CN111401339A - 识别人脸图像中的人的年龄的方法、装置及电子设备 - Google Patents
识别人脸图像中的人的年龄的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111401339A CN111401339A CN202010482165.2A CN202010482165A CN111401339A CN 111401339 A CN111401339 A CN 111401339A CN 202010482165 A CN202010482165 A CN 202010482165A CN 111401339 A CN111401339 A CN 111401339A
- Authority
- CN
- China
- Prior art keywords
- age
- face image
- label
- sample
- sample set
- 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
Links
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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Abstract
本发明提供了一种识别人脸图像中的人的年龄的方法、装置及电子设备,涉及人脸识别的技术领域。该方法包括:获取待识别的人脸图像;使用年龄识别模型对人脸图像进行分析,确定人脸图像中人的年龄范围;其中,年龄识别模型为使用第一样本集和第二样本集通过机器学习训练得到,每个第一样本均包括一个第一人脸图像和用于表示第一人脸图像中人的年龄范围的第一标签;每个第二样本均包括两个第二人脸图像和第二标签,两个第二人脸图像中的人的年龄范围不相同,第二标签用于标识两个第二人脸图像中人的年龄范围的大小关系,缓解了现有技术因数据集规模较小导致年龄识别模型的泛化能力较差的问题。
Description
技术领域
本发明涉及人脸识别技术领域,尤其是涉及一种识别人脸图像中的人的年龄的方法、装置及电子设备。
背景技术
在当前的人脸识别技术中,年龄作为一种重要的人脸属性,在人机交互、智能商务、安全监控和娱乐等领域都有着广阔的应用前景。人脸年龄估计作为一种重要的生物特征识别技术,目前已经成为模式识别和计算机视觉领域内一个热门的研究课题。
人脸年龄估计问题的定义是指,采用计算机视觉等技术根据输入的人脸图像自动估计出其真实年龄。虽然大量的研究者为解决年龄估计问题付出了艰辛的努力,但该问题远远没有得到解决且仍然面临着许多严峻的困难和挑战,其中最突出的困难是年龄数据集规模较小。具体来说,由于涉及到个人隐私,收集带有年龄标签的人脸图像样本是非常困难、昂贵且耗时的,这导致常用的年龄估计数据集样本规模都比较小,由于深度学习非常依赖于大数据,小规模的年龄估计数据集使得深度模型非常容易过拟合,导致年龄识别模型最终的泛化能力较差的问题。
发明内容
本发明的目的在于提供一种年龄识别模型的训练方法、装置及电子设备,以缓解现有技术因数据集规模较小导致年龄识别模型的泛化能力较差的问题。
第一方面,本发明实施例提供一种识别人脸图像中的人的年龄的方法,包括:
获取待识别的人脸图像;
将人脸图像输入年龄识别模型进行分析,确定人脸图像中人的年龄范围;其中,年龄识别模型为使用第一样本集和第二样本集通过机器学习训练得到,每个第一样本均包括一个第一人脸图像和用于表示第一人脸图像中人的年龄范围的第一标签;每个第二样本均包括两个第二人脸图像和第二标签,两个第二人脸图像中的人的年龄范围不相同,第二标签用于标识两个第二人脸图像中人的年龄范围的大小关系。
进一步的,第二样本集由对中间样本集进行处理得到,中间样本集由对第一样本集进行处理得到。
进一步的,中间样本集包括多个中间样本,每个中间样本包括多个中间人脸图像和与每个中间人脸图像对应的中间标签,同一个中间样本中的多个人脸图像是对应的同一个第一人脸图像在不同年龄条件下的人脸老化处理结果。
进一步的,每个中间样本还包括与每个中间人脸图像对应的中间标签,中间标签用于表示中间人脸图像中人的年龄范围。
进一步的,第二样本集中的各个第二样本中的两张第二人脸图像,是根据中间标签从中间样本集中选择年龄范围不同的中间人脸图像进行两两组合得到;
第二标签是根据中间标签以及每个中间人脸图像对的先后排列顺序来确定。
进一步的,第二标签是根据中间标签以及每个中间人脸图像对的先后排列顺序来确定,包括:
如果顺序在先的中间人脸图像对应的中间标签所表示的年龄范围,大于顺序在后的中间人脸图像对应的中间标签所表示的年龄范围,则第二标签为第一符号;
如果顺序在先的中间人脸图像对应的中间标签所表示的年龄范围,小于顺序在后的中间人脸图像对应的中间标签所表示的年龄范围,则第二标签为第二符号。
进一步的,年龄识别模型为先使用第二样本集进行训练,得到预识别模型,再使用第一样本集对预识别模型进行训练得到。
第二方面,本发明实施例还提供一种年龄识别模型的训练方法,包括:
获取第一样本集;其中,每个第一样本均包括一个第一人脸图像和用于表示第一人脸图像中人的年龄范围的第一标签;
获取第二样本集;其中,每个第二样本均包括两个第二人脸图像和第二标签,两个第二人脸图像中的人的年龄范围不相同,第二标签用于标识两个第二人脸图像中人的年龄范围的大小关系;
利用第一样本集和第二样本集对初始神经网络模型进行训练,生成年龄识别模型。
第三方面,本发明实施例还提供一种识别人脸图像中的人的年龄的装置,包括:
待识别图像获取模块,用于获取待识别的人脸图像;
人脸年龄识别模块,用于基于年龄识别模型对人脸图像进行分析,确定人脸图像中人的年龄范围;其中,年龄识别模型为使用第一样本集和第二样本集通过机器学习训练得到,每个第一样本均包括一个第一人脸图像和用于表示第一人脸图像中人的年龄范围的第一标签;每个第二样本均包括两个第二人脸图像和第二标签,两个第二人脸图像中的人的年龄范围不相同,第二标签用于标识两个第二人脸图像中人的年龄范围的大小关系。
进一步的,第二样本集由对中间样本集进行处理得到,中间样本集由对第一样本集进行处理得到。
