CN112163462A - 基于人脸的未成年人识别方法、装置、计算机设备 - Google Patents

基于人脸的未成年人识别方法、装置、计算机设备 Download PDF

Info

Publication number
CN112163462A
CN112163462A CN202010932714.1A CN202010932714A CN112163462A CN 112163462 A CN112163462 A CN 112163462A CN 202010932714 A CN202010932714 A CN 202010932714A CN 112163462 A CN112163462 A CN 112163462A
Authority
CN
China
Prior art keywords
face
minor
neural network
convolutional neural
attention mechanism
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010932714.1A
Other languages
English (en)
Inventor
杨宇涛
唐会军
刘拴林
梁堃
陈建
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.)
Beijing Nextdata Times Technology Co ltd
Original Assignee
Beijing Nextdata Times Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Nextdata Times Technology Co ltd filed Critical Beijing Nextdata Times Technology Co ltd
Priority to CN202010932714.1A priority Critical patent/CN112163462A/zh
Publication of CN112163462A publication Critical patent/CN112163462A/zh
Pending legal-status Critical Current

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
    • 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
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于人脸的未成年人识别方法、装置、计算机设备。其中，所述方法包括：根据人脸图像，计算出关联该人脸图像的人脸区域，和对该人脸区域进行边缘扩展，增加预设的边缘区域作为上下文环境信息，和将该经增加预设的边缘区域后的人脸区域输入到配置了注意力机制的卷积神经网络中，以及通过该配置注意力机制后的卷积神经网络，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估。通过上述方式，能够实现提高基于人脸图像来识别未成年人的准确率。

