CN110532965A - 年龄识别方法、存储介质及电子设备 - Google Patents

年龄识别方法、存储介质及电子设备 Download PDF

Info

Publication number
CN110532965A
CN110532965A CN201910818783.7A CN201910818783A CN110532965A CN 110532965 A CN110532965 A CN 110532965A CN 201910818783 A CN201910818783 A CN 201910818783A CN 110532965 A CN110532965 A CN 110532965A
Authority
CN
China
Prior art keywords
face
feature
age
side face
region
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.)
Granted
Application number
CN201910818783.7A
Other languages
English (en)
Other versions
CN110532965B (zh
Inventor
张欢欢
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group 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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201910818783.7A priority Critical patent/CN110532965B/zh
Publication of CN110532965A publication Critical patent/CN110532965A/zh
Priority to US16/840,597 priority patent/US11361587B2/en
Application granted granted Critical
Publication of CN110532965B publication Critical patent/CN110532965B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本公开属于计算机处理技术领域，涉及一种年龄识别方法、计算机可读存储介质及电子设备。该方法包括：检测并提取待识别图像中的人脸的特征点，并预处理待识别图像，以提取人脸的全局特征；基于特征点，提取人脸的局部特征，并根据全局特征与局部特征确定人脸的年龄特征；将年龄特征输入至预先训练好的年龄识别模型中，以得到与待识别图像中的人脸对应的年龄值。本公开通过将人脸的全局特征与局部特征进行融合得到年龄特征，并输入至年龄识别模型实现确定人脸年龄值的功能。一方面，减少了不同图像分辨率、性别、人脸不同姿态、表情对人脸年龄识别的影响；另一方面，算法精度高，速度快，还可用于基于嵌入式设备的人脸年龄识别。

Description

年龄识别方法、存储介质及电子设备
技术领域
本公开涉及计算机处理技术领域，尤其涉及一种年龄识别方法、计算机可读存储介质及电子设备。
背景技术
人脸识别是基于人的面部特征信息进行身份识别的一种生物识别技术。通常用摄像机或者摄像头采集含有人脸的图像或者视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行面部识别，还可以叫做人像识别、面部识别。随着人脸识别技术的发展，对人脸属性的识别需求也越来越高，尤其是人脸的年龄识别。目前，采用卷积神经网络深度学习技术的方法识别人脸年龄。虽然算法精度高，但是算法复杂，十分耗时，并且对硬件的要求较高。
鉴于此，本领域亟需开发一种新的年龄识别方法。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种年龄识别方法、年龄识别模型的训练方法、计算机可读存储介质及电子设备，进而至少在一定程度上克服由于相关技术的限制而导致的人脸年龄识别算法复杂且速度慢的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的第一个方面，提供一种年龄识别方法，所述方法包括：检测并提取待识别图像中的人脸的特征点，并预处理所述待识别图像，以提取所述人脸的全局特征；基于所述特征点，提取所述人脸的局部特征，并根据所述全局特征与所述局部特征确定所述人脸的年龄特征；将所述年龄特征输入至预先训练好的年龄识别模型中，以得到与所述待识别图像中的人脸对应的年龄值。
在本公开的一种示例性实施例中，所述基于所述特征点，提取所述人脸的局部特征，包括：获取所述特征点，并根据所述特征点对所述人脸进行尺寸变化，确定所述人脸的感兴趣区域；确定所述感兴趣区域中的目标区域，并提取所述目标区域的目标特征，以确定所述人脸的局部特征。
在本公开的一种示例性实施例中，所述目标区域包括第一目标区域和第二目标区域，所述目标特征包括第一目标特征和第二目标特征，所述确定所述感兴趣区域中的目标区域，并提取所述目标区域的目标特征，以确定所述人脸的局部特征，包括：在所述感兴趣区域中确定具有对称关系的第一目标区域，并形成所述第一目标区域的第一目标特征；在所述感兴趣区域中确定非对称关系的第二目标区域，并形成所述第二目标区域的第二目标特征；连接所述第一目标特征与所述第二目标特征，以确定所述人脸的局部特征。
在本公开的一种示例性实施例中，所述在所述感兴趣区域中确定具有对称关系的第一目标区域，并形成所述第一目标区域的第一目标特征，包括：在所述感兴趣区域中确定具有对称关系的第一目标区域，以确定所述待识别图像中的人脸是否为侧脸；若所述人脸为侧脸，提取所述侧脸的侧脸脸部特征，以作为所述第一目标特征；若所述人脸为正脸，提取所述正脸的正脸脸部特征，以作为第一目标特征。
在本公开的一种示例性实施例中，所述第一目标区域包括第一对称区域和第二对称区域，所述侧脸包括第一侧脸和第二侧脸，所述确定所述待识别图像中的人脸是否为侧脸，包括：获取所述第一对称区域的第一尺寸信息，并获取所述第二对称区域的第二尺寸信息；计算所述第一尺寸信息和所述第二尺寸信息，并将计算结果确定为人脸判定信息；若所述人脸判定信息满足第一预设条件，确定所述待识别图像中的人脸为第一侧脸；若所述人脸判定信息满足第二预设条件，确定所述待识别图像中的人脸为第二侧脸；若所述人脸判定信息满足第三预设条件，确定待识别图像中的人脸为所述正脸。
在本公开的一种示例性实施例中，所述若所述人脸为侧脸，提取所述侧脸的侧脸脸部特征，以作为所述第一目标特征，包括：若所述侧脸为所述第一侧脸，提取所述第一侧脸的第一侧脸脸部特征，以作为所述第一目标特征；若所述侧脸为所述第二侧脸，提取所述第二侧脸的第二侧脸脸部特征，以作为所述第一目标特征。
在本公开的一种示例性实施例中，所述若所述侧脸为第一侧脸，提取所述第一侧脸的第一侧脸脸部特征，以作为所述第一目标特征，包括：若所述侧脸为第一侧脸，利用边缘响应算子提取所述第一目标区域的第一特征图像；提取所述第一特征图像的第一共生局部二值模式特征，以生成第一共生局部二值模式的第二特征图像；计算所述第二特征图像的第一归一化直方图，并连接所述第一归一化直方图，以形成所述第一侧脸脸部特征，作为所述第一目标特征。
在本公开的一种示例性实施例中，所述若所述侧脸为第二侧脸，提取所述第二侧脸的第二侧脸脸部特征，以作为所述第一目标特征，包括：若所述侧脸为第二侧脸，将所述第一目标区域进行镜像变换，以生成镜像目标区域；利用边缘响应算子提取所述镜像目标区域的第三特征图像；提取所述第三特征图像的第二共生局部二值模式特征，以生成第二共生局部二值模式的第四特征图像；计算所述第四特征图像的第二归一化直方图，并连接所述第二归一化直方图，以形成所述第二侧脸特征，作为所述第一目标特征。
在本公开的一种示例性实施例中，所述第一目标区域包括第一正脸区域和第二正脸区域，所述若所述人脸为正脸，提取所述正脸的正脸脸部特征，以作为第一目标特征，包括：若所述人脸为正脸，将所述第一正脸区域进行镜像变换，以生成镜像正脸区域；利用边缘响应算子提取所述镜像正脸区域和所述第二正脸区域的第五特征图像；提取所述第五特征图像的第三共生局部二值模式特征，以生成第三共生局部二值模式的第六特征图像；计算所述第六特征图像的第三归一化直方图，并连接所述第三归一化直方图，以形成所述正脸脸部特征，作为所述第一目标特征。
