CN110674744A - 一种年龄识别方法、装置及电子设备 - Google Patents
一种年龄识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110674744A CN110674744A CN201910905256.XA CN201910905256A CN110674744A CN 110674744 A CN110674744 A CN 110674744A CN 201910905256 A CN201910905256 A CN 201910905256A CN 110674744 A CN110674744 A CN 110674744A
- Authority
- CN
- China
- Prior art keywords
- face
- feature
- face image
- corrected
- recognized
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 54
- 238000012937 correction Methods 0.000 claims description 44
- 238000000605 extraction Methods 0.000 claims description 32
- 230000009466 transformation Effects 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 28
- 238000010606 normalization Methods 0.000 claims description 27
- 230000001815 facial effect Effects 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 21
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 12
- 238000001514 detection method Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 7
- 230000036544 posture Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06V10/32—Normalisation of the pattern dimensions
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种年龄识别方法及装置。所述方法包括:获取待识别人脸图像;提取所述待识别人脸图像中的人脸特征点,及所述人脸特征点在所述待识别人脸图像中的特征点坐标;根据所述特征点坐标,从所述待识别人脸图像中提取出人脸全局特征;根据所述人脸特征点,从所述待识别人脸图像中提取出人脸局部特征;根据所述人脸全局特征、所述人脸局部特征和预先训练得到的年龄识别模型,确定所述待识别人脸图像对应的年龄识别结果。本发明提供的年龄识别模型算法精度高、速度快,并且,对硬件的要求较低。
Description
技术领域
本发明涉及人脸图像处理技术领域,特别是涉及一种年龄识别方法、一种年龄识别装置及一种电子设备。
背景技术
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。
目前通用的年龄识别算法为CNN(Convolutional Neural Networks,卷积神经网络)深度学习技术的方法,虽然CNN技术算法精度比较高,但是算法复杂度高,比较耗时,对硬件的要求较高。
发明内容
本发明提供一种年龄识别方法、装置及电子设备,以解决现有技术中的年龄识别算法复杂度高,比较耗时,且对硬件的要求较高的问题。
为了解决上述问题,本发明公开了一种年龄识别方法,包括:
获取待识别人脸图像;
提取所述待识别人脸图像中的人脸特征点,及所述人脸特征点在所述待识别人脸图像中的特征点坐标;
根据所述特征点坐标,从所述待识别人脸图像中提取出人脸全局特征;
根据所述人脸特征点,从所述待识别人脸图像中提取出人脸局部特征;
根据所述人脸全局特征、所述人脸局部特征和预先训练得到的年龄识别模型,确定所述待识别人脸图像对应的年龄识别结果。
可选地,在所述提取所述待识别人脸图像中的人脸特征点,及所述人脸特征点在所述待识别人脸图像中的特征点坐标之后,还包括:
对所述待识别人脸图像进行去噪处理,得到去噪人脸图像;
根据所述特征点坐标,对所述去噪人脸图像中的人脸区域进行几何校正处理,生成校正人脸图像;
从所述校正人脸图像中,获取与所述人脸特征点对应的校正特征点,及所述校正特征点对应的校正特征点坐标。
可选地,所述根据所述特征点坐标,从所述待识别人脸图像中提取出人脸全局特征,包括:
根据所述校正特征点坐标,计算得到校正人脸区域的宽度和高度;
根据所述宽度和所述高度,对所述校正特征点坐标进行归一化处理,得到归一化坐标;
对所述归一化坐标进行处理,生成所述人脸全局特征。
可选地,所述根据所述宽度和所述高度,对所述校正特征点坐标进行归一化处理,得到归一化坐标,包括:
根据所述宽度,对所述校正特征点坐标对应的横坐标进行归一化处理,得到归一化横坐标;
根据所述高度,对所述校正特征点坐标对应的纵坐标进行归一化处理,得到归一化纵坐标。
可选地,所述对所述归一化坐标进行处理,生成所述人脸全局特征,包括:
根据所述归一化横坐标和所述归一化纵坐标,生成一维全局特征向量,将所述一维全局特征向量作为所述人脸全局特征。
可选地,在所述从所述校正人脸图像中,获取与所述人脸特征点对应的校正特征点,及所述校正特征点对应的校正特征点坐标之后,还包括:
按照预置比例,对所述校正人脸图像对应的校正人脸区域进行尺寸变换处理,得到变换人脸图像;
按照所述预置比例,对所述校正特征点坐标进行坐标变换处理,得到变换特征点坐标。
可选地,所述根据所述人脸特征点,从所述待识别人脸图像中提取出人脸局部特征,包括:
根据所述变换人脸图像中的变换人脸特征点,确定所述变换人脸图像对应的变换人脸区域中的感兴趣区域;
采用预置特征提取算法,提取出所述感兴趣区域内的人脸初始局部特征;
计算所述人脸初始局部特征对应的归一化直方图特征,将所述归一化直方图特征作为所述人脸局部特征。
为了解决上述问题,本发明公开了一种年龄识别装置,包括:
待识别图像获取模块,用于获取待识别人脸图像;
特征点坐标提取模块,用于提取所述待识别人脸图像中的人脸特征点,及所述人脸特征点在所述待识别人脸图像中的特征点坐标;
全局特征提取模块,用于根据所述特征点坐标,从所述待识别人脸图像中提取出人脸全局特征;
局部特征提取模块,用于根据所述人脸特征点,从所述待识别人脸图像中提取出人脸局部特征;
识别结果确定模块,用于根据所述人脸全局特征、所述人脸局部特征和预先训练得到的年龄识别模型,确定所述待识别人脸图像对应的年龄识别结果。
可选地,还包括:
去噪图像获取模块,用于对所述待识别人脸图像进行去噪处理,得到去噪人脸图像;