Description

基于人脸的未成年人识别方法、装置、计算机设备
技术领域
本发明涉及人脸识别技术领域，尤其涉及一种基于人脸的未成年人识别方法、装置、计算机设备。
背景技术
随着多媒体技术的日新月异，极大丰富了人们的社交方式，图像、视频流是非常重要的交流手段。随之而来的是愈加复杂的监管需求，未成年人上网一直是社会关注的焦点问题。近几年未成年人沉迷网络、打赏主播甚至儿童色情的问题层出不穷，因而对未成年人的有效识别就成为了监管未成年人上网的重要技术瓶颈。
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，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脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。
随着技术的发展，人脸识别技术已广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领域。随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域。
然而，现有的基于人脸的未成年人识别方案，一般是基于人脸图像通过平均年龄误差来评估效果做年龄估计，通过该估计的年龄来确认该人脸图像对应的人脸是否是未成年人，但是由于人脸的生理年龄和表现年龄存在差异，导致基于人脸图像来识别未成年人的准确率一般。
发明内容
有鉴于此，本发明的目的在于提出一种基于人脸的未成年人识别方法、装置、计算机设备，能够实现提高基于人脸图像来识别未成年人的准确率。
根据本发明的一个方面，提供一种基于人脸的未成年人识别方法，包括：根据人脸图像，计算出关联所述人脸图像的人脸区域；对所述人脸区域进行边缘扩展，增加预设的边缘区域作为上下文环境信息；将所述经增加预设的边缘区域后的人脸区域输入到配置了注意力机制的卷积神经网络网络中；通过所述配置注意力机制后的卷积神经网络，对所述经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估。
其中，所述根据人脸图像，计算出关联所述人脸图像的人脸区域，包括：根据人脸图像，检测出对应所述人脸图像的人脸以及关键点信息，和根据所述人脸以及关键点信息，计算出关联所述人脸图像的人脸区域。
其中，所述通过所述配置注意力机制后的卷积神经网络，对所述经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估，包括：通过所述配置注意力机制后的卷积神经网络的全连接层，对所述经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人和成年人进行分类得到分类结果，根据所述分类结果，对所述经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估。
其中，在对所述通过所述配置注意力机制后的卷积神经网络，对所述经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估之后，还包括：采用预设数量的人脸图像和对应所述预设数量的人脸图像的年龄分布表以及交叉熵损失的损失函数的方式，对所述配置注意力机制后的卷积神经网络进行训练。
根据本发明的另一个方面，提供一种基于人脸的未成年人识别装置，包括：计算模块、边缘扩展模块、输入模块和评估模块；计算模块，用于根据人脸图像，计算出关联所述人脸图像的人脸区域；所述边缘扩展模块，用于对所述人脸区域进行边缘扩展，增加预设的边缘区域作为上下文环境信息；所述输入模块，用于将所述经增加预设的边缘区域后的人脸区域输入到配置了注意力机制的卷积神经网络中；所述评估模块，用于通过所述配置注意力机制后的卷积神经网络，对所述经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估。
其中，所述计算模块，具体用于：根据人脸图像，检测出对应所述人脸图像的人脸以及关键点信息，和根据所述人脸以及关键点信息，计算出关联所述人脸图像的人脸区域。
其中，所述评估模块，具体用于：通过所述配置注意力机制后的卷积神经网络的全连接层，对所述经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人和成年人进行分类得到分类结果，根据所述分类结果，对所述经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估。
其中，所述基于人脸的未成年人识别装置，还包括：训练模块；所述训练模块，用于采用预设数量的人脸图像和对应所述预设数量的人脸图像的年龄分布表以及交叉熵损失的损失函数的方式，对所述配置注意力机制后的卷积神经网络进行训练。
根据本发明的又一个方面，提供一种计算机设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一项所述的基于人脸的未成年人识别方法。
根据本发明的再一个方面，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的基于人脸的未成年人识别方法。
可以发现，以上方案，可以根据人脸图像，计算出关联该人脸图像的人脸区域，和可以对该人脸区域进行边缘扩展，增加预设的边缘区域作为上下文环境信息，和可以将该经增加预设的边缘区域后的人脸区域输入到配置了注意力机制的卷积神经网络中，以及可以通过该配置注意力机制后的卷积神经网络，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估，能够实现提高基于人脸图像来识别未成年人的准确率。
进一步的，以上方案，可以根据人脸图像，检测出对应该人脸图像的人脸以及关键点信息，和根据该人脸以及关键点信息，计算出关联该人脸图像的人脸区域，这样的好处是由于该人脸以及关键点信息可以给人脸图像定位出人脸面部的关键区域位置，能够提高该计算出的人脸区域的准确率。