在本公开的一种示例性实施例中，所述在所述感兴趣区域中确定非对称关系的第二目标区域，并形成所述第二目标区域的第二目标特征，包括：在所述感兴趣区域中确定非对称关系的第二目标区域，利用边缘响应算子提取所述第二目标区域的第七特征图像；提取所述第七特征图像的第四共生局部二值模式特征，以生成第四共生局部二值模式的第八特征图像；计算所述第八特征图像的第四归一化直方图，并连接所述第四归一化直方图，以形成所述第二目标区域的第二目标特征。
在本公开的一种示例性实施例中，所述预处理所述待识别图像，以提取所述人脸的全局特征，包括：利用高斯滤波对所述待识别图像进行去噪处理，以获取高斯滤波图像；对所述高斯滤波图像进行仿射变换，以校正所述人脸，并获取校正图像；基于所述校正图像，利用主动形状模型提取所述人脸的全局特征。
根据本公开的第二个方面，提供一种年龄识别模型的训练方法，所述方法包括：检测并提取待识别图像样本中的人脸的特征点，并预处理所述待识别图像样本，以提取所述人脸的全局特征；基于所述特征点，利用局部二值模式提取所述人脸的局部特征，并根据所述全局特征与所述局部特征确定所述人脸的年龄特征；基于所述年龄特征和年龄值样本，通过支持向量机对年龄识别模型进行训练。
根据本公开的第三个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意示例性实施例中任意一项的年龄识别方法或者上述任意示例性实施例中任意一项的年龄识别模型的训练方法。
根据本公开的第四个方面，提供一种电子设备，包括：处理器和存储器；其中，存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现上述任意示例性实施例中任意一项的年龄识别方法或者上述任意示例性实施例中任意一项的年龄识别模型的训练方法。
由上述技术方案可知，本公开示例性实施例中的年龄识别方法、年龄识别模型的训练方法、计算机存储介质及电子设备至少具备以下优点和积极效果：
在本公开的示例性实施例提供的方法中，通过将人脸的全局特征与局部特征进行融合得到年龄特征，并输入至年龄识别模型实现确定人脸年龄值的功能。一方面，减少了不同图像分辨率、性别、人脸不同姿态、表情对人脸年龄识别的影响；另一方面，算法精度高，速度快，还可用于基于嵌入式设备的人脸年龄识别。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出本公开示例性实施例中一种年龄识别方法的流程图；
图2示意性示出本公开示例性实施例中提取人脸的全局特征的方法的流程示意图；
图3示意性示出本公开示例性实施例中提取人脸的局部特征的方法的流程示意图；
图4示意性示出本公开示例性实施例中进一步确定人脸的局部特征的方法的流程示意图；
图5示意性示出本公开示例性实施例中确定第一目标特征的方法的流程示意图；
图6示意性示出本公开示例性实施例中确定人脸是否为侧脸的方法的流程示意图；
图7示意性示出本公开示例性实施例中确定侧脸脸部特征的方法的流程示意图；
图8示意性示出本公开示例性实施例中确定第一侧脸脸部特征的方法的流程示意图；
图9示意性示出本公开示例性实施例中确定第二侧脸脸部特征的方法的流程示意图；
图10示意性示出本公开示例性实施例中确定正脸脸部特征的方法的流程示意图；
图11示意性示出本公开示例性实施例中形成第二目标特征的方法的流程示意图；
图12示意性示出本公开示例性实施例中一种年龄识别模型的训练方法的流程图；
图13示意性示出本公开示例性实施例中在应用场景的年龄识别方法的流程示意图；
图14示意性示出本公开示例性实施例中获取到的感兴趣区域的区域示意图；
图15(a)示意性示出本公开示例性实施例中的正脸脸部区域中一个感兴趣区域的示意图；
图15(b)示意性示出本公开示例性实施例中提取的一个感兴趣区域的第0方向的第六特征图像；
图15(c)示意性示出本公开示例性实施例中提取的一个感兴趣区域的第1方向的第六特征图像；
图15(d)示意性示出本公开示例性实施例中提取的一个感兴趣区域的第2方向的第六特征图像；
图15(e)示意性示出本公开示例性实施例中提取的一个感兴趣区域的第3方向的第六特征图像；
图15(f)示意性示出本公开示例性实施例中提取的一个感兴趣区域的第4方向的第六特征图像；
图15(g)示意性示出本公开示例性实施例中提取的一个感兴趣区域的第5方向的第六特征图像；
图15(h)示意性示出本公开示例性实施例中提取的一个感兴趣区域的第6方向的第六特征图像；
图15(i)示意性示出本公开示例性实施例中提取的一个感兴趣区域的第7方向的第六特征图像；
图16(a)示意性示出本公开示例性实施例中的正脸脸部区域中另一个对称的感兴趣区域的示意图；
图16(b)示意性示出本公开示例性实施例中另一个感兴趣区域的镜像正脸区域的示意图；
图16(c)示意性示出本公开示例性实施例中提取的另一个感兴趣区域的第0方向的第六特征图像；
图16(d)示意性示出本公开示例性实施例中提取的另一个感兴趣区域的第1方向的第六特征图像；
图16(e)示意性示出本公开示例性实施例中提取的另一个感兴趣区域的第2方向的第六特征图像；
图16(f)示意性示出本公开示例性实施例中提取的另一个感兴趣区域的第3方向的第六特征图像；
图16(g)示意性示出本公开示例性实施例中提取的另一个感兴趣区域的第4方向的第六特征图像；
图16(h)示意性示出本公开示例性实施例中提取的另一个感兴趣区域的第5方向的第六特征图像；
图16(i)示意性示出本公开示例性实施例中提取的另一个感兴趣区域的第6方向的第六特征图像；
图16(j)示意性示出本公开示例性实施例中提取的另一个感兴趣区域的第7方向的第六特征图像；
图17示意性示出本公开示例性实施例中一种用于实现年龄识别方法的电子设备；
图18示意性示出本公开示例性实施例中一种用于实现年龄识别方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
针对相关技术中存在的问题，本公开提出了一种年龄识别方法。图1示出了年龄识别方法的流程图，如图1所示，年龄识别方法至少包括以下步骤：
步骤S110.检测并提取待识别图像中的人脸的特征点，并预处理待识别图像，以提取人脸的全局特征。
步骤S120.基于特征点，提取人脸的局部特征，并根据全局特征与局部特征确定人脸的年龄特征。
步骤S130.将年龄特征输入至预先训练好的年龄识别模型中，以得到与待识别图像中的人脸对应的年龄值。
在本公开的示例性实施例中，通过将人脸的全局特征与局部特征进行融合得到年龄特征，并输入至年龄识别模型实现确定人脸年龄值的功能。一方面，减少了不同图像分辨率、性别、人脸不同姿态、表情对人脸年龄识别的影响；另一方面，算法精度高，速度快，还可用于基于嵌入式设备的人脸年龄识别。
下面对年龄识别方法的各个步骤进行详细说明。
在步骤S110中，检测并提取待识别图像中的人脸的特征点，并预处理待识别图像，以提取人脸的全局特征。
在本公开的示例性实施例中，可以调用Dlib视觉库进行人脸检测及人脸68个特征点的提取。人脸的68个特征点主要分布于眉毛、眼睛、鼻子、嘴巴以及面部轮廓。
在可选的实施例中，图2示出了提取人脸的全局特征的方法的流程示意图，如图2所示，该方法至少包括以下步骤：在步骤S210中，利用高斯滤波对待识别图像进行去噪处理，以获取高斯滤波图像。高斯滤波是一种线性平滑滤波，可以对待识别图像进行加权平均，亦即使待识别图像中的每个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到，以实现对待识别图像进行去噪处理，并将处理后的图像确定为高斯滤波图像。
在步骤S220中，对高斯滤波图像进行仿射变换，以校正人脸，并获取校正图像。初始输入的待识别图像可能由于拍摄角度、光线强度等原因，会产生一定程度的形变，为方便后续对人脸特征的提取，可以对高斯滤波图像进行仿射变换。仿射变换可以是两个向量空间之间的一个仿射变换或者仿射映射，由一个非奇异的线性变换接上一个平移变换组成。根据已提取的人脸的特征点，可以分别确定人脸的左眼中心和右眼中心，若左眼中心、右眼中心连线和水平线有一定夹角，对人脸驱动变形后，通过使左眼中心、右眼中心连线与水平线平行，校正人脸姿态，实现人脸在相平面内的位置端正。除此之外，还可以根据已提取的特征点确定其他可用于校正的点，本示例性实施例对此不做特殊限定。举例而言，可以采用OpenCV中的仿射变换函数对高斯滤波图像进行仿射变换。除此之外，还可以利用其它实现仿射变换的方法，本示例性实施例对此不做特殊限定。并且，将进行仿射变换校正后的图像确定为校正图像，以提取人脸的全局特征。
在步骤S230中，基于校正图像，利用主动形状模型提取人脸的全局特征。主动形状模型(Active Shape Model，简称ASM)是一种基于统计学习模型的人脸全局特征提取方法。ASM是可以先训练学习模型，然后基于人脸关键点，利用该学习模型提取人脸的全局特征。利用ASM技术可以精确的提取到面部特征的特征点信息，作为人脸的全局特征。
在本示例性实施例中，对待识别图像分别进行去噪处理和几何校正，更大限度的保持人脸的脸部细节，端正人脸的脸部位置，提高全局特征的提取准确性和年龄识别的精准度。
