标识;
将添加区间年龄标识的每个第二人脸样本图像输入到区间年龄识别模型,对区间年龄识别模型进行训练。
在第二训练集中保存有大量已知对应年龄的第二人脸样本图像,其中第二训练集中保存的第二人脸样本图像与第一训练集中保存的第一人脸样本图像可以完全相同、可以部分相同,也可以完全不同,具体可以根据训练需求设置。在对区间年龄识别模型进行具体训练前,电子设备针对第二训练集中每个第二人脸样本图像,根据该第二人脸样本图像对应的年龄在对应的年龄区间中的位置,为该第二人脸样本图像添加区间年龄标识,例如:第二人脸样本图像对应的年龄,在对应的年龄区间中按照年龄从小到大排序中的位置为第四个年龄,为该第二人脸样本图像添加的区间年龄标识为“0.4”,第二人脸样本图像对应的年龄,在对应的年龄区间中按照年龄从小到大排序中的位置为第六个年龄,为该第二人脸样本图像添加的区间年龄标识为“0.6”。
对区间年龄识别模型进行具体训练时,电子设备首先根据第二人脸样本图像提取图像特征向量,并根据第二人脸样本图像对应的区间年龄标识,生成区间年龄标识向量,电子设备将第二人脸样本图像对应的图像特征向量输入到区间年龄识别模型(当然了,在第一次将第二人脸样本图像对应的图像特征向量,输入到区间年龄识别模型之前,通常会有初始化的过程,即为区间年龄识别模型的各层配置参数,如随机配置参数等),得到区间年龄识别模型输出的第二人脸样本图像对应的预测值,通过损失函数,计算预测值与第二人脸样本图像对应的区间年龄标识向量的误差,误差越高标识差异越大,电子设备根据损失函数输出的误差和区间年龄识别模型对应的学习率,来更新区间年龄识别模型每层的参数。比如:如果预测值高了,就根据学习率调整区间年龄识别模型每层的参数,让预测值低一些。根据第二训练集中大量的第二人脸样本图像不断的迭代调整后,就能得到训练完成的区间年龄识别模型。
较佳的,为了保证区间年龄识别模型的训练速度和训练效果,在本发明实施例中,对区间年龄识别模型进行训练时,可以初始设置一个较大的学习率,随着迭代次数(通过第二人脸样本对区间年龄识别模型训练的次数)的增加减小学习率。如学习率按指数减缓、按照余弦减缓等。
训练完成的区间年龄识别模型可以根据输入的待识别的人脸图像(待识别的人脸图像对应图像特征向量),输出待识别的人脸图像对应的区间年龄标识(区间年龄标识向量),电子设备根据人脸图像对应的区间年龄标识,即可确定待识别的人脸图像对应的年龄在所述人脸图像对应的年龄区间中的位置。如区间年龄标识为0.4,指示待识别的人脸图像对应的年龄在所述人脸图像对应的年龄区间中的位置为年龄按照由小到大排列的第四个年龄。
在本发明实施例中,年龄区间分类模型或区间年龄识别模型可选为前向神经网络、卷积神经网络、循环神经网络等。
实施例4:
图2为本发明实施例提供的一种年龄识别装置结构示意图,该装置包括:
第一识别模块21,用于将待识别的人脸图像输入到预先训练完成的年龄区间分类模型中,得到所述人脸图像对应的目标年龄区间,其中所述年龄区间分类模型对应的每个年龄区间不重合;
第二识别模块22,用于将所述人脸图像输入到预先训练完成的区间年龄识别模型,得到所述人脸图像对应的区间年龄标识,所述区间年龄标识用于指示所述人脸图像对应的年龄在所述人脸图像对应的年龄区间中的位置;
确定模块23,用于根据所述人脸图像对应的目标年龄区间和区间年龄标识,确定所述人脸图像对应的目标年龄。
优选地,所述装置还包括:
第一训练模块24,用于针对第一训练集中每个第一人脸样本图像,根据所述第一人脸样本图像对应的年龄区间,为所述第一人脸样本图像添加年龄区间标签;将添加年龄区间标签的每个第一人脸样本图像输入到年龄区间分类模型中,对所述年龄区间分类模型进行训练。
优选地,所述装置还包括:
第二训练模块25,用于针对第二训练集中每个第二人脸样本图像,根据所述第二人脸样本图像对应的年龄在对应的年龄区间中的位置,为所述第二人脸样本图像添加区间年龄标识;将添加区间年龄标识的每个第二人脸样本图像输入到区间年龄识别模型,对区间年龄识别模型进行训练。
实施例5:
基于同一发明构思,本发明实施例中还提供了一种电子设备,由于上述电子设备解决问题的原理与年龄识别方法相似,因此上述电子设备的实施可以参见方法的实施,重复之处不再赘述。
如图3所示,其为本发明实施例提供的电子设备的结构示意图,其中在图3中,总线架构可以包括任意数量的互联的总线和桥,具体有处理器31代表的一个或多个处理器和存储器32代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。处理器31负责管理总线架构和通常的处理,存储器32可以存储处理器31在执行操作时所使用的数据。