进一步的,中间样本集包括多个中间样本,每个中间样本包括多个中间人脸图像和与每个中间人脸图像对应的中间标签,同一个中间样本中的多个人脸图像是对应的同一个第一人脸图像在不同年龄条件下的人脸老化处理结果。
进一步的,每个中间样本还包括与每个中间人脸图像对应的中间标签,中间标签用于表示中间人脸图像中人的年龄范围。
进一步的,第二样本集中的各个第二样本中的两张第二人脸图像,是根据中间标签从中间样本集中选择年龄范围不同的中间人脸图像进行两两组合得到;
第二标签是根据中间标签以及每个中间人脸图像对的先后排列顺序来确定。
进一步的,第二标签是根据中间标签以及每个中间人脸图像对的先后排列顺序来确定,包括:
如果顺序在先的中间人脸图像对应的中间标签所表示的年龄范围,大于顺序在后的中间人脸图像对应的中间标签所表示的年龄范围,则第二标签为第一符号;
如果顺序在先的中间人脸图像对应的中间标签所表示的年龄范围,小于顺序在后的中间人脸图像对应的中间标签所表示的年龄范围,则第二标签为第二符号。
进一步的,年龄识别模型为先使用第二样本集进行训练,得到预识别模型,再使用第一样本集对预识别模型进行训练得到。
第四方面,本发明实施例还提供一种年龄识别模型的训练装置,包括:
第一样本集获取模块,用于获取第一样本集;其中,每个第一样本均包括一个第一人脸图像和用于表示第一人脸图像中人的年龄范围的第一标签;
第二样本集获取模块,用于获取第二样本集;其中,每个第二样本均包括两个第二人脸图像和第二标签,两个第二人脸图像中的人的年龄范围不相同,第二标签用于标识两个第二人脸图像中人的年龄范围的大小关系;
模型训练模块,用于基于第一样本集和第二样本集对初始神经网络模型进行训练,生成年龄识别模型。
第五方面,本发明实施例还提供一种电子设备,包括存储器、处理器,存储器中存储有可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述识别人脸图像中的人的年龄的方法。
第六方面,本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有机器可运行指令,计算机可运行指令在被处理器调用和运行时,计算机可运行指令促使处理器运行上述识别人脸图像中的人的年龄的方法。
本发明实施例提供的识别人脸图像中的人的年龄的方法中,基于年龄识别模型对人脸图像进行分析,而该年龄识别模型是使用第一样本集和第二样本集通过机器学习训练得到的。其中,第一样本集中的每个第一样本均包括第一人脸图像和表示第一人脸图像中人的年龄范围的第一标签;第二样本集中的每个第二样本均包括两个年龄范围不相同的第二人脸图像和第二标签,第二标签用于标识两个第二人脸图像中人的年龄范围的大小关系。年龄识别模型不仅利用第一样本集训练其直接识别年龄的能力,还利用第二样本集训练其判断样本之间年龄大小关系的能力,因此识别人脸年龄的精度更高,大大增加了模型的泛化能力,缓解了现有技术因数据集规模较小导致年龄识别模型的泛化能力较差的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的识别人脸图像中的人的年龄的方法的流程图;
图2为本发明实施例提供的年龄识别模型的训练方法的流程图;
图3为本发明实施例提供的识别人脸图像中的人的年龄的装置的示意图;
图4为本发明实施例提供的年龄识别模型的训练装置的示意图;
图5为本发明实施例提供的电子设备的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请实施例中所提到的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括其他没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在当前的人脸识别技术中,年龄作为一种重要的人脸属性,在人机交互、智能商务、安全监控和娱乐等领域都有着广阔的应用前景。人脸年龄估计作为一种重要的生物特征识别技术,目前已经成为模式识别和计算机视觉领域内一个热门的研究课题。
人脸年龄估计问题的定义是指,采用计算机视觉等技术根据输入的人脸图像自动估计出其真实年龄。虽然大量的研究者为解决年龄估计问题付出了艰辛的努力,但该问题远远没有得到解决且仍然面临着许多严峻的困难和挑战,其中最突出的困难是年龄数据集规模较小。具体来说,由于涉及到个人隐私,收集带有年龄标签的人脸图像样本是非常困难、昂贵且耗时的,这导致常用的年龄估计数据集样本规模都比较小,由于深度学习非常依赖于大数据,小规模的年龄估计数据集使得深度模型非常容易过拟合,导致年龄识别模型最终的泛化能力较差的问题。
为了解决上述问题,本发明提出了一种识别人脸图像中的人的年龄的方法、装置及电子设备,以及年龄识别模型的训练方法和装置。
如图1所示,本发明实施例提供一种识别人脸图像中的人的年龄的方法,包括以下步骤:
S101:获取待识别的人脸图像。
获取的方式可以为通过通信连接的照相机、摄像头等设备拍摄后传入,或从存储有已经拍摄完成的待识别的人脸图像的存储设备中获取。
人脸图像指的是包含有人脸的图像,人脸图像中的人脸的角度可以是多样的,例如正面、二分之一侧面、四分之三侧面等,都可以,本申请不对获取的人脸图像中的人脸角度进行限制。
S102:使用年龄识别模型对所述人脸图像进行分析,确定所述人脸图像中人的年龄范围。
其中,年龄范围可以是一个值,例如,20岁、30岁,也可以是一个范围区间,例如20岁-30岁,25岁-35岁。年龄识别模型为使用预先收集的第一样本集和第二样本集通过对预先构建的初始神经网络模型进行机器学习训练得到。
第一样本集中包括多个(指的是至少两个)第一样本,每个第一样本均包括一个第一人脸图像和与该第一人脸图像对应的第一标签,第一标签用于表示第一人脸图像中人的年龄范围。例如,某第一样本(X,31-40),其中X表示第一人脸图像,31-40是第一标签,表示第一人脸图像X中人的年龄范围在31-40岁之间。