进一步的，以上方案，可以通过该配置注意力机制后的卷积神经网络的全连接层，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人和成年人进行分类得到分类结果，根据该分类结果，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估，这样的好处是由于该注意力机制能够提高该分类结果的准确率，进而能够提高基于人脸图像来识别未成年人的准确率。
进一步的，以上方案，可以采用预设数量的人脸图像和对应该预设数量的人脸图像的年龄分布表以及交叉熵损失的损失函数的方式，对该配置注意力机制后的卷积神经网络进行训练，这样的好处是能够通过该经训练后的卷积神经网络对人脸图像对应的人脸是否是未成年人进行识别，能够进一步提高基于人脸图像来识别未成年人的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明基于人脸的未成年人识别方法一实施例的流程示意图；
图2是本发明基于人脸的未成年人识别方法另一实施例的流程示意图；
图3是本发明基于人脸的未成年人识别装置一实施例的结构示意图；
图4是本发明基于人脸的未成年人识别装置另一实施例的结构示意图；
图5是本发明计算机设备一实施例的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供一种基于人脸的未成年人识别方法，能够实现提高基于人脸图像来识别未成年人的准确率。
请参见图1，图1是本发明基于人脸的未成年人识别方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括如下步骤：
S101：根据人脸图像，计算出关联该人脸图像的人脸区域。
其中，该根据人脸图像，计算出关联该人脸图像的人脸区域，可以包括：
根据人脸图像，检测出对应该人脸图像的人脸以及关键点信息，和根据该人脸以及关键点信息，计算出关联该人脸图像的人脸区域，这样的好处是由于该人脸以及关键点信息可以给人脸图像定位出人脸面部的关键区域位置，能够提高该计算出的人脸区域的准确率。
在本实施例中，人脸以及关键点信息检测也可以称为人脸关键点检测、定位或者人脸对齐等，本发明不加以限定。
在本实施例中，人脸以及关键点信息检测可以给人脸图像，定位出人脸面部的关键区域位置，包括眉毛、眼睛、鼻子、嘴巴、脸部轮廓等，本发明不加以限定。
在本实施例中，人脸以及关键点信息检测可以采用基于模型的ASM(Active ShapeModel，主动形状模型)和AAM(Active Appearnce Model，主动外观模型)方式，也可以采用基于模型的CPR(Cascaded pose regression，级联形状回归)方式，还可以采用基于深度学习的方式等，本发明不加以限定。
S102：对该人脸区域进行边缘扩展，增加预设的边缘区域作为context(上下文环境信息)信息。
在本实施例中，该上下文环境信息可以是一种非常泛化的概念，可以是与该人脸区域相关的周围环境，这个周围环境具体是什么，完全取决于该人脸区域的关联信息等，本发明不加以限定。
在本实施例中，该上下文环境信息可以是与当前对该人脸区域进行边缘扩展操作相关的前一步状态和下一步状态等，本发明不加以限定。
S103：将该经增加预设的边缘区域后的人脸区域输入到配置了attention(注意力机制)的CNN(Convolutional Neural Networks，卷积神经网络)网络中。
在本实施例中，该注意力机制能够改进该卷积神经网络，该注意力机制的配置能够极大的丰富卷积神经网络的表示能力等，本发明不加以限定。
S104：通过该配置注意力机制后的卷积神经网络，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估。
其中，该通过该配置注意力机制后的卷积神经网络，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估，可以包括：
通过该配置注意力机制后的卷积神经网络的全连接层，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人和成年人进行分类得到分类结果，根据该分类结果，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估，这样的好处是由于该注意力机制能够提高该分类结果的准确率，进而能够提高基于人脸图像来识别未成年人的准确率。
其中，对该通过该配置注意力机制后的卷积神经网络，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估之后，还可以包括：
采用预设数量的人脸图像和对应该预设数量的人脸图像的年龄分布表以及交叉熵损失的损失函数的方式，对该配置注意力机制后的卷积神经网络进行训练，这样的好处是能够通过该经训练后的卷积神经网络对人脸图像对应的人脸是否是未成年人进行识别，能够进一步提高基于人脸图像来识别未成年人的准确率。
可以发现，在本实施例中，可以根据人脸图像，计算出关联该人脸图像的人脸区域，和可以对该人脸区域进行边缘扩展，增加预设的边缘区域作为上下文环境信息，和可以将该经增加预设的边缘区域后的人脸区域输入到配置了注意力机制的卷积神经网络中，以及可以通过该配置注意力机制后的卷积神经网络，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估，能够实现提高基于人脸图像来识别未成年人的准确率。
进一步的，在本实施例中，可以根据人脸图像，检测出对应该人脸图像的人脸以及关键点信息，和根据该人脸以及关键点信息，计算出关联该人脸图像的人脸区域，这样的好处是由于该人脸以及关键点信息可以给人脸图像定位出人脸面部的关键区域位置，能够提高该计算出的人脸区域的准确率。
进一步的，在本实施例中，可以通过该配置注意力机制后的卷积神经网络的全连接层，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人和成年人进行分类得到分类结果，根据该分类结果，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估，这样的好处是由于该注意力机制能够提高该分类结果的准确率，进而能够提高基于人脸图像来识别未成年人的准确率。