在本发明实施例提供的电子设备中:
所述处理器31,用于读取存储器32中的程序,执行下列过程:将待识别的人脸图像输入到预先训练完成的年龄区间分类模型中,得到所述人脸图像对应的目标年龄区间,其中所述年龄区间分类模型对应的每个年龄区间不重合;将所述人脸图像输入到预先训练完成的区间年龄识别模型,得到所述人脸图像对应的区间年龄标识,所述区间年龄标识用于指示所述人脸图像对应的年龄在所述人脸图像对应的年龄区间中的位置;根据所述人脸图像对应的目标年龄区间和区间年龄标识,确定所述人脸图像对应的目标年龄。
优选地,所述处理器31,还用于针对第一训练集中每个第一人脸样本图像,根据所述第一人脸样本图像对应的年龄区间,为所述第一人脸样本图像添加年龄区间标签;将添加年龄区间标签的每个第一人脸样本图像输入到年龄区间分类模型中,对所述年龄区间分类模型进行训练。
优选地,所述处理器31,还用于针对第二训练集中每个第二人脸样本图像,根据所述第二人脸样本图像对应的年龄在对应的年龄区间中的位置,为所述第二人脸样本图像添加区间年龄标识;将添加区间年龄标识的每个第二人脸样本图像输入到区间年龄识别模型,对区间年龄识别模型进行训练。
在上述各实施例的基础上,本发明实施例还提供了一种电子设备,如图4所示,包括:处理器41、通信接口42、存储器43和通信总线44,其中,处理器41、通信接口42、存储器43通过通信总线44完成相互间的通信;
所述存储器43中存储有计算机程序,当所述程序被所述处理器41执行时,使得所述处理器41执行上述实施例描述的年龄识别方法。
在上述各实施例的基础上,本发明实施例还提供了一种计算机存储可读存储介质,所述计算机可读存储介质内存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行上述实施例描述的年龄识别方法。
对于系统/装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种年龄识别方法,其特征在于,所述方法包括:
将待识别的人脸图像输入到预先训练完成的年龄区间分类模型中,得到所述人脸图像对应的目标年龄区间,其中所述年龄区间分类模型对应的每个年龄区间不重合;
将所述人脸图像输入到预先训练完成的区间年龄识别模型,得到所述人脸图像对应的区间年龄标识,所述区间年龄标识用于指示所述人脸图像对应的年龄在所述人脸图像对应的年龄区间中的位置;
根据所述人脸图像对应的目标年龄区间和区间年龄标识,确定所述人脸图像对应的目标年龄。
2.如权利要求1所述的方法,其特征在于,所述年龄区间分类模型的训练过程包括:
针对第一训练集中每个第一人脸样本图像,根据所述第一人脸样本图像对应的年龄区间,为所述第一人脸样本图像添加年龄区间标签;
将添加年龄区间标签的每个第一人脸样本图像输入到年龄区间分类模型中,对所述年龄区间分类模型进行训练。
3.如权利要求1所述的方法,其特征在于,所述区间年龄识别模型的训练过程包括:
针对第二训练集中每个第二人脸样本图像,根据所述第二人脸样本图像对应的年龄在对应的年龄区间中的位置,为所述第二人脸样本图像添加区间年龄标识;
将添加区间年龄标识的每个第二人脸样本图像输入到区间年龄识别模型,对区间年龄识别模型进行训练。
4.一种年龄识别装置,其特征在于,所述装置包括:
第一识别模块,用于将待识别的人脸图像输入到预先训练完成的年龄区间分类模型中,得到所述人脸图像对应的目标年龄区间,其中所述年龄区间分类模型对应的每个年龄区间不重合;
第二识别模块,用于将所述人脸图像输入到预先训练完成的区间年龄识别模型,得到所述人脸图像对应的区间年龄标识,所述区间年龄标识用于指示所述人脸图像对应的年龄在所述人脸图像对应的年龄区间中的位置;
确定模块,用于根据所述人脸图像对应的目标年龄区间和区间年龄标识,确定所述人脸图像对应的目标年龄。
5.如权利要求4所述的装置,其特征在于,所述装置还包括:
第一训练模块,用于针对第一训练集中每个第一人脸样本图像,根据所述第一人脸样本图像对应的年龄区间,为所述第一人脸样本图像添加年龄区间标签;将添加年龄区间标签的每个第一人脸样本图像输入到年龄区间分类模型中,对所述年龄区间分类模型进行训练。
6.如权利要求4所述的装置,其特征在于,所述装置还包括:
第二训练模块,用于针对第二训练集中每个第二人脸样本图像,根据所述第二人脸样本图像对应的年龄在对应的年龄区间中的位置,为所述第二人脸样本图像添加区间年龄标识;将添加区间年龄标识的每个第二人脸样本图像输入到区间年龄识别模型,对区间年龄识别模型进行训练。
7.一种电子设备,其特征在于,包括:存储器和处理器;