第二样本集包括多个(指的是至少两个)第二样本,每个第二样本均包括两个第二人脸图像和第二标签,两个第二人脸图像中的人的年龄范围不相同,第二标签用于标识两个第二人脸图像中人的年龄范围的大小关系。例如,某第二样本[(A,B),1],其中A和B为两个第二人脸图像,1是第二标签,表示第二人脸图像A中人的年龄范围大于B中人的年龄范围。又如,某第二样本[(A,B),0],其中A和B为两个第二人脸图像,0是第二标签,表示B中人的年龄范围大于A中人的年龄范围。
训练完成的年龄识别模型包括:特征提取层、全局平均池化层和输出层。其中,特征提取层由一系列的“卷积层、批归一化和激活函数”组成,用于提取待识别的人脸图像的各个局部特征。全局平均池化层用于对特征提取层输出的各个局部特征进行全局平均池化操作,得到待识别的人脸图像的全局特征。输出层是一个全连接层。全连接层(fullyconnected layers,FC)在整个神经网络模型中相当于“分类器”,通过卷积层和池化层的操作可将原始数据映射到隐层特征空间,全连接层将学到的“分布式特征表示”映射到样本标记空间,即对于卷积层和池化层提取的有用的图像特征,全连接层利用这些有用的图像特征进行分类,得到识别结果。全连接层的输入为待识别的人脸图像的全局特征f,输出的识别结果是维度为1的标量z(即z是一维向量)。z代表待识别的人脸图像的年龄大小,z值越大代表待识别的人脸图像的年龄越大,z值越小代表待识别的人脸图像的年龄越小。
本发明实施例提供一种识别人脸图像中的人的年龄的方法,由于使用的年龄识别模型是基于两种不同的样本集进行训练,其中,第一样本集直接给出了人脸和年龄的映射关系,通过该样本集能够直接训练该识别模型识别人脸和年龄的映射关系的能力,第二样本集并不是直接给出了人脸和年龄的映射关系,而是给出了两个人脸图像的年龄大小关系,能够训练该识别模型主动发现人脸的高层语义信息,现对于现有技术中只使用一个直接建立人脸和年龄的映射的样本集来训练,本发明实施例的识别模型能够识别人脸的高层语义信息,精度大大提高。
由于机器学习需要大量的样本进行训练,但是在实际研发和应用场景中,由于人脸图像的获取会涉及到个人隐私等原因,所以当获取到的第二样本集中的第二人脸图像数量不能满足训练的数据量要求时,在一种可能的实施方式中,可以基于预设的人脸老化算法对获取的第一样本集中的各个第一样本进行人脸老化处理得到中间样本,再从中间样本中进行选择形成第二样本集,具体地,中间样本集包括多个中间样本,每个中间样本包括多个中间人脸图像和与每个中间人脸图像对应的中间标签。同一个中间样本中的多个人脸图像是对应的同一个第一人脸图像在不同年龄条件下的人脸老化处理结果。第二样本集中的每个第二样本中的两个第二人脸图像是从中间样本集中选择年龄范围不同的中间人脸图像得到。即,在一种可能的实施方式中第二样本集由对中间样本集进行处理得到,中间样本集由对第一样本集进行处理得到。
其中,人脸老化处理指的是基于预设的人脸老化算法,对人脸图像中人脸在不同年龄条件下呈现出符合相应的生理衰老进程的脸部变化。人脸老化算法可以选择任意一种已有的人脸老化算法,如半监督学习生成对抗网络(Semi-supervised Learning withGenerative Adversarial Networks,简称S2GAN)、条件对抗编码器(ConditionalAdversarial Autoencoder,简称CAAE)等,用于自动生成输入人脸图像在不同年龄范围的预测人脸图像。
在一种可能的实施方式中,基于预设的人脸老化算法对第一样本集中的各个第一样本进行人脸老化处理得到中间样本的过程如下:
将第一样本集中的第一人脸图像通过人脸老化算法进行变换,即可获得一组带有
不同年龄(或年龄段)标签的中间人脸图像。例如,20岁以前每5岁作为一个年龄段,共四个
年龄段,21岁以后每10岁作为一个年龄段,共八个年龄段,这样即可得到同一个第一人脸图
像在0至100之间的共12个年龄标签的预测人脸图像,构成一组不同年龄标签的中间人
脸图像,该年龄标签也就是中间标签,用于表示中间人脸图像中人的年龄范围,中间标签可
以是年龄范围,也可以是单独的数字。N个第一人脸图像就可以得到N组中间人脸图像,
这样形成的中间样本集就成为了一个大规模样本。
在一种可能的实施方式中,第二样本集中的每个第二样本中的两个第二人脸图像,是根据中间标签从中间样本集中选择年龄范围不同的中间人脸图像进行两两组合得到。例如,中间样本集一共有6个中间样本:(M1,20-30)、(M2,20-30)、(M3,30-40)、(M4,30-40)、(M5,40-50)、(M6,40-50),选择年龄范围不同的中间样本进行量了组合,可以得到3个第二样本:(M1,M4,0)、(M2,M5,0)、(M6,M3,1)。其中,0、0、1分别表示第二标签,该第二标签用于标识两个第二人脸图像中人的年龄范围的大小关系,例如,0表示图像M1中人的年龄范围小于图像M4中人的年龄范围,1表示图像M6中人的年龄范围大于图像M3中人的年龄范围。
在一种可能的实施方式中,第二标签是根据中间标签以及每个中间人脸图像选择到第二样本集后,在第二样本集中每个第二样本内部的先后排列顺序来确定,需要说明的是,每个第二样本内部的先后排列顺序也就是输入初始神经网络模型时的先后顺序。
如果顺序在先的中间人脸图像对应的中间标签所表示的年龄范围,大于顺序在后的中间人脸图像对应的中间标签所表示的年龄范围,则第二标签为第一符号。如果顺序在先的中间人脸图像对应的中间标签所表示的年龄范围,小于顺序在后的中间人脸图像对应的中间标签所表示的年龄范围,则第二标签为第二符号,且第二符号不同于第一符号。
再例如,仍以上述(M1,M4,0)为例,由于M1在先,M4在后,且M1的年龄范围为20-30,M4的年龄范围为30-40,所以本样本中第二标签0表示顺序在先的图像M1中人的年龄范围小于顺序在后图像M4中人的年龄范围。以上述(M6,M3,1)为例,由于M6在先,M3在后,且M6的年龄范围为40-50,M3的年龄范围为30-40,所以本样本中第二标签1表示顺序在先的图像M6中人的年龄范围大于顺序在后图像M3中人的年龄范围。
需要说明的是,和可以是同一张第一人脸图像生成的不同年龄段的中间样
本图像,即来自同一组中间样本图像,也可以是不同第一人脸图像生成的不同年龄段的中
间样本图像,即来自两组中间样本图像,只要和的年龄范围不同即可。