在步骤S120中，基于特征点，提取人脸的局部特征，并根据全局特征与局部特征确定人脸的年龄特征。
在本公开的示例性实施例中，图3示出了提取人脸的局部特征的方法的流程示意图，如图3所示，该方法至少包括以下步骤：在步骤S310中，获取特征点，并根据特征点对人脸进行尺寸变化，确定人脸的感兴趣区域。获取到人脸的特征点之后，可以统计所有特征点的纵坐标的数值，并确定其中的纵坐标的最大值和最小值，然后计算出最大值与最小值之间的差值L，将图像按照N/L的比例进行缩放。其中，N可以取32、64或者128等，本示例性实施例对此不做特殊限定。值得说明的是，选择的N值越小，缩放的速度更快，优选的，可以将N设置为64。同样的，统计所有特征点的横坐标的数值，并确定其中的横坐标的最大值和最小值，然后计算横坐标的最大值和最小值之间的差值，并进行同比例缩放，具体实施方式与纵坐标的缩放方式相同，在此不再赘述。对人脸进行尺寸变化，可以统一待识别图像中的人脸尺寸，便于统一获取感兴趣区域和提取局部特征。根据特征点可以确定人脸的额头、下巴、鼻子、眼角、面颊、嘴角等11个感兴趣区域(Region of Interest，简称ROI)。其中，感兴趣区域可以是从被处理的图像中以矩形框方式勾勒出的需要处理的区域。除此之外，还可以用其他图形勾勒，本示例性实施例对此不做特殊限定。
在步骤S320中，确定感兴趣区域中的目标区域，并提取目标区域的目标特征，以确定人脸的局部特征。
在可选的实施例中，目标区域包括第一目标区域和第二目标区域，目标特征包括第一目标特征和第二目标特征，图4示出了确定人脸局部特征的方法的流程示意图，如图4所示，该方法至少包括以下步骤：在步骤S410中，在感兴趣区域中确定具有对称关系的第一目标区域，并形成第一目标区域的第一目标特征。
在可选的实施例中，图5示出了确定第一目标特征的方法的流程示意图，如图5所示，该方法至少包括以下步骤：在步骤S510中，在感兴趣区域中确定具有对称关系的第一目标区域，以确定待识别图像中的人脸是否为侧脸。在已选取的11个人脸的感兴趣区域中，可以存在4对具有对称关系的第一目标区域。
在可选的实施例中，第一目标区域包括第一对称区域，第一目标区域包括第二对称区域，图6示出了确定人脸是否为侧脸的方法的流程示意图，如图6所示，该方法至少包括以下步骤：在步骤S610中，获取第一对称区域的第一尺寸信息，并获取第二对称区域的第二尺寸信息。第一对称区域可以是具有对称关系的其中一侧的感兴趣区域。举例而言，具有对称关系的感兴趣区域可以是1、2、3、4、5、6、7和8，其中，1和2对称，3和4对称，5和6对称，7和8对称。那么，可以将感兴趣区域1、3、5、7确定为第一对称区域。举例而言，第一尺寸信息可以是第一对称区域的宽度信息，也可以是其他尺寸信息，本示例性实施例对此不做特殊限定。鉴于此，第二对称区域可以是具有对称关系的另一侧的感兴趣区域。举例而言，具有对称关系的感兴趣区域可以是1、2、3、4、5、6、7和8，其中，1和2对称，3和4对称，5和6对称，7和8对称。对应的，可以将感兴趣区域2、4、6、8确定为第二对称区域。与第一尺寸信息对应的，第二尺寸信息可以是第二对称区域的宽度信息，也可以是其他尺寸信息，本示例性实施例对此不做特殊限定。
在步骤S620中，计算第一尺寸信息和第二尺寸信息，并将计算结果确定为人脸判定信息。举例而言，对第一尺寸信息和第二尺寸信息的计算方式可以是求二者之间的比例关系，例如计算第一对称区域的宽度信息与第二对称区域的宽度信息之间的比值。并且，将计算的比值确定为人脸判定信息，以对人脸侧脸情况进行判定。因为人脸是对称的，通过计算对称区域的距离比例信息，可以判断是否是正脸或者是侧脸。
在步骤S630中，若人脸判定信息满足第一预设条件，确定待识别图像中的人脸为第一侧脸。第一预设条件可以是根据人脸判定信息设定的判断是否为第一侧脸的预设条件。举例而言，第一预设条件可以是第一尺寸信息与第二尺寸信息的比值小于0.5。因此，若第一对称区域的宽度信息与第二对称区域的宽度信息的比值小于0.5时，可以确定待识别图像中的人脸为第一侧脸。除此之外，还可以将第一预设条件中的比值设定为其他数值，也可以设定其他第一预设条件，本示例性实施例对此不做特殊限定。
在步骤S640中，若人脸判定信息满足第二预设条件，确定待识别图像中的人脸为第二侧脸。第二预设条件可以是根据人脸判定信息设定的判断是否为第二侧脸的预设条件。举例而言，第一预设条件可以是第一尺寸信息与第二尺寸信息的比值大于2。因此，若第一对称区域的宽度信息与第二对称区域的宽度信息的比值大于2时，可以确定待识别图像中的人脸为第二侧脸。除此之外，还可以将第二预设条件中的比值设定为其他数值，也可以设定其他第二预设条件，本示例性实施例对此不做特殊限定。
在步骤S650中，若人脸判定信息满足第三预设条件，确定待识别图像中的人脸为第三侧脸。第三预设条件可以是根据人脸判定信息设定的判断是否为正脸的预设条件。举例而言，第一预设条件可以是第一尺寸信息与第二尺寸信息的比值大于等于0.5且小于等于2。因此，若第一对称区域的宽度信息与第二对称区域的宽度信息的比值满足大于等于0.5且小于等于2时，可以确定待识别图像中的人脸为正脸。除此之外，还可以将第三预设条件中的比值设定为其他数值，也可以设定其他第三预设条件，本示例性实施例对此不做特殊限定。
在本示例性实施例中，给出了一种判断待识别图像中的人脸为第一侧脸、第二侧脸或者是正脸的方式，计算流畅，判断方法简单，实用性极强。
在步骤S520中，若人脸为侧脸，提取侧脸的侧脸脸部特征，以作为第一目标特征。
在可选的实施例中，图7示出了确定侧脸脸部特征的方法的流程示意图，如图7所示，该方法至少包括以下步骤：在步骤S710中，若侧脸为第一侧脸，提取第一侧脸的第一侧脸脸部特征，以作为第一目标特征。
在可选的实施例中，图8示出了确定第一侧脸脸部特征的方法的流程示意图，如图8所示，该方法至少包括以下步骤：在步骤S810中，若侧脸为第一侧脸，利用边缘响应算子提取第一目标区域的第一特征图像。使用边缘响应算子提取第一特征图像时，可以首先划分k个提取方向。其中，边缘响应算子可以是Sobel算子，也可以为其他边缘响应算子，本示例性实施例对此不做特殊限定。鉴于人脸上的皱纹，例如眼角皱纹、嘴角皱纹等都是呈放射状的，因此，可以将k设定为8，亦即使用8个方向上的边缘响应算子提取第一目标区域的八个方向上的第一特征图像。除此之外，还可以设定为其他方向个数，本示例性实施例对此不做特殊限定。
在步骤S820中，提取第一特征图像的第一共生局部二值模式特征，以生成第一共生局部二值模式的第二特征图像。第一共生局部二值模式特征可以是通过一些预定义的共生模式构建的，因此，可以根据提取到的第一局部二值模式特征得到第一共生局部二值模式特征，以生成第一共生局部二值模式的第二特征图像。对应的，根据提取到的八个方向上的第一特征图像可以生成八个第一共生局部二值模式的第二特征图像。
在步骤S830中，计算第二特征图像的第一归一化直方图，并连接第一归一化直方图，以形成第一侧脸脸部特征，作为第一目标特征。分别计算8个第二特征图像的第一归一化直方图，再将这8个第一归一化直方图按照顺时针方向或者逆时针方向连接起来，形成第一目标特征。除此之外，还可以是其他的连接方式，本示例性实施例对此不做特殊限定。
在本示例性实施例中，使用共生局部二值模式提取第一侧脸脸部特征，计算方式简单，表达方法简便，提取第一侧脸脸部特征的速度更快，实用性更强。
在步骤S720中，若侧脸为第二侧脸，提取第二侧脸的第二侧脸脸部特征，以作为第一目标特征。
在可选的实施例中，图9示出了确定第二侧脸脸部特征的方法的流程示意图，如图9所示，该方法至少包括以下步骤：在步骤S910中，若侧脸为第二侧脸，将第一目标区域进行镜像变换，以生成镜像目标区域。鉴于人脸的左右对称性，镜像变换可以是水平镜像，亦即将第一目标区域的左右部分以人脸垂直中轴线为中心进行镜像变换。当为第二侧脸时，生成的镜像目标区域可以是人脸特征的方向与第一侧脸的人脸特征方向相一致的区域。
在步骤S920中，利用边缘响应算子提取镜像目标区域的第三特征图像。使用边缘响应算子提取第三特征图像时，可以首先划分k个提取方向。其中，边缘响应算子可以是Sobel算子，也可以为其他边缘响应算子，本示例性实施例对此不做特殊限定。鉴于人脸上的皱纹，例如眼角皱纹、嘴角皱纹等都是呈放射状的，因此，可以将k设定为8，亦即使用8个方向的边缘响应算子提取八个方向的第一目标区域的第三特征图像。除此之外，还可以设定为其他方向个数，本示例性实施例对此不做特殊限定。
在步骤S930中，提取所述第三特征图像的第二共生局部二值模式特征，以生成第二共生局部二值模式的第四特征图像。第二共生局部二值模式特征可以是通过一些预定义的共生模式构建的，因此，可以根据提取到的第二局部二值模式特征得到第二共生局部二值模式特征，以生成第二共生局部二值模式的第四特征图像。对应的，根据提取到的八个方向上的第三特征图像可以生成八个第二共生局部二值模式的第四特征图像。