校正图像生成模块,用于根据所述特征点坐标,对所述去噪人脸图像中的人脸区域进行几何校正处理,生成校正人脸图像;
校正特征获取模块,用于从所述校正人脸图像中,获取与所述人脸特征点对应的校正特征点,及所述校正特征点对应的校正特征点坐标。
可选地,所述全局特征提取模块包括:
高度宽度计算子模块,用于根据所述校正特征点坐标,计算得到校正人脸区域的宽度和高度;
归一坐标获取子模块,用于根据所述宽度和所述高度,对所述校正特征点坐标进行归一化处理,得到归一化坐标;
全局特征生成子模块,用于对所述归一化坐标进行处理,生成所述人脸全局特征。
可选地,所述全局特征生成子模块包括:
归一横坐标获取子模块,用于根据所述宽度,对所述校正特征点坐标对应的横坐标进行归一化处理,得到归一化横坐标;
归一纵坐标获取子模块,用于根据所述高度,对所述校正特征点坐标对应的纵坐标进行归一化处理,得到归一化纵坐标。
可选地,所述全局特征生成子模块包括:
人脸全局特征获取子模块,用于根据所述归一化横坐标和所述归一化纵坐标,生成一维全局特征向量,将所述一维全局特征向量作为所述人脸全局特征。
可选地,还包括:
变换图像获取模块,用于按照预置比例,对所述校正人脸图像对应的校正人脸区域进行尺寸变换处理,得到变换人脸图像;
变换特征获取模块,用于按照所述预置比例,对所述校正特征点坐标进行坐标变换处理,得到变换特征点坐标。
可选地,所述局部特征提取模块包括:
感兴趣区域确定子模块,用于根据所述变换人脸图像中的变换人脸特征点,确定所述变换人脸图像对应的变换人脸区域中的感兴趣区域;
初始局部特征提取子模块,用于采用预置特征提取算法,提取出所述感兴趣区域内的人脸初始局部特征;
人脸局部特征获取子模块,用于计算所述人脸初始局部特征对应的归一化直方图特征,将所述归一化直方图特征作为所述人脸局部特征。
为了解决上述问题,本发明公开了一种电子设备,其特征在于,包括:处理器、存储器以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程序时实现上述任一项所述的年龄识别方法。
与现有技术相比,本发明包括以下优点:
本发明实施例提供了一种年龄识别方法、装置及电子设备,通过获取待识别人脸图像,提取待识别人脸图像中的人脸特征点,及人脸特征点在待识别人脸图像中的特征点坐标,根据特征点坐标,从待识别人脸图像中提取出人脸全局特征,根据人脸特征点,从待识别人脸图像中提取出人脸局部特征,根据人脸全局特征、人脸局部特征和预先训练得到的年龄识别模型,确定待识别人脸图像对应的年龄识别结果。本发明实施例提供的年龄识别模型通过融合全局特征和局部特征,可以有效减少不同图像分辨率、性别、人脸不同姿态、表情对人脸年龄识别的影响,算法精度高、速度快,同时人脸年龄识别模型对硬件的要求较低。
附图说明
图1示出了本发明实施例提供的一种年龄识别方法的步骤流程图;
图1a示出了本发明实施例提供的一种样本人脸图像的示意图;
图1b示出了本发明实施例提供的一种感兴趣区域的示意图;
图2示出了本发明实施例提供的一种年龄识别方法的步骤流程图;
图3示出了本发明实施例提供的一种年龄识别装置的结构示意图;
图4示出了本发明实施例提供的一种年龄识别装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1,示出了本发明实施例提供的一种年龄识别方法的步骤流程图,该年龄识别方法具体可以包括如下步骤:
步骤101:获取待识别人脸图像。
本发明实施例可以应用上述训练得到的年龄识别模型根据待识别人脸图像识别出用户年龄。
待识别人脸图像是指用于识别用户年龄的图像。
在某些示例中,可以通过移动终端预先设置的摄像头或照相机等设备拍摄用户的人脸图像,以获取待识别人脸图像。
在某些示例中,可以根据用户在互联网上传的人脸图像中采集一张人脸图像,以作为待识别人脸图像。
当然,在具体实现中,本领域技术人员还可以采用其它方式获取待识别人脸图像,具体地,可以根据业务需求而定,本发明实施例对此不加以限制。
在获取待识别人脸图像之后,执行步骤102。
步骤102:提取所述待识别人脸图像中的人脸特征点,及所述人脸特征点在所述待识别人脸图像中的特征点坐标。
人脸特征点是指人脸的关键点,如眼角、嘴角、鼻子等位置的点。
人脸特征点通常包括68个特征点,本发明实施例中提取的人脸特征点优选为全部的68个特征点,也可以为其它个数的特征点,具体地,可以根据业务需求而定。
在得到待识别人脸图像之后,可以采用dlib库进行人脸检测,并根据检测结果提取出待识别人脸图像中的人脸特征点。
当然,还可以采用其它方式提取出待识别人脸图像中的人脸特征点,例如,首先,将待识别人脸图像进行人脸检测定位与剪裁和三通道多特征图融合,得到三通道GEH模式图Picture,然后,以三种特征图融合后的三通道GEH模式图作为卷积神经网络的输入,进行网络人脸特征提取,最后,采用梯度方向传播算法对双任务损失函数进行网络训练,最终学习到人脸特征点检测权重,在测试过程中,经过相同的人脸特征提取网络,实现人脸特征点检测。
在具体实现中,还可以采用其它方式提取待识别人脸图像中的人脸特征点,本发明实施例对此不加以限制。
特征点坐标是指人脸特征点在待识别人脸图像中的二维坐标,例如,可以将待识别人脸图像的左上角作为坐标原点,建立二维图像坐标系,并根据人脸特征点所处的位置,以提取出人脸特征点对应的特征点坐标。
在提取待识别人脸图像中的人脸特征点,及人脸特征点在所述待识别人脸图像中的特征点坐标之后,执行步骤103。
步骤103:根据所述特征点坐标,从所述待识别人脸图像中提取出人脸全局特征。
人脸全局特征是指结合人脸的全部关键点构建得到的人脸特征。
在得到待识别人脸图像中的人脸特征点对应的特征点坐标之后,可以根据特征点坐标,从待识别人脸图像中提取出人脸全局特征。具体地,可以根据人脸图像中人脸的所有特征点坐标,获取相应的归一化坐标,并将所有归一化坐标中的横坐标和纵坐标相连,生成一个一维特征向量,可以将该一维特征向量作为人脸全局特征。
对于上述提取人脸全局特征的具体实施方式将在下述实施例中进行详细描述,本发明实施例在此不再加以赘述。
步骤104:根据所述人脸特征点,从所述待识别人脸图像中提取出人脸局部特征。
人脸局部特征是指根据人脸的感兴趣区域提取的特征相连接,得到的局部特征。
在提取出待识别人脸图像中的人脸特征点之后,可以根据人脸特征点从待识别人脸图像中提取出人脸局部特征,具体地,可以根据人脸特征点从待识别人脸图像的人脸区域中确定出感兴趣区域,然后从感兴趣区域内提取出初始局部特征,然后计算初始局部特征对应的归一化直方图特征,可以将该归一化直方图特征作为人脸局部特征。
对于从待识别人脸图像中提取出人脸局部特征的详细过程,将在下述实施例中进行详细描述,本发明实施例在此不再加以赘述。
步骤105:根据所述人脸全局特征、所述人脸局部特征和预先训练得到的年龄识别模型,确定所述待识别人脸图像对应的年龄识别结果。
在得到待识别人脸图像中的人脸全局特征和人脸局部特征之后,可以将人脸全局特征和人脸局部特征作为待识别人脸图像对应的年龄识别特征。
年龄识别模型是指可以根据用户的人脸图像识别出用户年龄的模型,本发明实施例中的年龄识别模型优选为SVM(Support Vector Machine,支持向量机)分类器。