所述处理器,用于读取存储器中的程序,执行如权利要求1-3任一项所述方法的步骤。
8.一种计算机可读存储介质,其特征在于,其存储有可由电子设备执行的计算机程序,当所述程序在电子设备上运行时,使得所述电子设备执行如权利要求1-3任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910619972.1A CN110399813A (zh) | 2019-07-10 | 2019-07-10 | 一种年龄识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910619972.1A CN110399813A (zh) | 2019-07-10 | 2019-07-10 | 一种年龄识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110399813A true CN110399813A (zh) | 2019-11-01 |
Family
ID=68324398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910619972.1A Pending CN110399813A (zh) | 2019-07-10 | 2019-07-10 | 一种年龄识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110399813A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818946A (zh) * | 2021-03-08 | 2021-05-18 | 苏州科达科技股份有限公司 | 年龄识别模型的训练、年龄识别方法、装置及电子设备 |
CN113126859A (zh) * | 2019-12-31 | 2021-07-16 | 宇龙计算机通信科技(深圳)有限公司 | 情景模式的控制方法、装置、存储介质以及终端 |
WO2021155650A1 (zh) * | 2020-02-03 | 2021-08-12 | 平安科技(深圳)有限公司 | 图片识别模型的训练方法、装置、计算机系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020007735A (ko) * | 2000-07-18 | 2002-01-29 | 최창석 | 미래 자녀 및 미래모습 예측이 가능한 얼굴 포토 스티커시스템 |
WO2017006615A1 (ja) * | 2015-07-09 | 2017-01-12 | みずほ情報総研 株式会社 | 加齢化予測システム、加齢化予測方法及び加齢化予測プログラム |
CN106485235A (zh) * | 2016-10-24 | 2017-03-08 | 厦门美图之家科技有限公司 | 一种卷积神经网络生成方法、年龄识别方法及相关装置 |
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 |
CN108197592A (zh) * | 2018-01-22 | 2018-06-22 | 百度在线网络技术(北京)有限公司 | 信息获取方法和装置 |
-
2019
- 2019-07-10 CN CN201910619972.1A patent/CN110399813A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020007735A (ko) * | 2000-07-18 | 2002-01-29 | 최창석 | 미래 자녀 및 미래모습 예측이 가능한 얼굴 포토 스티커시스템 |
WO2017006615A1 (ja) * | 2015-07-09 | 2017-01-12 | みずほ情報総研 株式会社 | 加齢化予測システム、加齢化予測方法及び加齢化予測プログラム |
CN106485235A (zh) * | 2016-10-24 | 2017-03-08 | 厦门美图之家科技有限公司 | 一种卷积神经网络生成方法、年龄识别方法及相关装置 |
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 |
CN108197592A (zh) * | 2018-01-22 | 2018-06-22 | 百度在线网络技术(北京)有限公司 | 信息获取方法和装置 |
Non-Patent Citations (2)