在一种可能的实施方式中,年龄识别模型为先使用第二样本集进行训练,得到预识别模型,再使用第一样本集对预识别模型进行训练得到。比如,先使用第二样本集训练获得与识别模型,但第二样本图像大多是利用人脸老化算法变换而来的,与真正的人脸图像相比毕竟有所差异,所以再利用第一样本集对预别模型的参数进行微调,也就是利用真实的人脸图像作为样本,对预识别模型再进行训练,获得最终的年龄识别模型。
在上述可能的实施方式中使用的年龄识别模型,通过人脸老化算法对第一样本集中的人脸图像进行处理,得到了具有大量样本数量的第二样本集,解决了相关技术中由于涉及个人隐私导致收集带有年龄标签的人脸样本困难、昂贵且耗时导致集样本数量少的问题,防止了识别模型过拟合的问题,进一步提高了识别模型的泛化能力。
如图2所示,本发明实施例还提供一种年龄识别模型的训练方法,包括以下步骤:
S201:获取第一样本集。
其中,每个第一样本均包括一个第一人脸图像和用于表示所述第一人脸图像中人的年龄范围的第一标签。
本申请实施例中第一样本集的获取的过程,指的是从存储有第一样本集的存储介质中读取出第一样本集。
存储介质中可以预先存储有收集完成的第一样本集。收集第一样本集的过程包
括:获取N个第一人脸图像,其中,N大于0,其中,表示一张第一人脸图像,表示
该图像X所对应的第一样本为第一样本集中的第j个样本。通过人工标注的方式为每个第一
人脸图像进行标注,得到每个第一人脸图像对应的第一标签,形成第一样本集。
进一步,为了克服人工标注中因标注者的认知差异导致标注结果的偏差,可以采
用取多个标注者对同一个第一人脸图像进行标注,并对标注结果取平均值,以得到第一标
签。例如,对其中的每张第一人脸图像,由n个人进行年龄标注,得到n个标注结果,其中每一个标注值是0到100之间的整数,代表0到100岁。n个人对同一个人脸
图像也会标注为不同的年龄,所以将n个人对人脸图像标注的年龄取平均值,即取的平均作为第一人脸图像最终的第一标签:
其中,∑表示求和运算。
S202:获取第二样本集。
本申请实施例中第二样本集的获取的过程,指的是从存储有第二样本集的存储介质中读取出第二样本集。存储介质中可以预先存储有收集完成的第二样本集。第二样本集中包括多个第二样本,每个第二样本均包括两个第二人脸图像和第二标签,两个所述第二人脸图像中的人的年龄范围不相同,所述第二标签用于标识两个所述第二人脸图像中人的年龄范围的大小关系。
本实施例中,可以先对第一样本集进行处理得到中间样本集。对第一样本集中的每个第一人脸图像进行人脸老化处理,获得一组带有不同年龄(段)标签中间样本集。其中,每个中间样本包括多个中间人脸图像和与每个中间人脸图像对应的中间标签,同一个中间样本中的多个人脸图像是对应的同一个第一人脸图像在不同年龄条件下的人脸老化处理结果。
然后对中间样本集进行处理得到第二样本集:
首先根据中间标签,从中间样本集中选择年龄范围不同的中间人脸图像进行两两组合,得到各个第二样本中的两张第二人脸图像。
然后根据中间标签以及每个中间人脸图像对的先后排列顺序,确定第二标签。
如果顺序在先的中间人脸图像对应的中间标签所表示的年龄范围,大于顺序在后的中间人脸图像对应的中间标签所表示的年龄范围,则第二标签为第一符号;
如果顺序在先的中间人脸图像对应的中间标签所表示的年龄范围,小于顺序在后的中间人脸图像对应的中间标签所表示的年龄范围,则第二标签为第二符号。
S203:利用所述第一样本集和第二样本集对初始神经网络模型进行训练,生成年龄识别模型。
在一种可能的实施方式中,可以先使用第二样本集对初始神经网络模型进行训练,生成预识别模型,然后使用第一样本集对预识别模型进行训练,生成年龄识别模型。因为第二样本图像大多是利用人脸老化算法变换而来的,与真正的人脸图像相比毕竟有所差异,所以再利用第一样本集对预别模型的参数进行微调,也就是利用真正的人脸图像作为样本,对预识别模型再进行适当的训练,获得最终的年龄识别模型。
在另一种可能的实施方式中,使用第二样本集对初始神经网络模型进行训练生成预识别模型,可以包括以下步骤:
S301:获取预先创建的初始神经网络模型。
初始神经网络模型包括多个权重参数,使用样本集通过机器学习训练识别模型的过程即是用样本集不断更新识别模型的权重参数的过程。
初始神经网络包括特征提取层、全局平均池化层和输出层三部分构成。初始神经网络模型的输入可以为224×224像素的图像X。
其中,特征提取层由一系列的“卷积层、批归一化和激活函数”组成,用于提取图像X的各个局部特征;全局平均池化层用于对图像X的将各个局部特征进行全局平均池化操作,得到图像X的全局特征f;输出层是一个全连接层。全连接层的输入为图像X的全局特征f,输出结果是维度为1的标量z(即z是一维向量)。z代表图像X的年龄大小,z值越大代表X的年龄越大,z值越小代表X的年龄越小。
S302:从第二样本集中选择一个第二样本,并将选择的第二样本输入至初始神经网络模型,得到与输入的第二样本对应的识别结果(即第一识别结果)。
从第二样本集D2中选择一个第二样本,其中,和分别表示第
二样本中的两个第二人脸图像,i表示当前选择的第二样本为第二样本集中的第i个样本。
将两个第二人脸图像和分别输入初始神经网络模型,得到两个输出值,分别为和。其中,表示初始神经网络模型对第二样本图像中的第一张第二人脸图像的年龄
范围的识别结果(即第一年龄范围识别结果),表示初始神经网络模型对第二样本图像
中的第二张第二人脸图像的年龄范围的识别结果(即第二年龄范围识别结果)。
其中,e表示自然常数。
S303:根据第一识别结果和第二样本所对应的第二标签确定第一损失量;其中,第一损失量表示第一识别结果与第二标签之间的差异。
S304:根据第一损失量更新初始神经网络模型的权重参数,得到预识别模型。
通过反向传播算法,计算出第一损失量对初始神经网络模型中的所有权重参数
W的导数,∂表述求导数运算。其中,反向传播算法(Backpropagation algorithm,简称BP
算法)是一种现有技术中的监督学习算法,可用来训练多层感知机。
S305:从第二样本集中再次选择一个第二样本输入至权重参数更新后的初始神经
网络模型,并通过重复上述步骤S302至步骤S304,以再次更新权重参数,如此重复将第二样