年龄识别模型可以采用预置年龄段的多个样本人脸图像训练得到的,具体地过程可以参见下述描述过程。
预置年龄段可以是由业务人员预先设置的年龄段,例如,业务人员可以预先设置5~10岁为一个年龄段,10~15岁为一个年龄段,15~20岁为一个年龄段等等。
可以理解地,上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例,不作为对本发明实施例的唯一限制。
样本人脸图像是指用于对年龄识别模型进行训练的图像,在具体实现中,可以选取800张或1000张等数量的样本人脸图像对模型进行训练,具体地,可以根据实际情况而定,本发明实施例对此不加以限制。
当然,针对不同的预置年龄段可以分别选择多张样本人脸图像,以对模型进行训练,每个预置年龄段选择的样本人脸图像的数量可以是相同的,也可以是不相同的,本发明实施例对此也不加以限制。
在某些示例中,样本人脸图像可以是由业务人员采集的预置年龄段的多张样本人脸图像。
在某些示例中,样本人脸图像可以是由业务人员从互联网上搜索下载的预置年龄段的多张样本人脸图像。
当然,不仅限于此,在具体实现中,还可以是采用其它方式获取的预置年龄段的样本人脸图像,从预先设置的人脸图像数据库中获取的预置年龄段的样本人脸图像等等,具体地,可以根据业务需求而定,本发明实施例对此也不加以限制。
在获取预置年龄段的样本人脸图像之后,可以分别提取样本人脸图像中的人脸全局特征和人脸局部特征,并将该人脸全局特征和人脸局部特征作为预置年龄段对应的年龄特征输入至SVM分类器进行训练,从而可以得到年龄识别模型。
可以理解地,上述模型训练过程仅是为了更好地理解本发明实施例的技术方案而提出的模型训练方案,在具体实现中,本领域技术人员还可以采用其它模型训练方式,本发明实施例对此不加以限制。
在训练得到年龄识别模型之后,可以将待识别人脸图像对应的年龄识别特征输入预先训练得到的年龄识别模型,可以由年龄识别模型根据年龄识别特征,确定出待识别人脸图像对应的年龄识别结果,即待识别年龄对应的用户的年龄段。
本发明实施例提供的年龄识别模型通过融合全局特征和局部特征,可以有效减少不同图像分辨率、性别、人脸不同姿态、表情对人脸年龄识别的影响,算法精度高、速度快。
本发明实施例提供的年龄识别方法,通过获取待识别人脸图像,提取待识别人脸图像中的人脸特征点,及人脸特征点在待识别人脸图像中的特征点坐标,根据特征点坐标,从待识别人脸图像中提取出人脸全局特征,根据人脸特征点,从待识别人脸图像中提取出人脸局部特征,根据人脸全局特征、人脸局部特征和预先训练得到的年龄识别模型,确定待识别人脸图像对应的年龄识别结果。本发明实施例提供的年龄识别模型通过融合全局特征和局部特征,可以有效减少不同图像分辨率、性别、人脸不同姿态、表情对人脸年龄识别的影响,算法精度高、速度快,同时人脸年龄识别模型对硬件的要求较低。
参照图2,示出了本发明实施例提供的一种年龄识别方法的步骤流程图,该年龄识别方法具体可以包括如下步骤:
步骤201:获取待识别人脸图像。
本发明实施例可以应用上述训练得到的年龄识别模型根据待识别人脸图像识别出用户年龄。
待识别人脸图像是指用于识别用户年龄的图像。
在某些示例中,可以通过移动终端预先设置的摄像头或照相机等设备拍摄用户的人脸图像,以获取待识别人脸图像。
在某些示例中,可以根据用户在互联网上传的人脸图像中采集一张人脸图像,以作为待识别人脸图像。
当然,在具体实现中,本领域技术人员还可以采用其它方式获取待识别人脸图像,具体地,可以根据业务需求而定,本发明实施例对此不加以限制。
在获取待识别人脸图像之后,执行步骤202。
步骤202:提取所述待识别人脸图像中的人脸特征点,及所述人脸特征点在所述待识别人脸图像中的特征点坐标。
人脸特征点是指人脸的关键点,如眼角、嘴角、鼻子等位置的点。
人脸特征点通常包括68个特征点,本发明实施例中提取的人脸特征点优选为全部的68个特征点,也可以为其它个数的特征点,具体地,可以根据业务需求而定。
在得到待识别人脸图像之后,可以采用dlib库进行人脸检测,并根据检测结果提取出待识别人脸图像中的人脸特征点。
当然,还可以采用其它方式提取出待识别人脸图像中的人脸特征点,例如,首先,将待识别人脸图像进行人脸检测定位与剪裁和三通道多特征图融合,得到三通道GEH模式图Picture,然后,以三种特征图融合后的三通道GEH模式图作为卷积神经网络的输入,进行网络人脸特征提取,最后,采用梯度方向传播算法对双任务损失函数进行网络训练,最终学习到人脸特征点检测权重,在测试过程中,经过相同的人脸特征提取网络,实现人脸特征点检测。
在具体实现中,还可以采用其它方式提取待识别人脸图像中的人脸特征点,本发明实施例对此不加以限制。
特征点坐标是指人脸特征点在待识别人脸图像中的二维坐标,例如,可以将待识别人脸图像的左上角作为坐标原点,建立二维图像坐标系,并根据人脸特征点所处的位置,以提取出人脸特征点对应的特征点坐标。
在提取待识别人脸图像中的人脸特征点,及人脸特征点在所述待识别人脸图像中的特征点坐标之后,执行步骤203。
步骤203:对所述待识别人脸图像进行去噪处理,得到去噪人脸图像。
去噪人脸图像是指对样本人脸图像进行去噪处理之后,得到的人脸图像。
去噪处理即图像去噪,是指减少数字图像中噪声的过程称为图像去噪。现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响,称为含噪图像或噪声图像。
在进行图像去噪时,通常是采用滤波器来进行的,如均值滤波器、自适应维纳滤波器、中值滤波器、形态学噪声滤除器等等,具体地,可以根据业务需求而定,本发明实施例对此不加以限制。
在对待识别人脸图像进行去噪处理,可以得到待识别人脸图像所对应的去噪人脸图像。
在对待识别人脸图像进行去噪处理,得到去噪人脸图像之后,执行步骤204。
步骤204:根据所述特征点坐标,对所述去噪人脸图像中的人脸区域进行几何校正处理,生成校正人脸图像。
几何校正是指消除或改正样本人脸图像中的几何误差的过程。
校正人脸图像是指对去噪人脸图像中的人脸区域进行几何校正处理之后,而得到的人脸图像,通过几何校正处理的方式,可以使得原人脸图像中可以避免人脸图像中的人脸存在歪斜等情况。
在得到去噪人脸图像之后,可以根据人脸特征点坐标对去噪人脸图像中的人脸区域进行几何校正处理,具体地,可以根据特征点坐标确定仿射变换矩阵,根据仿射变换矩阵对去噪人脸图像中的人脸区域进行几何校正处理,从而可以生成校正人脸图像。
仿射变换是在几何上定义为两个向量空间之间的一个仿射变换或者仿射映射(来自拉丁语,affine,“和…相关”)由一个非奇异的线性变换(运用一次函数进行的变换)接上一个平移变换组成。在有限维的情况,每个仿射变换可以由一个矩阵A和一个向量b给出,它可以写作A和一个附加的列b。一个仿射变换对应于一个矩阵和一个向量的乘法,而仿射变换的复合对应于普通的矩阵乘法,只要加入一个额外的行到矩阵的底下,这一行全部是0除了最右边是一个1,而列向量的底下要加上一个1。
而根据特征点坐标确定仿射变换矩阵的技术已经是本领域较为成熟的技术方案,本发明实施例对于此过程不再加以详细赘述。
在得到仿射变换矩阵之后,可以根据仿射变换矩阵对去噪人脸图像中的人脸区域进行几何校正,从而生成校正人脸图像,通过几何校正可以使图像中的人脸在相平面内的位置端正。