请参见图2，图2是本发明基于人脸的未成年人识别方法另一实施例的流程示意图。本实施例中，该方法包括以下步骤：
S201：根据人脸图像，计算出关联该人脸图像的人脸区域。
可如上S101所述，在此不作赘述。
S202：对该人脸区域进行边缘扩展，增加预设的边缘区域作为上下文环境信息。
可如上S102所述，在此不作赘述。
S203：将该经增加预设的边缘区域后的人脸区域输入到配置了注意力机制的卷积神经网络网络中。
可如上S103所述，在此不作赘述。
S204：通过该配置注意力机制后的卷积神经网络，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估。
可如上S104所述，在此不作赘述。
S205：采用预设数量的人脸图像和对应该预设数量的人脸图像的年龄分布表以及交叉熵损失的损失函数的方式，对该配置注意力机制后的卷积神经网络进行训练。
可以发现，在本实施例中，可以采用预设数量的人脸图像和对应该预设数量的人脸图像的年龄分布表以及交叉熵损失的损失函数的方式，对该配置注意力机制后的卷积神经网络进行训练，这样的好处是能够通过该经训练后的卷积神经网络对人脸图像对应的人脸是否是未成年人进行识别，能够进一步提高基于人脸图像来识别未成年人的准确率。
本发明还提供一种基于人脸的未成年人识别装置，能够实现提高基于人脸图像来识别未成年人的准确率。
请参见图3，图3是本发明基于人脸的未成年人识别装置一实施例的结构示意图。本实施例中，该基于人脸的未成年人识别装置30包括计算模块31、边缘扩展模块32、输入模块33和评估模块34。
计算模块31，用于根据人脸图像，计算出关联该人脸图像的人脸区域。
该边缘扩展模块32，用于对该人脸区域进行边缘扩展，增加预设的边缘区域作为上下文环境信息。
该输入模块33，用于将该经增加预设的边缘区域后的人脸区域输入到配置了注意力机制的卷积神经网络中。
该评估模块34，用于通过该配置注意力机制后的卷积神经网络，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估。
可选地，该计算模块31，可以具体用于：
根据人脸图像，检测出对应该人脸图像的人脸以及关键点信息，和根据该人脸以及关键点信息，计算出关联该人脸图像的人脸区域。
可选地，该评估模块34，可以具体用于：
通过该配置注意力机制后的卷积神经网络的全连接层，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人和成年人进行分类得到分类结果，根据该分类结果，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估。
请参见图4，图4是本发明基于人脸的未成年人识别装置另一实施例的结构示意图。区别于上一实施例，本实施例所述基于人脸的未成年人识别装置40还包括训练模块41。
该训练模块41，用于采用预设数量的人脸图像和对应该预设数量的人脸图像的年龄分布表以及交叉熵损失的损失函数的方式，对该配置注意力机制后的卷积神经网络进行训练。
该基于人脸的未成年人识别装置30/40的各个单元模块可分别执行上述方法实施例中对应步骤，故在此不对各单元模块进行赘述，详细请参见以上对应步骤的说明。
本发明又提供一种计算机设备，如图5所示，包括：至少一个处理器51；以及，与至少一个处理器51通信连接的存储器52；其中，存储器52存储有可被至少一个处理器51执行的指令，指令被至少一个处理器51执行，以使至少一个处理器51能够执行上述的基于人脸的未成年人识别方法。
其中，存储器52和处理器51采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器51和存储器52的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器51处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器51。
处理器51负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器52可以被用于存储处理器51在执行操作时所使用的数据。
本发明再提供一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
可以发现，以上方案，可以根据人脸图像，计算出关联该人脸图像的人脸区域，和可以对该人脸区域进行边缘扩展，增加预设的边缘区域作为上下文环境信息，和可以将该经增加预设的边缘区域后的人脸区域输入到配置了注意力机制的卷积神经网络中，以及可以通过该配置注意力机制后的卷积神经网络，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估，能够实现提高基于人脸图像来识别未成年人的准确率。
进一步的，以上方案，可以根据人脸图像，检测出对应该人脸图像的人脸以及关键点信息，和根据该人脸以及关键点信息，计算出关联该人脸图像的人脸区域，这样的好处是由于该人脸以及关键点信息可以给人脸图像定位出人脸面部的关键区域位置，能够提高该计算出的人脸区域的准确率。
进一步的，以上方案，可以通过该配置注意力机制后的卷积神经网络的全连接层，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人和成年人进行分类得到分类结果，根据该分类结果，对该经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估，这样的好处是由于该注意力机制能够提高该分类结果的准确率，进而能够提高基于人脸图像来识别未成年人的准确率。
进一步的，以上方案，可以采用预设数量的人脸图像和对应该预设数量的人脸图像的年龄分布表以及交叉熵损失的损失函数的方式，对该配置注意力机制后的卷积神经网络进行训练，这样的好处是能够通过该经训练后的卷积神经网络对人脸图像对应的人脸是否是未成年人进行识别，能够进一步提高基于人脸图像来识别未成年人的准确率。