在步骤S940中，计算第四特征图像的第二归一化直方图，并连接第二归一化直方图，以形成第二侧脸特征，作为第一目标特征。分别计算8个第四特征图像的第二归一化直方图，再将这8个第二归一化直方图按照顺时针方向或者逆时针方向连接起来，形成第一目标特征。除此之外，还可以是其他的连接方式，本示例性实施例对此不做特殊限定。
在本示例性实施例中，使用共生局部二值模式提取第二侧脸脸部特征，计算方式简单，表达方法简便，提取第二侧脸脸部特征的速度更快，实用性更强。并且，进一步区分侧脸区域提取侧脸脸部特征，并进行对应变换，便于统一提取不同图像中的侧脸脸部特征。
在步骤S530中，若人脸为正脸，提取正脸的正脸脸部特征，以作为第一目标特征。
在可选的实施例中，第一目标区域包括第一正脸区域和第二正脸区域，图10示出了确定正脸脸部特征的方法的流程示意图，如图10所示，该方法至少包括以下步骤：在步骤S1010中，若人脸为正脸，将第一正脸区域进行镜像变换，以生成镜像正脸区域。鉴于人脸上的皱纹，例如眼角皱纹、嘴角皱纹等都是呈对称的放射状分布的，为保证在正脸提取特征的方向性，降低干扰，可以将第一正脸区域进行镜像变换。并且，人脸是左右对称的，镜像变换可以是水平镜像，亦即将第一目标区域的左右部分以人脸垂直中轴线为中心进行镜像变换。其中，选定第一正脸区域进行镜像变换，形成镜像正脸区域。该镜像正脸区域可以是正脸特征的方向与第二正脸区域的特征方向相一致的区域。除此之外，也可以选定第二正脸区域进行镜像变换，可以根据实际情况实施，本示例性实施例对此不做特殊限定。
在步骤S1020中，利用边缘响应算子提取镜像正脸区域和第二正脸区域的第五特征图像。使用边缘响应算子提取第五特征图像时，可以首先划分k个提取方向。其中，边缘响应算子可以是Sobel算子，也可以为其他边缘响应算子，本示例性实施例对此不做特殊限定。鉴于人脸上的皱纹，例如眼角皱纹、嘴角皱纹等都是呈放射状的，因此，可以将k设定为8，亦即使用8个方向上的边缘响应算子分别提取镜像正脸区域和第二正脸区域的八个方向上的第五特征图像。除此之外，还可以设定为其他方向个数，本示例性实施例对此不做特殊限定。
在步骤S1030中，提取第五特征图像的第三共生局部二值模式特征，以生成第三共生局部二值模式的第六特征图像。第三共生局部二值模式特征可以是通过一些预定义的共生模式构建的，因此，可以根据提取到的第三局部二值模式特征得到第三共生局部二值模式特征，以生成第三共生局部二值模式的第六特征图像。对应的，根据提取到的八个方向上的第五特征图像可以生成八个第三共生局部二值模式的第六特征图像。
在步骤S1040中，计算第六特征图像的第三归一化直方图，并连接第三归一化直方图，以形成正脸脸部特征，作为第一目标特征。同时遍历和计算8个第六特征图像的第三归一化直方图，再将这8个第三归一化直方图按照顺时针方向或者逆时针方向连接起来，形成第一目标特征。除此之外，还可以是其他的连接方式，本示例性实施例对此不做特殊限定。
在本示例性实施例中，使用共生局部二值模式提取人脸的正脸脸部特征，计算方式简单，表达方法简便，提取正脸脸部特征的速度更快，实用性更强。
在步骤S420中，在感兴趣区域中确定非对称关系的第二目标区域，并形成第二目标区域的第二目标特征。
在可选的实施例中，图11示出了形成第二目标特征的方法的流程示意图，如图11所示，该方法至少包括以下步骤：在步骤S1110中，在感兴趣区域中确定非对称关系的第二目标区域，利用边缘响应算子提取第二目标区域的第七特征图像。其中，第二目标区域可以是不具有对称关系的感兴趣区域。举例而言，感兴趣区域可以是1、2、3、4、5、6、7、8、9、10和11，其中，具有对称关系的感兴趣区域可以是1、2、3、4、5、6、7和8，那么，剩余的9、10、11不具有对称关系，可以确定为第二目标区域。这三个区域分别可以是额头、鼻梁和嘴巴，根据不同的划分方法，也可以是其他部位，本示例性实施例对此不做特殊限定。使用边缘响应算子提取第七特征图像时，可以首先划分k个提取方向。其中，边缘响应算子可以是Sobel算子，也可以为其他边缘响应算子，本示例性实施例对此不做特殊限定。鉴于人脸上的皱纹，例如嘴角皱纹、眼角皱纹等都是呈放射状的，因此，可以将k设定为8，亦即使用8个方向上的边缘响应算子提取八个方向上的第二目标区域的第七特征图像。除此之外，还可以设定为其他方向个数，本示例性实施例对此不做特殊限定。
在步骤S1120中，提取第七特征图像的第四共生局部二值模式特征，以生成第四共生局部二值模式的第八特征图像。第四共生局部二值模式特征可以是通过一些预定义的共生模式构建的，因此，可以根据提取到的第四局部二值模式特征得到第四共生局部二值模式特征，以生成第四共生局部二值模式的第八特征图像。对应的，根据提取到的八个方向上的第七特征图像可以生成八个第四共生局部二值模式的第八特征图像。
在步骤S1130中，计算第八特征图像的第四归一化直方图，并连接第四归一化直方图，以形成第二目标区域的第二目标特征。分别计算8个第八特征图像的第四归一化直方图，再将这8个第四归一化直方图按照顺时针方向或者逆时针方向连接起来，形成第二目标特征。除此之外，还可以是其他的连接方式，本示例性实施例对此不做特殊限定。
在本示例性实施例中，使用共生局部二值模式提取第二目标区域的第二目标特征，计算方式简单，表达方法简便，提取第二目标特征的速度更快，实用性更强。
在步骤S430中，连接第一目标特征与第二目标特征，以确定人脸的局部特征。根据提取到的4个第一目标特征和3个第二目标特征，可以将这7个目标特征按照顺时针方向或者逆时针方向连接起来，作为人脸的局部特征。除此之外，还可以是其他的连接方式，本示例性实施例对此不做特殊限定。
在本示例性实施例中，将感兴趣区域中的对称区域与非对称区域进行划分，有针对性地提取，并确定局部特征，准确度更高。
此时，可以获取到人脸的7个局部特征和1个全局特征，可以按照先全局特征再局部特征的方式进行连接，也可以按照先局部特征再全局特征的方式进行连接，将连接的结果确定为人脸的年龄特征。除此之外，还可以是其他的连接方式，本示例性实施例对此不做特殊限定。
在步骤S130中，将年龄特征输入至预先训练好的年龄识别模型中，以得到与待识别图像中的人脸对应的年龄值。
在本公开的示例性实施例中，预先训练好的年龄识别模型可以是根据年龄特征与年龄值样本训练成的。因此，将已确定的年龄特征输入至该年龄识别模型中，可以输出该人脸的年龄值。
在本示例性实施例中，通过将人脸的全局特征与局部特征进行融合得到年龄特征，并输入至年龄识别模型实现确定人脸年龄值的功能。一方面，减少了不同图像分辨率、性别、人脸不同姿态、表情对人脸年龄识别的影响；另一方面，算法精度高，速度快，还可用于基于嵌入式设备的人脸年龄识别。
针对相关技术中存在的问题，本公开还提出一种年龄识别模型的训练方法，图12示出了该年龄识别模型的训练方法的流程示意图，如图12所示，该年龄识别模型的训练方法至少包括以下步骤：
步骤S1210.检测并提取待识别图像样本中的人脸的特征点，并预处理待识别图像样本，以提取人脸的全局特征；
步骤S1220.基于特征点，提取人脸的局部特征，并根据全局特征与局部特征确定人脸的年龄特征；
步骤S1230.基于年龄特征和年龄值样本，通过支持向量机对年龄识别模型进行训练。
在本公开的示例性实施例中，通过将人脸的全局特征与局部特征进行融合得到年龄特征，并利用支持向量机实现训练年龄识别模型的功能。一方面，减少了不同图像分辨率、性别、人脸不同姿态、表情对模型构建的影响；另一方面，训练方法简单，速度快，训练过程易于掌握，为人脸年龄识别打下了夯实的基础。
下面对该年龄识别模型的训练方法的各个步骤进行详细说明。
在步骤S1210中，检测并提取待识别图像样本中的人脸的特征点，并预处理待识别图像样本，以提取人脸的全局特征。
在本公开的一种示例性实施例中，待识别图像样本可以是在已知其中的人脸年龄值样本的图像集合中选取的。提取其中的人脸的全局特征的方式与步骤S110具体实施方式相同，在此不再赘述。
在步骤S1220中，基于特征点，提取人脸的局部特征，并根据全局特征与局部特征确定人脸的年龄特征。
在本公开的一种示例性实施例中，步骤S1220与步骤S120的具体实施方式相同，在此不再赘述。
在步骤S1230中，基于年龄特征和年龄值样本，通过支持向量机对年龄识别模型进行训练。
在本公开的一种示例性实施例中，支持向量机(Support Vector Machine,简称SVM)是一类按照监督学习方式对数据进行二元分类的广义线性分类器。将已确定的年龄特征与年龄值样本输入至SVM，可以进行人脸年龄识别模型的训练。其中，SVM的核函数采用线性核函数。通过核函数来进行计算分类，主要用于线性分类，具有参数少和速度快的优点。