本集中的第二样本输入至初始神经网络模型,以不断迭代的对初始神经网络模型的权重参
数进行更新,直到损失函数收敛,完成训练,得到预识别模型。
在另一种可能的实施方式中,使用第一样本集对与预识别模型进行训练生成年龄识别模型,包括以下步骤:
S401:获取预识别模型,并将预识别模型的输出层的参数重新随机初始化。
将上述步骤S305得到的预识别模型的最后一个输出层的参数重新随机初始化,同时保留其他部分的参数。
S402:从第一样本集中选择一个第一样本,并将选择的第一样本输入至预识别模型,得到与输入的第一样本对应的识别结果(即第二识别结果)。
从第一样本集D1中选择一个第一样本,其中,表示该第一样本中的第
一人脸图像,j表示当前选择的第一样本为第一样本集中的第j个样本。将第一样本中的第
一人脸图像输入预识别模型,得到值输出,表示预识别模型对第一人脸图像的年
龄范围的识别结果(即第三年龄范围识别结果)。
S403:根据第二识别结果和第一样本所对应的第一标签确定第二损失量,其中,第二损失量表示第二识别结果与第一标签之间的差异。
S404:根据第二损失量更新预识别模型的权重参数,得到年龄识别模型。
S405:从第一样本集中再次选择一个第一样本输入至权重参数更新后的预识别模型,并通过重复上述步骤S402至步骤404,以再次更新权重参数,如此重复将第一样本集中的第一样本输入至预识别模型,以不断迭代的对预识别模型的参数进行更新,直到损失函数收敛,完成训练,得到年龄识别模型。
如图3所示,本发明实施例还提供一种识别人脸图像中的人的年龄的装置,包括:
待识别图像获取模块501,用于获取待识别的人脸图像。
人脸年龄识别模块502,用于基于年龄识别模型对人脸图像进行分析,确定人脸图像中人的年龄范围。
其中,年龄识别模型为使用第一样本集和第二样本集通过机器学习训练得到,每个第一样本均包括一个第一人脸图像和用于表示第一人脸图像中人的年龄范围的第一标签。每个第二样本均包括两个第二人脸图像和第二标签,两个第二人脸图像中的人的年龄范围不相同,第二标签用于标识两个第二人脸图像中人的年龄范围的大小关系。
在一种可能的实施方式中,第二样本集由对中间样本集进行处理得到,中间样本集由对第一样本集进行处理得到。
在一种可能的实施方式中,中间样本集包括多个中间样本,每个中间样本包括多个中间人脸图像和与每个中间人脸图像对应的中间标签,同一个中间样本中的多个人脸图像是对应的同一个第一人脸图像在不同年龄条件下的人脸老化处理结果。
进一步的,每个中间样本还包括与每个中间人脸图像对应的中间标签,中间标签用于表示中间人脸图像中人的年龄范围。
在一种可能的实施方式中,第二样本集中的各个第二样本中的两张第二人脸图像,是根据中间标签从中间样本集中选择年龄范围不同的中间人脸图像进行两两组合得到,第二标签是根据中间标签以及每个中间人脸图像对的先后排列顺序来确定。
在一种可能的实施方式中,第二标签是根据中间标签以及每个中间人脸图像对的先后排列顺序来确定,包括:
如果顺序在先的中间人脸图像对应的中间标签所表示的年龄范围,大于顺序在后的中间人脸图像对应的中间标签所表示的年龄范围,则第二标签为第一符号。
如果顺序在先的中间人脸图像对应的中间标签所表示的年龄范围,小于顺序在后的中间人脸图像对应的中间标签所表示的年龄范围,则第二标签为第二符号。
在一种可能的实施方式中,年龄识别模型为先使用第二样本集进行训练,得到预识别模型,再使用第一样本集对预识别模型进行训练得到。
如图4所示,本发明实施例还提供一种年龄识别模型的训练装置,包括:
第一样本集获取模块601,用于获取第一样本集。其中,每个第一样本均包括一个第一人脸图像和用于表示第一人脸图像中人的年龄范围的第一标签。
第二样本集获取模块602,用于获取第二样本集。其中,每个第二样本均包括两个第二人脸图像和第二标签,两个第二人脸图像中的人的年龄范围不相同,第二标签用于标识两个第二人脸图像中人的年龄范围的大小关系。
模型训练模块603,用于基于第一样本集和第二样本集对初始神经网络模型进行训练,生成年龄识别模型。
在一种可能的实施方式中,模型训练模块603包括第一训练单元和第二训练单元。其中,第一训练单元用于基于第二样本集对初始神经网络进行训练得到预识别模型;第二训练单元用于基于第一样本集对预识别模型进行训练得到年龄识别模型。
在一种可能的实施方式中,第一训练单元包括:初始神经网络模型获取单元、第一识别单元、第一损失量确认单元和第一权重参数更新单元。其中,初始神经网络模型获取单元,用于获取预先创建的初始神经网络模型;第一识别单元,用于从第二样本集中选择一个第二样本,并将选择的第二样本输入至初始神经网络模型,得到与输入的第二样本对应的识别结果(即第一识别结果);第一损失量确认单元,用于根据第一识别结果和第二样本所对应的第二标签确定第一损失量,其中,第一损失量表示第一识别结果与第二标签之间的差异。第一权重参数更新单元,用于根据第一损失量更新初始神经网络模型的权重参数,得到预识别模型。
在一种可能的实施方式中,第二训练单元包括:预识别模型获取单元、第二识别单元、第二损失量确认单元和第二权重参数更新单元。其中,预识别模型获取单元,用于获取预识别模型,并将预识别模型的输出层的参数重新随机初始化。第二识别单元,用于从第一样本集中选择一个第一样本,并将选择的第一样本输入至预识别模型,得到与输入的第一样本对应的识别结果(即第二识别结果);第二损失量确认单元,用于根据第二识别结果和第一样本所对应的第一标签确定第二损失量,其中,第二损失量表示第二识别结果与第二标签之间的差异。第二权重参数更新单元,用于根据第二损失量更新预识别模型的权重参数,得到年龄识别模型。
本发明实施例提供的识别人脸图像中的人的年龄的装置和年龄识别模型的训练装置,与上述实施例提供的识别人脸图像中的人的年龄的方法和年龄识别模型的训练方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本发明实施例还提供一种电子设备,如图5所示,电子设备700包括存储器701、处理器702,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例提供的方法的步骤。