在根据特征点坐标,对去噪人脸图像中的人脸区域进行几何校正处理,生成校正人脸图像之后,执行步骤205。
步骤205:从所述校正人脸图像中,获取与所述人脸特征点对应的校正特征点,及所述校正特征点对应的校正特征点坐标。
在对待识别人脸图像进行预处理操作(即上述去噪、几何校正等处理操作)之后,生成的校正人脸图像与待识别人脸图像中的人脸区域即发生了位置的变化,可以根据改变的位置确定校正人脸图像中与待识别人脸图像中相对应的人脸特征点(即校正特征点)。
并根据改变后的校正特征点的位置,确定校正特征点坐标。
在从校正人脸图像中,获取与人脸特征点对应的校正特征点,及校正特征点对应的校正特征点坐标之后,执行步骤206。
步骤206:根据所述校正特征点坐标,计算得到校正人脸区域的宽度和高度。
校正人脸区域是指对待识别人脸图像进行预处理之后,生成的校正人脸图像中人脸所处的区域。
宽度是指校正人脸区域的宽度,高度即为校正人脸区域的高度。
校正人脸区域可以是根据校正特征点坐标中的最大横坐标和最小横坐标,及最大纵坐标和最小纵坐标共同组成的人脸区域,即为一个方形区域,例如,参照图1a,示出了本发明实施例提供的一种样本人脸图像的示意图,如图1a所示,所得到最外围的横线组成的方形框即为校正人脸区域。
当然,在计算宽度时,可以根据最大横坐标和最小横坐标计算得到宽度,即计算最大横坐标和最小横坐标之间的差值,该差值的绝对值即为校正人脸区域的宽度。
在计算高度时,可以根据最大纵坐标和最小纵坐标计算得到高度,即计算最大纵坐标和最小纵坐标之间的差值,该差值的绝对值即为校正人脸区域的高度。
在根据校正特征点坐标计算得到校正人脸区域的宽度和高度之后,执行步骤207。
步骤207:根据所述宽度和所述高度,对所述校正特征点坐标进行归一化处理,得到归一化坐标。
归一化是一种无量纲处理手段,使物理系统数值的绝对值变成某种相对值关系。简化计算,缩小量值的有效办法。例如,滤波器中各个频率值以截止频率作归一化后,频率都是截止频率的相对值,没有了量纲。
归一化坐标是指对校正特征点坐标进行归一化处理之后,得到的坐标。
在计算得到校正人脸区域的高度和宽度之后,可以根据高度和宽度对校正特征点进行归一化处理,从而可以得到校正特征点坐标对应的归一化坐标。
归一化坐标包括归一化横坐标和归一化纵坐标,而对于上述获取归一化坐标的过程,可以参照下述具体实现方式的描述。
在本发明的一种具体实现中,上述步骤207可以包括:
子步骤A1:根据所述宽度,对所述校正特征点坐标对应的横坐标进行归一化处理,得到归一化横坐标。
在本发明实施例中,在得到校正人脸区域的宽度之后,可以根据宽度对校正特征点坐标对应的横坐标进行归一化处理,从而得到归一化横坐标。
可以理解地,校正特征点坐标为多个,分别记为x1、x2、...、xn,其中,n为大于等于1的正整数,宽度记为w,根据宽度对校正特征点坐标对应的横坐标进行归一化处理,得到的归一化横坐标即为:x1/w、x2/w、...、xn/w。
子步骤A2:根据所述高度,对所述校正特征点坐标对应的纵坐标进行归一化处理,得到归一化纵坐标。
在得到校正人脸区域的高度之后,可以根据高度对校正特征点坐标对应的纵坐标进行归一化处理,从而得到归一化纵坐标。
可以理解地,校正特征点坐标为多个,分别记为y1、y2、...、yn,其中,n为大于等于1的正整数,宽度记为h,根据高度对校正特征点坐标对应的纵坐标进行归一化处理,得到的归一化纵坐标即为:y1/h、y2/h、...、yn/h。
在根据宽度和高度对校正特征点坐标进行归一化处理,得到归一化坐标之后,执行步骤208。
步骤208:对所述归一化坐标进行处理,生成所述人脸全局特征。
在得到归一化坐标之后,可以对归一化坐标进行处理,具体地,可以将所有特征点对应的归一化坐标相连接,从而得到一个一维向量,并将该一维向量作为人脸全局特征。
而在上述过程中,归一化坐标同时包含了归一化横坐标和归一化纵坐标,进而,以将所有校正特征点对应的归一化处理后的归一化横坐标和归一化纵坐标相连接,可以生成人脸全局特征向量,如:xi,yi,...xj,yj,人脸全局特征向量为一个一维全局特征向量,进而,可以将一维全局特征向量作为人脸全局特征。
步骤209:按照预置比例,对所述校正人脸图像对应的校正人脸区域进行尺寸变换处理,得到变换人脸图像。
在本发明实施例中,预置比例可以是由业务人员预先设置的对人脸图像中的人脸区域进行尺寸变换的比例。
变换人脸图像是指对校正图像中的校正人脸区域进行尺寸变换之后,得到的人脸图像。
在得到校正人脸图像之后,可以按照预置比例对校正人脸图像对应的校正人脸区域进行尺寸变换处理,例如,将校正人脸图像中的人脸区域按按高度扩大或缩放到预置比较(如预置比例N可取值为64等)。
步骤210:按照所述预置比例,对所述校正特征点坐标进行坐标变换处理,得到变换特征点坐标。
变换特征点坐标是指对校正特征点坐标进行坐标变换处理之后,得到的特征点坐标。
而在对校正人脸区域按照预置比例进行尺寸变换处理之后,还可以按照预置比例对校正特征点坐标进行坐标变换处理,从而得到变换特征点坐标。
步骤211:根据所述变换人脸图像中的变换人脸特征点,确定所述变换人脸图像对应的变换人脸区域中的感兴趣区域。
感兴趣区域(Region Of Interest,ROI):机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域。
在图像处理区域,感兴趣区域是从图像中选择的一个图像区域,这个区域是图像分析关注的重点,圈定该区域以便进行进一步处理,使用ROI圈定感兴趣区域,可以减少处理时间,增加精度。
在得到变换人脸图像之后,可以根据各变换特征点,从变换人脸区域中确定出感兴趣区域,例如,参照图1b,示出了本发明实施例提供的一种感兴趣区域的示意图,如图1b所示,根据特征点可以确定人脸的额头、下巴、鼻子、眼角、面颊和嘴角等11个感兴趣区域,如图1b所示的:1、2、...、11。
可以理解地,上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例,不作为对本发明实施例的唯一限制。
在根据变换人脸图像中的变换人脸特征点,确定变换人脸图像对应的变换人脸区域中的感兴趣区域之后,执行步骤212。
步骤212:采用预置特征提取算法,提取出所述感兴趣区域内的人脸初始局部特征。
步骤213:计算所述人脸初始局部特征对应的归一化直方图特征,将所述归一化直方图特征作为所述人脸局部特征。
预置特征提取算法是指从感兴趣区域提取人脸初始局部特征的算法,具体地,可以根据变换人脸图像中不同的侧脸提取相应的人脸初始局部特征,以下述过程进行详细描述。
如图1b所示,确定人脸是否处于侧脸的情况:4对(1和2、3和4、5和6、7和8)对称的感兴趣区域的宽度比值,确定该张人脸是否处于侧脸的情况。确定规则可以为:如果这4对对称区域处于左边脸的宽度与处于右边脸的宽度的比值均小于0.5则为右侧脸,如果这些比值均大于2,则为左侧脸。
对于4对对称的感兴趣区域(1和2、3和4、5和6、7和8),分别按下面步骤提取生成4个人脸初始局部特征:
a)如果为左侧脸,对于1对对称ROI区域,则仅提取左边脸的ROI区域的局部特征CoLBP(即人脸初始局部特征),计算其归一化直方图作为特征;
b)如果为右侧脸,对于1对对称ROI区域,则仅提取右边脸的ROI区域的局部特征CoLBP,计算其归一化直方图作为特征;
c)否则,对于1对对称ROI区域,均提取其局部特征CoLBP,同时统计这1对对称区域的归一化直方图作为特征。
而对于其余非对称的感兴趣区域(9、10、11),提取其局部特征CoLBP,计算其归一化直方图作为特征。
在得到上述7个特征之后,可以将这7个特征连接起来,从而生成一个一维向量,可以将该一维向量作为人脸局部特征。
计算人脸初始局部特征对应的归一化直方图特征,将归一化直方图特征作为人脸局部特征之后,执行步骤214。
步骤214:根据所述人脸全局特征、所述人脸局部特征和预先训练得到的年龄识别模型,确定所述待识别人脸图像对应的年龄识别结果。
在得到人脸全局特征和人脸局部特征之后,可以将人脸全局特征和人脸局部特征作为人脸年龄特征,具体地,上述得到的人脸全局特征和人脸局部特征均为一维向量,从而可以将两个一维向量相连接,共同组成一个组合一维向量,该组合一维向量即为人脸年龄特征。
年龄识别模型是指可以根据用户的人脸图像识别出用户年龄的模型,本发明实施例中的年龄识别模型优选为SVM(Support Vector Machine,支持向量机)分类器。
年龄识别模型可以采用预置年龄段的多个样本人脸图像训练得到的,具体地过程可以参见下述描述过程。
预置年龄段可以是由业务人员预先设置的年龄段,例如,业务人员可以预先设置5~10岁为一个年龄段,10~15岁为一个年龄段,15~20岁为一个年龄段等等。
可以理解地,上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例,不作为对本发明实施例的唯一限制。
样本人脸图像是指用于对年龄识别模型进行训练的图像,在具体实现中,可以选取800张或1000张等数量的样本人脸图像对模型进行训练,具体地,可以根据实际情况而定,本发明实施例对此不加以限制。
当然,针对不同的预置年龄段可以分别选择多张样本人脸图像,以对模型进行训练,每个预置年龄段选择的样本人脸图像的数量可以是相同的,也可以是不相同的,本发明实施例对此也不加以限制。
在某些示例中,样本人脸图像可以是由业务人员采集的预置年龄段的多张样本人脸图像。
在某些示例中,样本人脸图像可以是由业务人员从互联网上搜索下载的预置年龄段的多张样本人脸图像。
当然,不仅限于此,在具体实现中,还可以是采用其它方式获取的预置年龄段的样本人脸图像,从预先设置的人脸图像数据库中获取的预置年龄段的样本人脸图像等等,具体地,可以根据业务需求而定,本发明实施例对此也不加以限制。
在获取预置年龄段的样本人脸图像之后,可以分别提取样本人脸图像中的人脸全局特征和人脸局部特征,并将该人脸全局特征和人脸局部特征作为预置年龄段对应的年龄特征输入至SVM分类器进行训练,从而可以得到年龄识别模型。
可以理解地,上述模型训练过程仅是为了更好地理解本发明实施例的技术方案而提出的模型训练方案,在具体实现中,本领域技术人员还可以采用其它模型训练方式,本发明实施例对此不加以限制。
在训练得到年龄识别模型之后,可以将待识别人脸图像对应的年龄识别特征输入预先训练得到的年龄识别模型,可以由年龄识别模型根据年龄识别特征,确定出待识别人脸图像对应的年龄识别结果,即待识别年龄对应的用户的年龄段。
本发明实施例提供的年龄识别模型通过融合全局特征和局部特征,可以有效减少不同图像分辨率、性别、人脸不同姿态、表情对人脸年龄识别的影响,算法精度高、速度快。
本发明实施例提供的年龄识别方法,通过获取待识别人脸图像,提取待识别人脸图像中的人脸特征点,及人脸特征点在待识别人脸图像中的特征点坐标,根据特征点坐标,从待识别人脸图像中提取出人脸全局特征,根据人脸特征点,从待识别人脸图像中提取出人脸局部特征,根据人脸全局特征、人脸局部特征和预先训练得到的年龄识别模型,确定待识别人脸图像对应的年龄识别结果。本发明实施例提供的年龄识别模型通过融合全局特征和局部特征,可以有效减少不同图像分辨率、性别、人脸不同姿态、表情对人脸年龄识别的影响,算法精度高、速度快,同时人脸年龄识别模型对硬件的要求较低。
参照图3,示出了本发明实施例提供的一种年龄识别装置的结构示意图,该年龄识别装置具体可以包括如下模块:
待识别图像获取模块310,用于获取待识别人脸图像;
特征点坐标提取模块320,用于提取所述待识别人脸图像中的人脸特征点,及所述人脸特征点在所述待识别人脸图像中的特征点坐标;
全局特征提取模块330,用于根据所述特征点坐标,从所述待识别人脸图像中提取出人脸全局特征;
局部特征提取模块340,用于根据所述人脸特征点,从所述待识别人脸图像中提取出人脸局部特征;
识别结果确定模块350,用于根据所述人脸全局特征、所述人脸局部特征和预先训练得到的年龄识别模型,确定所述待识别人脸图像对应的年龄识别结果。
本发明实施例提供的年龄识别装置,通过获取待识别人脸图像,提取待识别人脸图像中的人脸特征点,及人脸特征点在待识别人脸图像中的特征点坐标,根据特征点坐标,从待识别人脸图像中提取出人脸全局特征,根据人脸特征点,从待识别人脸图像中提取出人脸局部特征,根据人脸全局特征、人脸局部特征和预先训练得到的年龄识别模型,确定待识别人脸图像对应的年龄识别结果。本发明实施例提供的年龄识别模型通过融合全局特征和局部特征,可以有效减少不同图像分辨率、性别、人脸不同姿态、表情对人脸年龄识别的影响,算法精度高、速度快,同时人脸年龄识别模型对硬件的要求较低。
参照图4,示出了本发明实施例提供的一种年龄识别装置的结构示意图,该年龄识别装置具体可以包括如下模块:
待识别图像获取模块410,用于获取待识别人脸图像;
特征点坐标提取模块420,用于提取所述待识别人脸图像中的人脸特征点,及所述人脸特征点在所述待识别人脸图像中的特征点坐标;
去噪图像获取模块430,用于对所述待识别人脸图像进行去噪处理,得到去噪人脸图像;
校正图像生成模块440,用于根据所述特征点坐标,对所述去噪人脸图像中的人脸区域进行几何校正处理,生成校正人脸图像;
校正特征获取模块450,用于从所述校正人脸图像中,获取与所述人脸特征点对应的校正特征点,及所述校正特征点对应的校正特征点坐标;
全局特征提取模块460,用于根据所述特征点坐标,从所述待识别人脸图像中提取出人脸全局特征;
变换图像获取模块470,用于按照预置比例,对所述校正人脸图像对应的校正人脸区域进行尺寸变换处理,得到变换人脸图像;
变换特征获取模块480,用于按照所述预置比例,对所述校正特征点坐标进行坐标变换处理,得到变换特征点坐标;
局部特征提取模块490,用于根据所述人脸特征点,从所述待识别人脸图像中提取出人脸局部特征;
识别结果确定模块4100,用于根据所述人脸全局特征、所述人脸局部特征和预先训练得到的年龄识别模型,确定所述待识别人脸图像对应的年龄识别结果。
在本发明的一种具体实现中,所述全局特征提取模块460包括:
高度宽度计算子模块461,用于根据所述校正特征点坐标,计算得到校正人脸区域的宽度和高度;
归一坐标获取子模块462,用于根据所述宽度和所述高度,对所述校正特征点坐标进行归一化处理,得到归一化坐标;
全局特征生成子模块463,用于对所述归一化坐标进行处理,生成所述人脸全局特征。
在本发明的一种具体实现中,所述归一坐标获取子模块462包括:
归一横坐标获取子模块,用于根据所述宽度,对所述校正特征点坐标对应的横坐标进行归一化处理,得到归一化横坐标;
归一纵坐标获取子模块,用于根据所述高度,对所述校正特征点坐标对应的纵坐标进行归一化处理,得到归一化纵坐标。
在本发明的一种具体实现中,所述全局特征生成子模块463包括:
人脸全局特征获取子模块,用于根据所述归一化横坐标和所述归一化纵坐标,生成一维全局特征向量,将所述一维全局特征向量作为所述人脸全局特征。
在本发明的一种具体实现中,所述局部特征提取模块490包括:
感兴趣区域确定子模块491,用于根据所述变换人脸图像中的变换人脸特征点,确定所述变换人脸图像对应的变换人脸区域中的感兴趣区域;
初始局部特征提取子模块492,用于采用预置特征提取算法,提取出所述感兴趣区域内的人脸初始局部特征;
人脸局部特征获取子模块493,用于计算所述人脸初始局部特征对应的归一化直方图特征,将所述归一化直方图特征作为所述人脸局部特征。
本发明实施例提供的年龄识别装置,通过获取待识别人脸图像,提取待识别人脸图像中的人脸特征点,及人脸特征点在待识别人脸图像中的特征点坐标,根据特征点坐标,从待识别人脸图像中提取出人脸全局特征,根据人脸特征点,从待识别人脸图像中提取出人脸局部特征,根据人脸全局特征、人脸局部特征和预先训练得到的年龄识别模型,确定待识别人脸图像对应的年龄识别结果。本发明实施例提供的年龄识别模型通过融合全局特征和局部特征,可以有效减少不同图像分辨率、性别、人脸不同姿态、表情对人脸年龄识别的影响,算法精度高、速度快,同时人脸年龄识别模型对硬件的要求较低。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
另外地,本发明实施例还提供了一种电子设备,包括:处理器、存储器以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程序时实现上述任一项所述的年龄识别方法。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种年龄识别方法、一种年龄识别装置和一种电子设备,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种年龄识别方法,其特征在于,包括:
获取待识别人脸图像;
提取所述待识别人脸图像中的人脸特征点,及所述人脸特征点在所述待识别人脸图像中的特征点坐标;
根据所述特征点坐标,从所述待识别人脸图像中提取出人脸全局特征;
根据所述人脸特征点,从所述待识别人脸图像中提取出人脸局部特征;
根据所述人脸全局特征、所述人脸局部特征和预先训练得到的年龄识别模型,确定所述待识别人脸图像对应的年龄识别结果。
2.根据权利要求1所述的方法,其特征在于,在所述提取所述待识别人脸图像中的人脸特征点,及所述人脸特征点在所述待识别人脸图像中的特征点坐标之后,还包括:
对所述待识别人脸图像进行去噪处理,得到去噪人脸图像;
根据所述特征点坐标,对所述去噪人脸图像中的人脸区域进行几何校正处理,生成校正人脸图像;
从所述校正人脸图像中,获取与所述人脸特征点对应的校正特征点,及所述校正特征点对应的校正特征点坐标。
3.根据权利要求2所述的方法,其特征在于,所述根据所述特征点坐标,从所述待识别人脸图像中提取出人脸全局特征,包括:
根据所述校正特征点坐标,计算得到校正人脸区域的宽度和高度;
根据所述宽度和所述高度,对所述校正特征点坐标进行归一化处理,得到归一化坐标;
对所述归一化坐标进行处理,生成所述人脸全局特征。
4.根据权利要求3所述的方法,其特征在于,所述根据所述宽度和所述高度,对所述校正特征点坐标进行归一化处理,得到归一化坐标,包括:
根据所述宽度,对所述校正特征点坐标对应的横坐标进行归一化处理,得到归一化横坐标;
根据所述高度,对所述校正特征点坐标对应的纵坐标进行归一化处理,得到归一化纵坐标。
5.根据权利要求4所述的方法,其特征在于,所述对所述归一化坐标进行处理,生成所述人脸全局特征,包括:
根据所述归一化横坐标和所述归一化纵坐标,生成一维全局特征向量,将所述一维全局特征向量作为所述人脸全局特征。
6.根据权利要求2所述的方法,其特征在于,在所述从所述校正人脸图像中,获取与所述人脸特征点对应的校正特征点,及所述校正特征点对应的校正特征点坐标之后,还包括:
按照预置比例,对所述校正人脸图像对应的校正人脸区域进行尺寸变换处理,得到变换人脸图像;
按照所述预置比例,对所述校正特征点坐标进行坐标变换处理,得到变换特征点坐标。
7.根据权利要求6所述的方法,其特征在于,所述根据所述人脸特征点,从所述待识别人脸图像中提取出人脸局部特征,包括:
根据所述变换人脸图像中的变换人脸特征点,确定所述变换人脸图像对应的变换人脸区域中的感兴趣区域;
采用预置特征提取算法,提取出所述感兴趣区域内的人脸初始局部特征;
计算所述人脸初始局部特征对应的归一化直方图特征,将所述归一化直方图特征作为所述人脸局部特征。
8.一种年龄识别装置,其特征在于,包括:
待识别图像获取模块,用于获取待识别人脸图像;
特征点坐标提取模块,用于提取所述待识别人脸图像中的人脸特征点,及所述人脸特征点在所述待识别人脸图像中的特征点坐标;
全局特征提取模块,用于根据所述特征点坐标,从所述待识别人脸图像中提取出人脸全局特征;
局部特征提取模块,用于根据所述人脸特征点,从所述待识别人脸图像中提取出人脸局部特征;
识别结果确定模块,用于根据所述人脸全局特征、所述人脸局部特征和预先训练得到的年龄识别模型,确定所述待识别人脸图像对应的年龄识别结果。
9.根据权利要求8所述的装置,其特征在于,还包括:
去噪图像获取模块,用于对所述待识别人脸图像进行去噪处理,得到去噪人脸图像;
校正图像生成模块,用于根据所述特征点坐标,对所述去噪人脸图像中的人脸区域进行几何校正处理,生成校正人脸图像;
校正特征获取模块,用于从所述校正人脸图像中,获取与所述人脸特征点对应的校正特征点,及所述校正特征点对应的校正特征点坐标。
10.根据权利要求9所述的装置,其特征在于,所述全局特征提取模块包括:
高度宽度计算子模块,用于根据所述校正特征点坐标,计算得到校正人脸区域的宽度和高度;
归一坐标获取子模块,用于根据所述宽度和所述高度,对所述校正特征点坐标进行归一化处理,得到归一化坐标;
全局特征生成子模块,用于对所述归一化坐标进行处理,生成所述人脸全局特征。
11.根据权利要求10所述的装置,其特征在于,所述全局特征生成子模块包括:
归一横坐标获取子模块,用于根据所述宽度,对所述校正特征点坐标对应的横坐标进行归一化处理,得到归一化横坐标;
归一纵坐标获取子模块,用于根据所述高度,对所述校正特征点坐标对应的纵坐标进行归一化处理,得到归一化纵坐标。
12.根据权利要求11所述的装置,其特征在于,所述全局特征生成子模块包括:
人脸全局特征获取子模块,用于根据所述归一化横坐标和所述归一化纵坐标,生成一维全局特征向量,将所述一维全局特征向量作为所述人脸全局特征。
13.根据权利要求9所述的装置,其特征在于,还包括:
变换图像获取模块,用于按照预置比例,对所述校正人脸图像对应的校正人脸区域进行尺寸变换处理,得到变换人脸图像;
变换特征获取模块,用于按照所述预置比例,对所述校正特征点坐标进行坐标变换处理,得到变换特征点坐标。
14.根据权利要求13所述的装置,其特征在于,所述局部特征提取模块包括:
感兴趣区域确定子模块,用于根据所述变换人脸图像中的变换人脸特征点,确定所述变换人脸图像对应的变换人脸区域中的感兴趣区域;
初始局部特征提取子模块,用于采用预置特征提取算法,提取出所述感兴趣区域内的人脸初始局部特征;
人脸局部特征获取子模块,用于计算所述人脸初始局部特征对应的归一化直方图特征,将所述归一化直方图特征作为所述人脸局部特征。
15.一种电子设备,其特征在于,包括:
处理器、存储器以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程序时实现权利要求1至权利要求7中任一项所述的年龄方识别法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905256.XA CN110674744A (zh) | 2019-09-24 | 2019-09-24 | 一种年龄识别方法、装置及电子设备 |
US16/815,613 US11244144B2 (en) | 2019-09-24 | 2020-03-11 | Age recognition method, computer storage medium and electronic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905256.XA CN110674744A (zh) | 2019-09-24 | 2019-09-24 | 一种年龄识别方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110674744A true CN110674744A (zh) | 2020-01-10 |
Family
ID=69077517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910905256.XA Pending CN110674744A (zh) | 2019-09-24 | 2019-09-24 | 一种年龄识别方法、装置及电子设备 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11244144B2 (zh) |
CN (1) | CN110674744A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242091A (zh) * | 2020-02-13 | 2020-06-05 | 京东方科技集团股份有限公司 | 年龄识别模型训练方法、装置及电子设备 |
CN111709302A (zh) * | 2020-05-21 | 2020-09-25 | 青岛小鸟看看科技有限公司 | 人脸表情检测方法、装置、头戴显示设备及存储介质 |
CN111914632A (zh) * | 2020-06-19 | 2020-11-10 | 广州杰赛科技股份有限公司 | 一种人脸识别方法、装置及存储介质 |
CN112949571A (zh) * | 2021-03-26 | 2021-06-11 | 北京金山云网络技术有限公司 | 识别年龄的方法、年龄识别模型的训练方法和装置 |
CN114821752A (zh) * | 2022-06-28 | 2022-07-29 | 杭州登虹科技有限公司 | 一种基于混合特征的年龄估算方法、电子设备及存储介质 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532965B (zh) * | 2019-08-30 | 2022-07-26 | 京东方科技集团股份有限公司 | 年龄识别方法、存储介质及电子设备 |
CN113160987B (zh) * | 2021-04-28 | 2023-08-22 | 平安科技(深圳)有限公司 | 健康状态预测方法、装置、计算机设备及存储介质 |
CN113221771B (zh) * | 2021-05-18 | 2023-08-04 | 北京百度网讯科技有限公司 | 活体人脸识别方法、装置、设备、存储介质及程序产品 |
CN117078604B (zh) * | 2023-07-31 | 2024-03-12 | 台州道致科技股份有限公司 | 无人实验室智能管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140099029A1 (en) * | 2012-10-05 | 2014-04-10 | Carnegie Mellon University | Face Age-Estimation and Methods, Systems, and Software Therefor |
CN104091173A (zh) * | 2014-07-10 | 2014-10-08 | 深圳市中控生物识别技术有限公司 | 一种基于网络摄像机的性别识别方法及装置 |
CN106529377A (zh) * | 2015-09-15 | 2017-03-22 | 北京文安智能技术股份有限公司 | 一种基于图像的年龄估计方法、装置及系统 |
CN107563280A (zh) * | 2017-07-24 | 2018-01-09 | 南京道熵信息技术有限公司 | 基于多模型的人脸识别方法和装置 |
Family Cites Families (7)
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 |
US7522773B2 (en) * | 2005-04-28 | 2009-04-21 | Eastman Kodak Company | Using time in recognizing persons in images |
US8027521B1 (en) * | 2008-03-25 | 2011-09-27 | Videomining Corporation | Method and system for robust human gender recognition using facial feature localization |
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 |
US10565433B2 (en) * | 2017-03-30 | 2020-02-18 | George Mason University | Age invariant face recognition using convolutional neural networks and set distances |
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 |