下面结合一应用场景对本公开实施例中的年龄识别方法做出详细说明。
图13示出了应用场景中的年龄识别方法的流程示意图，如图13所示，在步骤S1310中，可以获取待识别图像。在步骤S1320中，检测并提取待识别图像中的人脸的特征点，可以调用Dlib视觉库进行人脸检测及人脸68个特征点的提取。在步骤S1331中，对待识别图像进行去噪处理和仿射变换等预处理过程，并获取预处理之后的校正图像；在步骤S1332中，利用主动形状模型可以提取待识别图像中的人脸的全局特征。在步骤S1341中，根据特征点对人脸进行尺寸变化，亦即将各个特征点按照横坐标和纵坐标进行等比例缩放；在步骤S1342中，可以根据已获取的特征点确定人脸的感兴趣区域，举例而言，该感兴趣区域可以有11个，图14示出了获取到的感兴趣区域的区域示意图，如图14所示，该感兴趣区域共11个，其中有4对具有对称关系的感兴趣区域，有3个不具有对称关系的感兴趣区域；在步骤S1343中，根据11个感兴趣区域的尺寸信息可以确定该待识别图像中的人脸是侧脸还是正脸；在步骤S1344中，根据侧脸和正脸的不同情况，可以分别采用共生局部二值模式生成对应的共生局部二值模式的特征图像；在步骤S1345中，计算特征图像的归一化直方图，并连接该归一化直方图，得到人脸的局部特征。在步骤S1350中，根据已确定的全局特征和局部特征，可以得到人脸的年龄特征。在步骤S1360中，将该年龄特征输入至训练好的年龄识别模型中，可以进行人脸年龄识别。在步骤S1370中，最终得到与该人脸对应的年龄值。其中，步骤S1380给出了年龄识别模型的训练方法的流程示意图，与步骤S1310-S1370对应，在此不再赘述。
图15示出了提取第二正脸区域的第六特征图像的示意图，如图15(a)所示，该感兴趣区域为图14中的标号为7的感兴趣区域，对应人脸为正脸时的左边脸部分。如图15(b)所示，该图像是利用边缘响应算子提取的该感兴趣区域的第0方向的第六特征图像；如图15(c)所示，该图像是利用边缘响应算子提取的该感兴趣区域的第1方向的第六特征图像；如图15(d)所示，该图像是利用边缘响应算子提取的该感兴趣区域的第2方向的第六特征图像；如图15(e)所示，该图像是利用边缘响应算子提取的该感兴趣区域的第3方向的第六特征图像；如图15(f)所示，该图像是利用边缘响应算子提取的该感兴趣区域的第4方向的第六特征图像；如图15(g)所示，该图像是利用边缘响应算子提取的该感兴趣区域的第5方向的第六特征图像；如图15(h)所示，该图像是利用边缘响应算子提取的该感兴趣区域的第6方向的第六特征图像；如图15(i)所示，该图像是利用边缘响应算子提取的该感兴趣区域的第7方向的第六特征图像。可以看出，针对人脸的细节特征，使用了8个边缘响应算子提取到了八个第六特征图像。
图16示出了提取第一正脸区域的第六特征图像的示意图，如图16(a)所示，该感兴趣区域为图14中的标号为8的感兴趣区域，亦即与标号为7的感兴趣区域对称，且对应人脸为正脸时的右边脸部分。图16(b)示出了镜像正脸区域的示意图，如图16(b)所示，鉴于人脸上的皱纹等都是呈对称的放射状分布的，为保证在正脸提取的方向性，降低干扰，可以将第一正脸区域进行镜像变换，且为水平镜像变换，亦即将第一目标区域的左右部分以人脸垂直中轴线为中心进行镜像变换。由此可见，该镜像正脸区域的特征与第二正脸区域的特征基本相似，亦即像素值基本一致。如图16(c)所示，该图像是利用边缘响应算子提取的该感兴趣区域的第0方向的第六特征图像；如图16(d)所示，该图像是利用边缘响应算子提取的该感兴趣区域的第1方向的第六特征图像；如图16(e)所示，该图像是利用边缘响应算子提取的该感兴趣区域的第2方向的第六特征图像；如图16(f)所示，该图像是利用边缘响应算子提取的该感兴趣区域的第3方向的第六特征图像；如图16(g)所示，该图像是利用边缘响应算子提取的该感兴趣区域的第4方向的第六特征图像；如图16(h)所示，该图像是利用边缘响应算子提取的该感兴趣区域的第5方向的第六特征图像；如图16(i)所示，该图像是利用边缘响应算子提取的该感兴趣区域的第6方向的第六特征图像；如图16(j)所示，该图像是利用边缘响应算子提取的该感兴趣区域的第7方向的第六特征图像。可以看出，针对人脸的细节特征，使用了8个边缘响应算子提取到了八个第六特征图像。
基于分别在正脸的两个正脸区域提取到的第六特征图像，可以同时遍历每个方向的像素值，并进行归一化处理，生成8个归一化直方图。并且，将8个归一化直方图按照顺时针方向或者逆时针方向连接，生成该感兴趣区域的正脸脸部特征，形成第一目标特征，也就是提取到的人脸的局部特征。继续对该待识别图像中的人脸进行预处理，并提取其全局特征，可以得到该人脸的年龄特征，以将该年龄特征输入至训练好的年龄识别模型中，得到对应的年龄值。若人脸为左脸或者右脸时，具体实施方式相同，在此不再赘述。
在本公开的示例性实施例中，通过将人脸的全局特征与局部特征进行融合得到年龄特征，并输入至年龄识别模型实现确定人脸年龄值的功能。一方面，减少了不同图像分辨率、性别、人脸不同姿态、表情对人脸年龄识别的影响；另一方面，算法精度高，速度快，可用于基于嵌入式设备的人脸年龄识别。
需要说明的是，虽然以上示例性实施例的实施方式以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或者必须执行全部的步骤才能实现期望的结果。附加地或者备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
下面参照图17来描述根据本发明的这种实施例的电子设备1700。图17显示的电子设备1700仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图17所示，电子设备1700以通用计算设备的形式表现。电子设备1700的组件可以包括但不限于：上述至少一个处理单元1710、上述至少一个存储单元1720、连接不同系统组件(包括存储单元1720和处理单元1710)的总线1730、显示单元1740。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1710执行，使得所述处理单元1710执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
存储单元1720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)1721和/或高速缓存存储单元1722，还可以进一步包括只读存储单元(ROM)1723。
存储单元1720还可以包括具有一组(至少一个)程序模块1725的程序/实用工具1724，这样的程序模块1725包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1700也可以与一个或多个外部设备1900(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1700交互的设备通信，和/或与使得该电子设备1700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1750进行。并且，电子设备1700还可以通过网络适配器1760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1740通过总线1730与电子设备1700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图18所示，描述了根据本发明的实施例的用于实现上述方法的程序产品1800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
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、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (14)

1.一种年龄识别方法，其特征在于，所述方法包括：
检测并提取待识别图像中的人脸的特征点，并预处理所述待识别图像，以提取所述人脸的全局特征；
基于所述特征点，提取所述人脸的局部特征，并根据所述全局特征与所述局部特征确定所述人脸的年龄特征；
将所述年龄特征输入至预先训练好的年龄识别模型中，以得到与所述待识别图像中的人脸对应的年龄值。
2.根据权利要求1所述的年龄识别方法，其特征在于，所述基于所述特征点，提取所述人脸的局部特征，包括：
获取所述特征点，并根据所述特征点对所述人脸进行尺寸变化，确定所述人脸的感兴趣区域；
确定所述感兴趣区域中的目标区域，并提取所述目标区域的目标特征，以确定所述人脸的局部特征。