如图5所示,电子设备还包括:总线703和通信接口704,处理器702、通信接口704和存储器701通过总线703连接;处理器702用于执行存储器701中存储的可执行模块,例如计算机程序。
其中,存储器701可能包含高速随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口704(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线703可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器701用于存储程序,所述处理器702在接收到执行指令后,执行所述程序,前述本申请任一实施例揭示的过程定义的装置所执行的方法可以应用于处理器702中,或者由处理器702实现。
处理器702可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器702中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器702可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器701,处理器702读取存储器701中的信息,结合其硬件完成上述方法的步骤。
对应于上述实时数据处理方法,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有机器可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行上述实时数据处理方法的步骤。
本申请实施例所提供的实时数据处理装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
又例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,再例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述实时数据处理方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (14)
1.一种识别人脸图像中的人的年龄的方法,其特征在于,包括:
获取待识别的人脸图像;
将所述人脸图像输入年龄识别模型进行分析,确定所述人脸图像中人的年龄范围;其中,所述年龄识别模型为使用第一样本集和第二样本集通过机器学习训练得到,每个第一样本均包括一个第一人脸图像和用于表示所述第一人脸图像中人的年龄范围的第一标签;每个第二样本均包括两个第二人脸图像和第二标签,两个所述第二人脸图像中的人的年龄范围不相同,所述第二标签用于标识两个所述第二人脸图像中人的年龄范围的大小关系。
2.根据权利要求1所述的方法,其中,所述第二样本集由对中间样本集进行处理得到,所述中间样本集由对所述第一样本集进行处理得到。
3.根据权利要求2所述的方法,其中,所述中间样本集包括多个中间样本,每个所述中间样本包括多个中间人脸图像和与每个所述中间人脸图像对应的中间标签,同一个所述中间样本中的多个人脸图像是对应的同一个第一人脸图像在不同年龄条件下的人脸老化处理结果。
4.根据权利要求3所述的方法,其中,每个所述中间样本还包括与每个所述中间人脸图像对应的中间标签,所述中间标签用于表示所述中间人脸图像中人的年龄范围。
5.根据权利要求4所述的方法,其中,所述第二样本集中的各个所述第二样本中的两张第二人脸图像,是根据所述中间标签从所述中间样本集中选择年龄范围不同的中间人脸图像进行两两组合得到;
所述第二标签是根据所述中间标签以及每个中间人脸图像对的先后排列顺序来确定。
6.根据权利要求5所述的方法,其中,所述第二标签是根据所述中间标签以及每个中间人脸图像对的先后排列顺序来确定,包括:
如果顺序在先的中间人脸图像对应的中间标签所表示的年龄范围,大于顺序在后的中间人脸图像对应的中间标签所表示的年龄范围,则所述第二标签为第一符号;
如果顺序在先的中间人脸图像对应的中间标签所表示的年龄范围,小于顺序在后的中间人脸图像对应的中间标签所表示的年龄范围,则所述第二标签为第二符号。
7.根据权利要求1所述的方法,其中,所述年龄识别模型为先基于所述第二样本集进行训练,得到预识别模型,再基于所述第一样本集对所述预识别模型进行训练得到。
8.一种年龄识别模型的训练方法,其特征在于,包括:
获取第一样本集;其中,每个第一样本均包括一个第一人脸图像和用于表示所述第一人脸图像中人的年龄范围的第一标签;
获取第二样本集;其中,每个第二样本均包括两个第二人脸图像和第二标签,两个所述第二人脸图像中的人的年龄范围不相同,所述第二标签用于标识两个所述第二人脸图像中人的年龄范围的大小关系;
基于所述第一样本集和第二样本集对初始神经网络模型进行训练,生成年龄识别模型。
9.根据权利要求8所述的训练方法,其中,所述基于所述第一样本集和第二样本集对初始神经网络模型进行训练,生成年龄识别模型,包括:
基于所述第二样本集对初始神经网络模型进行训练,生成预识别模型;
基于所述第一样本集对所述预识别模型进行训练,生成所述年龄识别模型。
10.一种识别人脸图像中的人的年龄的装置,其特征在于,包括:
待识别图像获取模块,用于获取待识别的人脸图像;
人脸年龄识别模块,用于基于年龄识别模型对所述人脸图像进行分析,确定所述人脸图像中人的年龄范围;其中,所述年龄识别模型为使用第一样本集和第二样本集通过机器学习训练得到,每个第一样本均包括一个第一人脸图像和用于表示所述第一人脸图像中人的年龄范围的第一标签;每个第二样本均包括两个第二人脸图像和第二标签,两个所述第二人脸图像中的人的年龄范围不相同,所述第二标签用于标识两个所述第二人脸图像中人的年龄范围的大小关系。
11.一种年龄识别模型的训练装置,其特征在于,包括:
第一样本集获取模块,用于获取第一样本集;其中,每个第一样本均包括一个第一人脸图像和用于表示所述第一人脸图像中人的年龄范围的第一标签;
第二样本集获取模块,用于获取第二样本集;其中,每个第二样本均包括两个第二人脸图像和第二标签,两个所述第二人脸图像中的人的年龄范围不相同,所述第二标签用于标识两个所述第二人脸图像中人的年龄范围的大小关系;