在本发明所提供的几个实施方式中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，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，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。
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方式方案的目的。
另外，在本发明各个实施方式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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元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，本发明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全部或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)或处理器(processor)执行本发明各个实施方式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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的部分实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于人脸的未成年人识别方法，其特征在于，包括：
根据人脸图像，计算出关联所述人脸图像的人脸区域；
对所述人脸区域进行边缘扩展，增加预设的边缘区域作为上下文环境信息；
将所述经增加预设的边缘区域后的人脸区域输入到配置了注意力机制的卷积神经网络网络中；
通过所述配置注意力机制后的卷积神经网络，对所述经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估。
2.如权利要求1所述的基于人脸的未成年人识别方法，其特征在于，所述根据人脸图像，计算出关联所述人脸图像的人脸区域，包括：
根据人脸图像，检测出对应所述人脸图像的人脸以及关键点信息，和根据所述人脸以及关键点信息，计算出关联所述人脸图像的人脸区域。
3.如权利要求1所述的基于人脸的未成年人识别方法，其特征在于，所述通过所述配置注意力机制后的卷积神经网络，对所述经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估，包括：
通过所述配置注意力机制后的卷积神经网络的全连接层，对所述经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人和成年人进行分类得到分类结果，根据所述分类结果，对所述经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估。
4.如权利要求1所述的基于人脸的未成年人识别方法，其特征在于，在对所述通过所述配置注意力机制后的卷积神经网络，对所述经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估之后，还包括：
采用预设数量的人脸图像和对应所述预设数量的人脸图像的年龄分布表以及交叉熵损失的损失函数的方式，对所述配置注意力机制后的卷积神经网络进行训练。
5.一种基于人脸的未成年人识别装置，其特征在于，包括：
计算模块、边缘扩展模块、输入模块和评估模块；
计算模块，用于根据人脸图像，计算出关联所述人脸图像的人脸区域；
所述边缘扩展模块，用于对所述人脸区域进行边缘扩展，增加预设的边缘区域作为上下文环境信息；
所述输入模块，用于将所述经增加预设的边缘区域后的人脸区域输入到配置了注意力机制的卷积神经网络中；
所述评估模块，用于通过所述配置注意力机制后的卷积神经网络，对所述经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估。
6.如权利要求5所述的基于人脸的未成年人识别装置，其特征在于，所述计算模块，具体用于：
根据人脸图像，检测出对应所述人脸图像的人脸以及关键点信息，和根据所述人脸以及关键点信息，计算出关联所述人脸图像的人脸区域。
7.如权利要求5所述的基于人脸的未成年人识别装置，其特征在于，所述评估模块，具体用于：
通过所述配置注意力机制后的卷积神经网络的全连接层，对所述经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人和成年人进行分类得到分类结果，根据所述分类结果，对所述经增加预设的边缘区域后的人脸区域对应的人脸是否是未成年人的概率进行评估。
8.如权利要求5所述的基于人脸的未成年人识别装置，其特征在于，所述基于人脸的未成年人识别装置，还包括：
训练模块；
所述训练模块，用于采用预设数量的人脸图像和对应所述预设数量的人脸图像的年龄分布表以及交叉熵损失的损失函数的方式，对所述配置注意力机制后的卷积神经网络进行训练。
9.一种计算机设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4中任一项所述的基于人脸的未成年人识别方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的基于人脸的未成年人识别方法。
CN202010932714.1A 2020-09-08 2020-09-08 基于人脸的未成年人识别方法、装置、计算机设备 Pending CN112163462A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010932714.1A CN112163462A (zh) 2020-09-08 2020-09-08 基于人脸的未成年人识别方法、装置、计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010932714.1A CN112163462A (zh) 2020-09-08 2020-09-08 基于人脸的未成年人识别方法、装置、计算机设备