3.根据权利要求2所述的年龄识别方法，其特征在于，
所述目标区域包括第一目标区域和第二目标区域，
所述目标特征包括第一目标特征和第二目标特征，
所述确定所述感兴趣区域中的目标区域，并提取所述目标区域的目标特征，以确定所述人脸的局部特征，包括：
在所述感兴趣区域中确定具有对称关系的第一目标区域，并形成所述第一目标区域的第一目标特征；
在所述感兴趣区域中确定非对称关系的第二目标区域，并形成所述第二目标区域的第二目标特征；
连接所述第一目标特征与所述第二目标特征，以确定所述人脸的局部特征。
4.根据权利要求3所述的年龄识别方法，其特征在于，所述在所述感兴趣区域中确定具有对称关系的第一目标区域，并形成所述第一目标区域的第一目标特征，包括：
在所述感兴趣区域中确定具有对称关系的第一目标区域，以确定所述待识别图像中的人脸是否为侧脸；
若所述人脸为侧脸，提取所述侧脸的侧脸脸部特征，以作为所述第一目标特征；
若所述人脸为正脸，提取所述正脸的正脸脸部特征，以作为第一目标特征。
5.根据权利要求4所述的年龄识别方法，其特征在于，
所述第一目标区域包括第一对称区域和第二对称区域，
所述侧脸包括第一侧脸和第二侧脸，
所述确定所述待识别图像中的人脸是否为侧脸，包括：
获取所述第一对称区域的第一尺寸信息，并获取所述第二对称区域的第二尺寸信息；
计算所述第一尺寸信息和所述第二尺寸信息，并将计算结果确定为人脸判定信息；
若所述人脸判定信息满足第一预设条件，确定所述待识别图像中的人脸为所述第一侧脸；
若所述人脸判定信息满足第二预设条件，确定所述待识别图像中的人脸为所述第二侧脸；
若所述人脸判定信息满足第三预设条件，确定所述待识别图像中的人脸为所述正脸。
6.根据权利要求5所述的年龄识别方法，其特征在于，所述若所述人脸为侧脸，提取所述侧脸的侧脸脸部特征，以作为所述第一目标特征，包括：
若所述侧脸为所述第一侧脸，提取所述第一侧脸的第一侧脸脸部特征，以作为所述第一目标特征；
若所述侧脸为所述第二侧脸，提取所述第二侧脸的第二侧脸脸部特征，以作为所述第一目标特征。
7.根据权利要求6所述的年龄识别方法，其特征在于，所述若所述侧脸为第一侧脸，提取所述第一侧脸的第一侧脸脸部特征，以作为所述第一目标特征，包括：
若所述侧脸为第一侧脸，利用边缘响应算子提取所述第一目标区域的第一特征图像；
提取所述第一特征图像的第一共生局部二值模式特征，以生成第一共生局部二值模式的第二特征图像；
计算所述第二特征图像的第一归一化直方图，并连接所述第一归一化直方图，以形成所述第一侧脸脸部特征，作为所述第一目标特征。
8.根据权利要求6所述的年龄识别方法，其特征在于，所述若所述侧脸为第二侧脸，提取所述第二侧脸的第二侧脸脸部特征，以作为所述第一目标特征，包括：
若所述侧脸为第二侧脸，将所述第一目标区域进行镜像变换，以生成镜像目标区域；
利用边缘响应算子提取所述镜像目标区域的第三特征图像；
提取所述第三特征图像的第二共生局部二值模式特征，以生成第二共生局部二值模式的第四特征图像；
计算所述第四特征图像的第二归一化直方图，并连接所述第二归一化直方图，以形成所述第二侧脸特征，作为所述第一目标特征。
9.根据权利要求4所述的年龄识别方法，其特征在于，所述第一目标区域包括第一正脸区域和第二正脸区域，
所述若所述人脸为正脸，提取所述正脸的正脸脸部特征，以作为第一目标特征，包括：
若所述人脸为正脸，将所述第一正脸区域进行镜像变换，以生成镜像正脸区域；
利用边缘响应算子提取所述镜像正脸区域和所述第二正脸区域的第五特征图像；
提取所述第五特征图像的第三共生局部二值模式特征，以生成第三共生局部二值模式的第六特征图像；
计算所述第六特征图像的第三归一化直方图，并连接所述第三归一化直方图，以形成所述正脸脸部特征，作为所述第一目标特征。
10.根据权利要求3所述的年龄识别方法，其特征在于，所述在所述感兴趣区域中确定非对称关系的第二目标区域，并形成所述第二目标区域的第二目标特征，包括：
在所述感兴趣区域中确定非对称关系的第二目标区域，利用边缘响应算子提取所述第二目标区域的第七特征图像；
提取所述第七特征图像的第四共生局部二值模式特征，以生成第四共生局部二值模式的第八特征图像；
计算所述第八特征图像的第四归一化直方图，并连接所述第四归一化直方图，以形成所述第二目标区域的第二目标特征。
11.根据权利要求1所述的年龄识别方法，其特征在于，所述预处理所述待识别图像，以提取所述人脸的全局特征，包括：
利用高斯滤波对所述待识别图像进行去噪处理，以获取高斯滤波图像；
对所述高斯滤波图像进行仿射变换，以校正所述人脸，并获取校正图像；
基于所述校正图像，利用主动形状模型提取所述人脸的全局特征。
12.一种年龄识别模型的训练方法，其特征在于，包括：
检测并提取待识别图像样本中的人脸的特征点，并预处理所述待识别图像样本，以提取所述人脸的全局特征；
基于所述特征点，提取所述人脸的局部特征，并根据所述全局特征与所述局部特征确定所述人脸的年龄特征；
基于所述年龄特征和年龄值样本，通过支持向量机对年龄识别模型进行训练。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被发送器执行时实现权利要求1-11中任意一项所述的年龄识别方法或者权利要求12所述的年龄识别模型的训练方法。
14.一种电子设备，其特征在于，包括：
处理器；
存储器，用于存储所述发送器的可执行指令；
其中，所述发送器被配置为经由执行所述可执行指令来执行权利要求1-11中任意一项所述的年龄识别方法或者权利要求12所述的年龄识别模型的训练方法。
CN201910818783.7A 2019-08-30 2019-08-30 年龄识别方法、存储介质及电子设备 Active CN110532965B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910818783.7A CN110532965B (zh) 2019-08-30 2019-08-30 年龄识别方法、存储介质及电子设备
US16/840,597 US11361587B2 (en) 2019-08-30 2020-04-06 Age recognition method, storage medium and electronic device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910818783.7A CN110532965B (zh) 2019-08-30 2019-08-30 年龄识别方法、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN110532965A true CN110532965A (zh) 2019-12-03
CN110532965B CN110532965B (zh) 2022-07-26

Family

ID=68665733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910818783.7A Active CN110532965B (zh) 2019-08-30 2019-08-30 年龄识别方法、存储介质及电子设备

Country Status (2)

Country Link
US (1) US11361587B2 (zh)
CN (1) CN110532965B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112155554A (zh) * 2020-09-29 2021-01-01 北京昊泽管理咨询有限公司 一种基于儿童青少年颅部表面形态学发育特征确定个体发育年龄的方法、装置及设备
CN112836654A (zh) * 2021-02-07 2021-05-25 上海卓繁信息技术股份有限公司 一种基于融合的表情识别方法、装置和电子设备
CN112990145A (zh) * 2021-05-06 2021-06-18 冠传网络科技(南京)有限公司 一种基于组稀疏年龄估计方法及电子设备
CN114463806A (zh) * 2021-12-29 2022-05-10 四川新网银行股份有限公司 一种基于模型可视化的新特征自动预警方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10867161B2 (en) * 2017-09-06 2020-12-15 Pixart Imaging Inc. Auxiliary filtering device for face recognition and starting method for electronic device
CN111914761A (zh) * 2020-08-04 2020-11-10 南京华图信息技术有限公司 一种热红外人脸识别的方法及系统