模型训练模块,用于基于所述第一样本集和第二样本集对初始神经网络模型进行训练,生成年龄识别模型。
12.根据权利要求11所述的装置,其中,所述模型训练模块,包括:第一训练单元和第二训练单元,其中,所述第一训练单元用于基于所述第二样本集对初始神经网络进行训练得到预识别模型;所述第二训练单元用于基于所述第一样本集对所述预识别模型进行训练得到年龄识别模型。
13.一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述的方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有机器可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行所述权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010482165.2A CN111401339B (zh) | 2020-06-01 | 2020-06-01 | 识别人脸图像中的人的年龄的方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010482165.2A CN111401339B (zh) | 2020-06-01 | 2020-06-01 | 识别人脸图像中的人的年龄的方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401339A true CN111401339A (zh) | 2020-07-10 |
CN111401339B CN111401339B (zh) | 2020-09-29 |
Family
ID=71431888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010482165.2A Active CN111401339B (zh) | 2020-06-01 | 2020-06-01 | 识别人脸图像中的人的年龄的方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401339B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914772A (zh) * | 2020-08-06 | 2020-11-10 | 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 |
CN112149651A (zh) * | 2020-11-25 | 2020-12-29 | 深圳点猫科技有限公司 | 一种基于深度学习的人脸表情识别方法、装置及设备 |
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 |
CN113076833A (zh) * | 2021-03-25 | 2021-07-06 | 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 |
CN115273154A (zh) * | 2022-09-26 | 2022-11-01 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于边缘重构的热红外行人检测方法、系统及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018096789A1 (en) * | 2016-11-22 | 2018-05-31 | Mitsubishi Electric Corporation | Method for training neuron network and active learning system |
CN108985133A (zh) * | 2017-06-01 | 2018-12-11 | 北京中科奥森数据科技有限公司 | 一种人脸图像的年龄预测方法及装置 |
CN109101938A (zh) * | 2018-08-23 | 2018-12-28 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种基于卷积神经网络的多标签年龄估计方法 |
US20190266386A1 (en) * | 2018-02-28 | 2019-08-29 | Chanel Parfums Beaute | Method for building a computer-implemented tool for assessment of qualitative features from face images |
CN110287942A (zh) * | 2019-07-03 | 2019-09-27 | 成都旷视金智科技有限公司 | 年龄估计模型的训练方法、年龄估计方法以及对应的装置 |
CN110322394A (zh) * | 2019-06-18 | 2019-10-11 | 中国科学院自动化研究所 | 基于属性引导的人脸年龄老化图像对抗生成方法及装置 |
CN111209878A (zh) * | 2020-01-10 | 2020-05-29 | 公安部户政管理研究中心 | 跨年龄人脸识别方法及装置 |
-
2020
- 2020-06-01 CN CN202010482165.2A patent/CN111401339B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018096789A1 (en) * | 2016-11-22 | 2018-05-31 | Mitsubishi Electric Corporation | Method for training neuron network and active learning system |