Publications (1)

Publication Number Publication Date
CN112163462A true CN112163462A (zh) 2021-01-01

Family

ID=73857861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010932714.1A Pending CN112163462A (zh) 2020-09-08 2020-09-08 基于人脸的未成年人识别方法、装置、计算机设备

Country Status (1)

Country Link
CN (1) CN112163462A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837464A (zh) * 2021-02-05 2021-05-25 浙江出彩智能科技有限公司 一种可信身份识别的彩票机及分布式存储方法
CN113657188A (zh) * 2021-07-26 2021-11-16 浙江大华技术股份有限公司 人脸年龄识别方法、系统、电子装置和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104391857A (zh) * 2014-10-17 2015-03-04 惠州Tcl移动通信有限公司 设备终端及根据年龄信息显示网页内容的方法
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
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
CN109543606A (zh) * 2018-11-22 2019-03-29 中山大学 一种加入注意力机制的人脸识别方法
US20190138787A1 (en) * 2017-08-11 2019-05-09 Beijing Sensetime Technology Development Co., Ltd Method and apparatus for facial age identification, and electronic device
CN110110611A (zh) * 2019-04-16 2019-08-09 深圳壹账通智能科技有限公司 人像属性模型构建方法、装置、计算机设备和存储介质
CN111339813A (zh) * 2019-09-30 2020-06-26 深圳市商汤科技有限公司 人脸属性识别方法、装置、电子设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104391857A (zh) * 2014-10-17 2015-03-04 惠州Tcl移动通信有限公司 设备终端及根据年龄信息显示网页内容的方法
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
US20190138787A1 (en) * 2017-08-11 2019-05-09 Beijing Sensetime Technology Development Co., Ltd Method and apparatus for facial age identification, and electronic device
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
CN109543606A (zh) * 2018-11-22 2019-03-29 中山大学 一种加入注意力机制的人脸识别方法
CN110110611A (zh) * 2019-04-16 2019-08-09 深圳壹账通智能科技有限公司 人像属性模型构建方法、装置、计算机设备和存储介质
CN111339813A (zh) * 2019-09-30 2020-06-26 深圳市商汤科技有限公司 人脸属性识别方法、装置、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
俞勇: "《人工智能实践 动手做你自己的AI》", 31 August 2019 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837464A (zh) * 2021-02-05 2021-05-25 浙江出彩智能科技有限公司 一种可信身份识别的彩票机及分布式存储方法
CN113657188A (zh) * 2021-07-26 2021-11-16 浙江大华技术股份有限公司 人脸年龄识别方法、系统、电子装置和存储介质

Similar Documents

Publication Publication Date Title
WO2021169637A1 (zh) 图像识别方法、装置、计算机设备及存储介质
Bhattacharya et al. Why does a visual question have different answers?
US9489570B2 (en) Method and system for emotion and behavior recognition
US20190065906A1 (en) Method and apparatus for building human face recognition model, device and computer storage medium
Yun et al. Automatic recognition of children engagement from facial video using convolutional neural networks
Miyakoshi et al. Facial emotion detection considering partial occlusion of face using Bayesian network
CN112395979B (zh) 基于图像的健康状态识别方法、装置、设备及存储介质
Yu et al. Is interactional dissynchrony a clue to deception? Insights from automated analysis of nonverbal visual cues
CN109035085A (zh) 一种在线课程助教方法及计算机设备
CN112860852A (zh) 信息分析方法及装置、电子设备和计算机可读存储介质
CN110427802B (zh) Au检测方法、装置、电子设备及存储介质
CN112163462A (zh) 基于人脸的未成年人识别方法、装置、计算机设备
Borza et al. In the eye of the deceiver: Analyzing eye movements as a cue to deception
WO2022142903A1 (zh) 身份识别方法、装置、电子设备及相关产品
CN114519397B (zh) 基于对比学习的实体链接模型的训练方法、装置、设备
Hirota et al. Proposal and experimental results of a DNN based real-time recognition method for ohsone style fingerspelling in static characters environment
CN116994188A (zh) 一种动作识别方法、装置、电子设备及存储介质
CN113704393A (zh) 关键词提取方法、装置、设备及介质
Miyakoshi et al. A missing value imputation method using a Bayesian network with weighted learning
CN116721454A (zh) 微表情识别方法和装置、电子设备及存储介质
Jiang et al. A classroom concentration model based on computer vision
Khoo et al. Machine learning for multimodal mental health detection: a systematic review of passive sensing approaches
WO2023154351A2 (en) Apparatus and method for automated video record generation
Sultana Multimodal Person Recognition using Social Behavioral Biometric.
CN112446360A (zh) 目标行为检测方法、装置及电子设备

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: 20210101