CN113076833B (zh) * 2021-03-25 2024-05-31 深圳数联天下智能科技有限公司 年龄识别模型的训练方法、人脸年龄识别方法及相关装置
CN114582006B (zh) * 2022-05-06 2022-07-08 广东红橙云大数据有限公司 儿童跨年龄的面部识别方法、装置、电子设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504376A (zh) * 2014-12-22 2015-04-08 厦门美图之家科技有限公司 一种人脸图像的年龄分类方法和系统
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
CN105608448A (zh) * 2016-02-22 2016-05-25 海信集团有限公司 一种基于脸部关键点的lbp特征提取方法和装置
CN105809178A (zh) * 2014-12-31 2016-07-27 中国科学院深圳先进技术研究院 一种基于人脸属性的人群分析方法及装置
CN105989331A (zh) * 2015-02-11 2016-10-05 佳能株式会社 脸部特征提取装置、脸部特征提取方法、图像处理设备和图像处理方法
CN106469298A (zh) * 2016-08-31 2017-03-01 乐视控股（北京）有限公司 基于人脸图像的年龄识别方法及装置
CN106778584A (zh) * 2016-12-08 2017-05-31 南京邮电大学 一种基于深层特征与浅层特征融合的人脸年龄估计方法
CN107977613A (zh) * 2017-11-23 2018-05-01 高域（北京）智能科技研究院有限公司 提高人脸识别效率的方法和人脸识别系统
CN108596011A (zh) * 2017-12-29 2018-09-28 中国电子科技集团公司信息科学研究院 一种基于组合深度网络的人脸属性识别方法和装置
CN110069994A (zh) * 2019-03-18 2019-07-30 中国科学院自动化研究所 基于人脸多区域的人脸属性识别系统、方法

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5781650A (en) 1994-02-18 1998-07-14 University Of Central Florida Automatic feature detection and age classification of human faces in digital images
US7039222B2 (en) * 2003-02-28 2006-05-02 Eastman Kodak Company Method and system for enhancing portrait images that are processed in a batch mode
US7522773B2 (en) 2005-04-28 2009-04-21 Eastman Kodak Company Using time in recognizing persons in images
US10993744B2 (en) * 2007-12-18 2021-05-04 Howmedica Osteonics Corporation Preoperatively planning an arthroplasty procedure and generating a corresponding patient specific arthroplasty resection guide
US10575875B2 (en) * 2007-12-18 2020-03-03 Howmedica Osteonics Corporation Systems and methods for surgical planning of arthroplasty procedures
US8027521B1 (en) * 2008-03-25 2011-09-27 Videomining Corporation Method and system for robust human gender recognition using facial feature localization
JP5709410B2 (ja) * 2009-06-16 2015-04-30 キヤノン株式会社 パターン処理装置及びその方法、プログラム
US8503739B2 (en) * 2009-09-18 2013-08-06 Adobe Systems Incorporated System and method for using contextual features to improve face recognition in digital images
US8818034B2 (en) * 2009-11-30 2014-08-26 Hewlett-Packard Development Company, L.P. Face recognition apparatus and methods
JP2012198781A (ja) * 2011-03-22 2012-10-18 Sony Corp 情報処理装置、情報処理方法およびプログラム
KR102013928B1 (ko) * 2012-12-28 2019-08-23 삼성전자주식회사 영상 변형 장치 및 그 방법
CN104143097B (zh) 2013-05-09 2017-02-08 腾讯科技（深圳）有限公司 分类函数获取方法、人脸年龄识别方法、装置和设备
US9552374B2 (en) * 2013-08-19 2017-01-24 Kodak Alaris, Inc. Imaging workflow using facial and non-facial features
KR101635730B1 (ko) * 2014-10-08 2016-07-20 한국과학기술연구원 몽타주 생성 장치 및 방법, 그 방법을 수행하기 위한 기록 매체
US10303973B2 (en) * 2015-04-15 2019-05-28 Canon Kabushiki Kaisha Image processing apparatus, image processing method, and storage medium for lighting processing on image using model data
US10121055B1 (en) * 2015-09-08 2018-11-06 Carnegie Mellon University Method and system for facial landmark localization
US20170118357A1 (en) * 2015-10-27 2017-04-27 Foldables LLC Methods and systems for automatic customization of printed surfaces with digital images
US11010595B2 (en) * 2017-03-23 2021-05-18 Samsung Electronics Co., Ltd. Facial verification method and apparatus
US10565433B2 (en) 2017-03-30 2020-02-18 George Mason University Age invariant face recognition using convolutional neural networks and set distances
KR102333101B1 (ko) * 2017-06-21 2021-12-01 삼성전자주식회사 관심 객체에 대한 외부 광원의 속성 정보를 제공하는 방법을 지원하는 전자 장치
KR102299847B1 (ko) * 2017-06-26 2021-09-08 삼성전자주식회사 얼굴 인증 방법 및 장치
US10664716B2 (en) * 2017-07-19 2020-05-26 Vispek Inc. Portable substance analysis based on computer vision, spectroscopy, and artificial intelligence