Title |
---|
李怀: "基于集成卷积神经网络的人脸年龄识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
郑瑶娜: "基于人脸图像的性别识别和年龄估计", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113126859A (zh) * | 2019-12-31 | 2021-07-16 | 宇龙计算机通信科技(深圳)有限公司 | 情景模式的控制方法、装置、存储介质以及终端 |
WO2021155650A1 (zh) * | 2020-02-03 | 2021-08-12 | 平安科技(深圳)有限公司 | 图片识别模型的训练方法、装置、计算机系统及存储介质 |
CN112818946A (zh) * | 2021-03-08 | 2021-05-18 | 苏州科达科技股份有限公司 | 年龄识别模型的训练、年龄识别方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363252A (zh) | 趋向于端到端的场景文字检测与识别方法以及系统 | |
CN109299716A (zh) | 神经网络的训练方法、图像分割方法、装置、设备及介质 | |
CN106022317A (zh) | 人脸识别方法及装置 | |
CN110399813A (zh) | 一种年龄识别方法、装置、电子设备及存储介质 | |
CN110765882B (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
CN103177265B (zh) | 基于核函数与稀疏编码的高清图像分类方法 | |
CN105678253A (zh) | 半监督人脸年龄估计装置及半监督人脸年龄估计方法 | |
CN114462489A (zh) | 文字识别模型的训练方法、文字识别方法和设备、电子设备及介质 | |
CN111695019B (zh) | 一种识别关联账号的方法及装置 | |
CN108960412A (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN113706151A (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN113112020A (zh) | 一种基于生成网络与知识蒸馏的模型网络提取和压缩方法 | |
CN111402156B (zh) | 一种涂抹图像的复原方法、装置及存储介质和终端设备 | |
CN109977131A (zh) | 一种房型匹配系统 | |
CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
Zhai et al. | Multi-scale feature fusion single shot object detector based on densenet | |
CN112861934A (zh) | 一种嵌入式终端的图像分类方法、装置及嵌入式终端 | |
CN108733784B (zh) | 一种教学课件推荐方法、装置及设备 | |
CN106934339A (zh) | 一种目标跟踪、跟踪目标识别特征的提取方法和装置 | |
CN113255701B (zh) | 一种基于绝对-相对学习架构的小样本学习方法和系统 | |
CN110414792A (zh) | 基于bim和大数据的部品集采管理系统及相关产品 | |
Liu et al. | 3D action recognition using multi-temporal skeleton visualization | |
Liu et al. | Spatiotemporal saliency based multi-stream networks for action recognition | |
CN109871835B (zh) | 一种基于互斥正则化技术的人脸识别方法 | |
CN111091198B (zh) | 一种数据处理方法及装置 |
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 |
Application publication date: 20191101 |
|
RJ01 | Rejection of invention patent application after publication |