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 |
-
2019
- 2019-09-24 CN CN201910905256.XA patent/CN110674744A/zh active Pending
-
2020
- 2020-03-11 US US16/815,613 patent/US11244144B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140099029A1 (en) * | 2012-10-05 | 2014-04-10 | Carnegie Mellon University | Face Age-Estimation and Methods, Systems, and Software Therefor |
CN104091173A (zh) * | 2014-07-10 | 2014-10-08 | 深圳市中控生物识别技术有限公司 | 一种基于网络摄像机的性别识别方法及装置 |
CN106529377A (zh) * | 2015-09-15 | 2017-03-22 | 北京文安智能技术股份有限公司 | 一种基于图像的年龄估计方法、装置及系统 |
CN107563280A (zh) * | 2017-07-24 | 2018-01-09 | 南京道熵信息技术有限公司 | 基于多模型的人脸识别方法和装置 |
Non-Patent Citations (2)
Title |
---|
SUNG EUN CHOI ET.AL: "Age estimation using a hierarchical classifier based on global and local facial features", 《PATTERN RECOGNITION》 * |
吴涛: "基于深度森林与分层回归算法的人脸年龄估计方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242091A (zh) * | 2020-02-13 | 2020-06-05 | 京东方科技集团股份有限公司 | 年龄识别模型训练方法、装置及电子设备 |
CN111709302A (zh) * | 2020-05-21 | 2020-09-25 | 青岛小鸟看看科技有限公司 | 人脸表情检测方法、装置、头戴显示设备及存储介质 |
CN111709302B (zh) * | 2020-05-21 | 2023-08-25 | 青岛小鸟看看科技有限公司 | 人脸表情检测方法、装置、头戴显示设备及存储介质 |
CN111914632A (zh) * | 2020-06-19 | 2020-11-10 | 广州杰赛科技股份有限公司 | 一种人脸识别方法、装置及存储介质 |
CN111914632B (zh) * | 2020-06-19 | 2024-01-05 | 广州杰赛科技股份有限公司 | 一种人脸识别方法、装置及存储介质 |
CN112949571A (zh) * | 2021-03-26 | 2021-06-11 | 北京金山云网络技术有限公司 | 识别年龄的方法、年龄识别模型的训练方法和装置 |
CN114821752A (zh) * | 2022-06-28 | 2022-07-29 | 杭州登虹科技有限公司 | 一种基于混合特征的年龄估算方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US11244144B2 (en) | 2022-02-08 |
US20210089753A1 (en) | 2021-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674744A (zh) | 一种年龄识别方法、装置及电子设备 | |
CN110147721B (zh) | 一种三维人脸识别方法、模型训练方法和装置 | |
JP7490141B2 (ja) | 画像検出方法、モデルトレーニング方法、画像検出装置、トレーニング装置、機器及びプログラム | |
US9053388B2 (en) | Image processing apparatus and method, and computer-readable storage medium | |
KR20180109665A (ko) | 객체 검출을 위한 영상 처리 방법 및 장치 | |
CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
CN110796616B (zh) | 基于范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
JP2019117577A (ja) | プログラム、学習処理方法、学習モデル、データ構造、学習装置、および物体認識装置 | |
JP6071002B2 (ja) | 信頼度取得装置、信頼度取得方法および信頼度取得プログラム | |
CN107766864B (zh) | 提取特征的方法和装置、物体识别的方法和装置 | |
CN114255337A (zh) | 文档图像的矫正方法、装置、电子设备及存储介质 | |
CN112200056B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN111199197B (zh) | 一种人脸识别的图像提取方法及处理设备 | |
JP2005339288A (ja) | 画像処理装置及びその方法 | |
CN111898571A (zh) | 动作识别系统及方法 | |
CN111626246A (zh) | 口罩遮挡下的人脸对齐方法 | |
Hua et al. | Removing atmospheric turbulence effects via geometric distortion and blur representation | |
CN117496019B (zh) | 一种驱动静态图像的图像动画处理方法及系统 | |
CN112991159B (zh) | 人脸光照质量评估方法、系统、服务器与计算机可读介质 | |
JP5769029B2 (ja) | 文字認識装置、認識辞書生成装置及び正規化方法 | |
CN115690934A (zh) | 基于批量人脸识别的师生考勤打卡方法及装置 | |
CN116342519A (zh) | 一种基于机器学习的图像处理方法 | |
JP5051671B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
JP7326965B2 (ja) | 画像処理装置、画像処理プログラム、及び画像処理方法 | |
CN113901916A (zh) | 一种基于可视化光流特征的面部欺诈动作识别方法 |
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: 20200110 |