CN107545249A (zh) 2017-08-30 2018-01-05 国信优易数据有限公司 一种人群年龄识别方法及装置
CN108960841A (zh) * 2018-07-16 2018-12-07 阿里巴巴集团控股有限公司 支付方法、装置及系统
CN109271958B (zh) 2018-09-30 2020-12-29 厦门市巨龙信息科技有限公司 人脸年龄识别方法及装置
CN110674744A (zh) * 2019-09-24 2020-01-10 京东方科技集团股份有限公司 一种年龄识别方法、装置及电子设备
US11816149B2 (en) * 2020-02-11 2023-11-14 Samsung Electronics Co., Ltd. Electronic device and control method thereof

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504376A (zh) * 2014-12-22 2015-04-08 厦门美图之家科技有限公司 一种人脸图像的年龄分类方法和系统
CN105809178A (zh) * 2014-12-31 2016-07-27 中国科学院深圳先进技术研究院 一种基于人脸属性的人群分析方法及装置
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
CN105989331A (zh) * 2015-02-11 2016-10-05 佳能株式会社 脸部特征提取装置、脸部特征提取方法、图像处理设备和图像处理方法
CN105608448A (zh) * 2016-02-22 2016-05-25 海信集团有限公司 一种基于脸部关键点的lbp特征提取方法和装置
CN106469298A (zh) * 2016-08-31 2017-03-01 乐视控股（北京）有限公司 基于人脸图像的年龄识别方法及装置
CN106778584A (zh) * 2016-12-08 2017-05-31 南京邮电大学 一种基于深层特征与浅层特征融合的人脸年龄估计方法
CN107977613A (zh) * 2017-11-23 2018-05-01 高域（北京）智能科技研究院有限公司 提高人脸识别效率的方法和人脸识别系统
CN108596011A (zh) * 2017-12-29 2018-09-28 中国电子科技集团公司信息科学研究院 一种基于组合深度网络的人脸属性识别方法和装置
CN110069994A (zh) * 2019-03-18 2019-07-30 中国科学院自动化研究所 基于人脸多区域的人脸属性识别系统、方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SUBHASH CHAND AGRAWAL等: "Automatic human age estimation system using fusion of local and global features", 《IEEE 2017 INTERNATIONAL CONFERENCE ON MULTIMEDIA, SIGNAL PROCESSING AND COMMUNICATION TECHNOLOGIES (IMPACT)》 *
廖原: "基于卷积网络的人脸年龄识别技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112155554A (zh) * 2020-09-29 2021-01-01 北京昊泽管理咨询有限公司 一种基于儿童青少年颅部表面形态学发育特征确定个体发育年龄的方法、装置及设备
CN112155554B (zh) * 2020-09-29 2021-05-18 北京昊泽管理咨询有限公司 一种基于儿童青少年颅部表面形态学发育特征确定个体发育年龄的方法、装置及设备
CN112836654A (zh) * 2021-02-07 2021-05-25 上海卓繁信息技术股份有限公司 一种基于融合的表情识别方法、装置和电子设备
CN112836654B (zh) * 2021-02-07 2024-06-07 上海卓繁信息技术股份有限公司 一种基于融合的表情识别方法、装置和电子设备
CN112990145A (zh) * 2021-05-06 2021-06-18 冠传网络科技(南京)有限公司 一种基于组稀疏年龄估计方法及电子设备
CN112990145B (zh) * 2021-05-06 2021-09-14 冠传网络科技(南京)有限公司 一种基于组稀疏年龄估计方法及电子设备
CN114463806A (zh) * 2021-12-29 2022-05-10 四川新网银行股份有限公司 一种基于模型可视化的新特征自动预警方法

Also Published As

Publication number Publication date
US11361587B2 (en) 2022-06-14
US20210064851A1 (en) 2021-03-04
CN110532965B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN110532965A (zh) 年龄识别方法、存储介质及电子设备
US11669607B2 (en) ID verification with a mobile device
US6707933B1 (en) Face direction estimation using a single gray-level image
CN106897658B (zh) 人脸活体的鉴别方法和装置
CN105512632B (zh) 活体检测方法及装置
KR101216123B1 (ko) 시청자 얼굴 추적정보 생성방법 및 생성장치, 그 기록매체 및 3차원 디스플레이 장치
CN105574518B (zh) 人脸活体检测的方法和装置
US7873189B2 (en) Face recognition by dividing an image and evaluating a similarity vector with a support vector machine
KR102357340B1 (ko) 얼굴 인식 방법 및 장치
US20160371539A1 (en) Method and system for extracting characteristic of three-dimensional face image
JP4743823B2 (ja) 画像処理装置、撮像装置、画像処理方法
Mian et al. Automatic 3d face detection, normalization and recognition
CN107590430A (zh) 活体检测方法、装置、设备及存储介质
CN103914676A (zh) 一种在人脸识别中使用的方法和装置
US20200302041A1 (en) Authentication verification using soft biometric traits
EP3642756B1 (en) Detecting artificial facial images using facial landmarks
US20230306792A1 (en) Spoof Detection Based on Challenge Response Analysis
CN112633217A (zh) 基于三维眼球模型计算视线方向的人脸识别活体检测方法
RU2316051C2 (ru) Способ и система автоматической проверки присутствия лица живого человека в биометрических системах безопасности
JP4708835B2 (ja) 顔検出装置、顔検出方法、及び顔検出プログラム
Tin Robust Algorithm for face detection in color images
Chen Design and simulation of AI remote terminal user identity recognition system based on reinforcement learning
KR102243466B1 (ko) 이미지 내 동물의 눈 영역을 검출하는 방법 및 장치
CN114581978A (zh) 人脸识别的方法和系统
CN114612991A (zh) 攻击人脸图片的转换方法及装置、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