CN108985133A (zh) * | 2017-06-01 | 2018-12-11 | 北京中科奥森数据科技有限公司 | 一种人脸图像的年龄预测方法及装置 |
US20190266386A1 (en) * | 2018-02-28 | 2019-08-29 | Chanel Parfums Beaute | Method for building a computer-implemented tool for assessment of qualitative features from face images |
CN109101938A (zh) * | 2018-08-23 | 2018-12-28 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种基于卷积神经网络的多标签年龄估计方法 |
CN110322394A (zh) * | 2019-06-18 | 2019-10-11 | 中国科学院自动化研究所 | 基于属性引导的人脸年龄老化图像对抗生成方法及装置 |
CN110287942A (zh) * | 2019-07-03 | 2019-09-27 | 成都旷视金智科技有限公司 | 年龄估计模型的训练方法、年龄估计方法以及对应的装置 |
CN111209878A (zh) * | 2020-01-10 | 2020-05-29 | 公安部户政管理研究中心 | 跨年龄人脸识别方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914772A (zh) * | 2020-08-06 | 2020-11-10 | 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 |
CN111914772B (zh) * | 2020-08-06 | 2024-05-03 | 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 |
CN112149651A (zh) * | 2020-11-25 | 2020-12-29 | 深圳点猫科技有限公司 | 一种基于深度学习的人脸表情识别方法、装置及设备 |
CN113076833A (zh) * | 2021-03-25 | 2021-07-06 | 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 |
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 |
CN115273154A (zh) * | 2022-09-26 | 2022-11-01 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于边缘重构的热红外行人检测方法、系统及存储介质 |
CN115273154B (zh) * | 2022-09-26 | 2023-01-17 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于边缘重构的热红外行人检测方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111401339B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401339B (zh) | 识别人脸图像中的人的年龄的方法、装置及电子设备 | |
CN107944020B (zh) | 人脸图像查找方法及装置、计算机装置和存储介质 | |
CN107169454B (zh) | 一种人脸图像年龄估算方法、装置及其终端设备 | |
CN110532884B (zh) | 行人重识别方法、装置及计算机可读存储介质 | |
CN109086811B (zh) | 多标签图像分类方法、装置及电子设备 | |
CN107958230B (zh) | 人脸表情识别方法及装置 | |
CN108197592B (zh) | 信息获取方法和装置 | |
CN111461164B (zh) | 样本数据集的扩容方法及模型的训练方法 | |
CN110705584A (zh) | 情绪识别方法、装置、计算机装置及存储介质 | |
CN111401343B (zh) | 识别图像中人的属性的方法、识别模型的训练方法和装置 | |
CN110809768B (zh) | 数据清洗系统和方法 | |
CN113205017A (zh) | 跨年龄人脸识别方法及设备 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
CN114359787A (zh) | 目标属性识别方法、装置、计算机设备及存储介质 | |
CN113378852A (zh) | 关键点检测方法、装置、电子设备及存储介质 | |
CN111967383A (zh) | 年龄估计方法、年龄估计模型的训练方法和装置 | |
CN111914772A (zh) | 识别年龄的方法、年龄识别模型的训练方法和装置 | |
CN112699907A (zh) | 数据融合的方法、装置和设备 | |
CN112508135B (zh) | 模型训练方法、行人属性预测方法、装置及设备 | |
CN113643283A (zh) | 一种人体衰老状况的检测方法、装置、设备及存储介质 | |
CN111046786A (zh) | 年龄估计神经网络的生成方法、装置以及电子设备 | |
CN112949571A (zh) | 识别年龄的方法、年龄识别模型的训练方法和装置 | |
CN112801006A (zh) | 表情表征模型的训练方法、面部的表情表征方法及装置 | |
CN112651372A (zh) | 基于人脸图像的年龄判断方法及装置、电子设备、存储介质 | |
CN112070060A (zh) | 识别年龄的方法、年龄识别模型的训练方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |