CN112651372A - 基于人脸图像的年龄判断方法及装置、电子设备、存储介质 - Google Patents

基于人脸图像的年龄判断方法及装置、电子设备、存储介质 Download PDF

Info

Publication number
CN112651372A
CN112651372A CN202011643700.4A CN202011643700A CN112651372A CN 112651372 A CN112651372 A CN 112651372A CN 202011643700 A CN202011643700 A CN 202011643700A CN 112651372 A CN112651372 A CN 112651372A
Authority
CN
China
Prior art keywords
age
information
face
group
face image
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
CN202011643700.4A
Other languages
English (en)
Other versions
CN112651372B (zh
Inventor
王洋
周军
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 Eyes Intelligent Technology Co ltd
Beijing Eyecool Technology Co Ltd
Original Assignee
Beijing Eyes Intelligent Technology Co ltd
Beijing Eyecool 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 Eyes Intelligent Technology Co ltd, Beijing Eyecool Technology Co Ltd filed Critical Beijing Eyes Intelligent Technology Co ltd
Priority to CN202011643700.4A priority Critical patent/CN112651372B/zh
Publication of CN112651372A publication Critical patent/CN112651372A/zh
Application granted granted Critical
Publication of CN112651372B publication Critical patent/CN112651372B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种基于人脸图像的年龄判断方法及装置、电子设备、计算机可读存储介质，方法包括：将人脸图像输入已训练的年龄判断模型，获得所述年龄判断模型输出的年龄段类别信息和不同年龄的概率值，对所述不同年龄的概率值进行加权求和获得年龄信息；判断所述年龄信息是否与所述年龄段类别信息匹配；若不匹配，判断所述年龄信息是否位于所述年龄段类别信息中最大年龄组对应的年龄段范围，并判断所述年龄段类别信息是否为最小年龄组；如果是，对所述年龄信息进行校准处理，获得校准年龄信息；确定所述校准年龄信息和所述年龄段类别信息指示所述人脸图像中人物的年龄。本申请方案可通过执行两种分类任务的年龄判断模型，实现准确的年龄判断。

Description

基于人脸图像的年龄判断方法及装置、电子设备、存储介质
技术领域
本申请涉及图像处理技术领域，特别涉及一种基于人脸图像的年龄判断方法及装置、电子设备、计算机可读存储介质。
背景技术
随着人脸识别技术的发展，用户对人脸属性的识别需求也越来越高，如识别人脸年龄、识别人脸性别、识别人脸开心度等。其中，识别人脸年龄有助于收集不同年龄段的用户信息、分析不同年龄段产品的欢迎度等。
在相关方案中，年龄判断方法大体上可以分为回归任务和分类任务。在回归任务中，年龄被建模成连续的值，可以通过CNN(卷积神经网络，Convolutional NeuralNetworks)或自定义的特征提取方法从人脸图像中提取与年龄相关的特征，接着依据提取到的特征回归到年龄区间(比如：0到100)内的浮点数值，以距离该浮点数值最近的整数值表示人脸图像中人物的年龄。在分类任务中，可以预先划分出多个年龄段(比如：幼年、青年和老年)，每一年龄段属于一个年龄类别，在从人脸图像中提取特征后，可以依据该特征分类出对应的年龄类别，从而确定人物的年龄段。
然而，回归任务通过人脸图像回归到浮点数值形式的年龄，任务分类难度大，训练难收敛，且判断误差较高；而分类任务则无法满足对具体年龄的判断需求。
发明内容
本申请实施例的目的在于提供一种基于人脸图像的年龄判断方法及装置、电子设备、计算机可读存储介质，用于基于人脸图像实现准确的年龄判断。
一方面，本申请提供了一种基于人脸图像的年龄判断方法，包括：
将人脸图像输入已训练的年龄判断模型，获得所述年龄判断模型输出的年龄段类别信息和不同年龄的概率值，对所述不同年龄的概率值进行加权求和获得年龄信息；
判断所述年龄信息是否与所述年龄段类别信息匹配；
若不匹配，判断所述年龄信息是否位于所述年龄段类别信息中最大年龄组对应的年龄段范围，并判断所述年龄段类别信息是否为最小年龄组；
如果是，对所述年龄信息进行校准处理，获得校准年龄信息；
确定所述校准年龄信息和所述年龄段类别信息指示所述人脸图像中人物的年龄。
在一实施例中，所述方法还包括：
若所述年龄信息与所述年龄段类别信息匹配，确定所述年龄信息和所述年龄段类别信息指示所述人脸图像中人物的年龄。
在一实施例中，所述方法还包括：
若所述年龄信息不位于所述年龄段类别信息中最大年龄组对应的年龄段范围，且所述年龄段类别信息不为最小年龄组；
确定所述年龄信息指示所述人脸图像中人物的年龄；或者
确定与所述年龄信息对应的校准年龄段类别信息，确定所述年龄信息和所述校准年龄段类别信息指示所述人脸图像中人物的年龄。
在一实施例中，在所述将人脸图像输入已训练的年龄判断模型之前，所述方法还包括：
从目标图像中识别出人脸的位置信息；
依据所述位置信息从所述目标图像裁切出人脸所在的局部图像；
对所述局部图像进行关键点检测，获得所述局部图像中多个人脸关键点；
依据预设图像坐标系中与每一人脸关键点对应的指定坐标，对所述局部图像进行仿射变换；
基于预设截取范围，对仿射变换后所述图像坐标系的局部图像进行截取，获得所述人脸图像。
在一实施例中，所述年龄判断模型通过如下方法训练得到：
获取样本数据集，所述样本数据集包括多个人脸样本图像，所述人脸样本图像携带年龄段信息标签和年龄信息标签；其中，所述年龄段信息标签为多维向量，所述多维向量中每一元素为对应年龄段的置信度，所述年龄信息标签将人脸样本图像中人物的实际年龄转换为离散的真实标签，所述年龄信息为高维向量，所述高维向量表示为：
(f1,1,f1,2,f2,1,f2,2,…,fn,1,fn,2)
其中fi,1表示年龄达到i岁的概率，fi,2表示年龄未达到i岁的概率；n为年龄信息的最大值；
将所述多个人脸样本图像输入深度学习模型进行年龄段信息分类和不同年龄分类的有监督训练，获得所述年龄判断模型。
在一实施例中，进行年龄段信息分类的有监督训练时采用softmax分类器，进行不同年龄分类的有监督训练时采用的损失函数为L2损失函数。
另一方面，本申请还提供了一种基于人脸图像的年龄判断装置，包括：
输入模块，用于将人脸图像输入已训练的年龄判断模型，获得所述年龄判断模型输出的年龄段类别信息和不同年龄的概率值，对所述不同年龄的概率值进行加权求和获得年龄信息；
第一判断模块，用于判断所述年龄信息是否与所述年龄段类别信息匹配；
第二判断模块，用于若不匹配，判断所述年龄信息是否位于所述年龄段类别信息中最大年龄组对应的年龄段范围，并判断所述年龄段类别信息是否为最小年龄组；
校准模块，用于如果是，对所述年龄信息进行校准处理，获得校准年龄信息；
确定模块，用于确定所述校准年龄信息和所述年龄段类别信息指示所述人脸图像中人物的年龄。
在一实施例中，所述年龄判断模型通过如下方法训练得到：
获取样本数据集，所述样本数据集包括多个人脸样本图像，所述人脸样本图像携带年龄段信息标签和年龄信息标签；其中，所述年龄段信息标签为多维向量，所述多维向量中每一元素为对应年龄段的置信度，所述年龄信息标签将人脸样本图像中人物的实际年龄转换为离散的真实标签，所述年龄信息为高维向量，所述高维向量表示为：
(f1,1,f1,2,f2,1,f2,2,…,fd,1,fn,2)
其中fi,1表示年龄达到i岁的概率，fi,2表示年龄未达到i岁的概率；n为年龄信息的最大值；
将所述多个人脸样本图像输入深度学习模型进行年龄段信息分类和不同年龄分类的有监督训练，获得所述年龄判断模型。
进一步的，本申请还提供了一种电子设备，所述电子设备包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行上述基于人脸图像的年龄判断方法。
另外，本申请还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成上述基于人脸图像的年龄判断方法。
本方案通过将人脸图像输入事先训练好的年龄判断模型，将人脸图像中人物的年龄离散化为不同年龄的概率值，对每个年龄的概率值进行加权求和，获得年龄信息，而不是分类出单一的年龄数值，因而提高了年龄的准确性，同时结合年龄段类别信息和年龄信息之间的相互关系对年龄信息进行校准，从而获得人脸图像中人物准确的年龄。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍。
图1为本申请一实施例提供的基于人脸图像的年龄判断方法的应用场景示意图；
图2为本申请一实施例提供的电子设备的结构示意图；
图3为本申请一实施例提供的基于人脸图像的年龄判断方法的流程示意图；
图4为本申请一实施例提供的图像预处理方法的流程示意图；
图5-图16为本申请一实施例提供的年龄判断模型的网络结构的示意图；图17为本申请一实施例提供的基于人脸图像的年龄判断装置的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
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。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
图1为本申请实施例提供的基于人脸图像的年龄判断方法的应用场景示意图。如图1所示，该应用场景包括客户端20和服务端30；客户端20可以是主机、手机、平板电脑等用户终端，用于向服务端30发送用于年龄判断的图像；服务端30可以是服务器、服务器集群或云计算中心，可以基于图像中的人脸判断人物年龄。
如图2所示，本实施例提供一种电子设备1，包括：至少一个处理器11和存储器12，图2中以一个处理器11为例。处理器11和存储器12通过总线10连接，存储器12存储有可被处理器11执行的指令，指令被处理器11执行，以使电子设备1可执行下述的实施例中方法的全部或部分流程。在一实施例中，电子设备1可以是上述服务端30，用于执行基于人脸图像的年龄判断方法。
存储器12可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory，简称EPROM)，可编程只读存储器(Programmable Red-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
本申请还提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序可由处理器11执行以完成本申请提供的基于人脸图像的年龄判断方法。
参见图3，为本申请一实施例提供的基于人脸图像的年龄判断方法的流程示意图，如图3所示，该方法可以包括以下步骤310-步骤350。
步骤310：将人脸图像输入已训练的年龄判断模型，获得年龄判断模型输出的年龄段类别信息和不同年龄的概率值，对所述不同年龄的概率值进行加权求和获得年龄信息。
其中，年龄判断模型可以由CNN模型通过多任务学习训练得到，用于对人脸图像计算年龄段类别信息和不同年龄的概率值，通过对不同年龄的概率值进行加权求和获得年龄信息。
年龄段类别信息基于年龄段划分方式确定的类别信息。示例性的，年龄段类别信息可以包括对应于1至10岁的幼年、对应于11至50岁的青年、对应于51至100岁的老年。年龄信息是表示具体年龄的数值，例如人脸图像中的人物年龄为15岁。
服务端可以将需要判断年龄的人脸图像输入年龄判断模型，通过年龄判断模型对人脸图像进行处理后，可以得到年龄段类别信息和不同年龄的概率值，对不同年龄的概率值进行加权求和获得年龄信息。
步骤320：判断年龄信息是否与年龄段类别信息匹配。
服务端可以判断年龄信息是否位于年龄段类别信息对应的年龄段范围内。
一方面，若年龄信息位于年龄段类别信息对应的年龄段范围内，说明年龄信息与年龄段类别信息匹配。示例性的，年龄信息为7岁，年龄段类别信息为对应于1至10岁的幼年，年龄信息位于年龄段类别信息对应的年龄段内，此时，年龄段类别信息和年龄信息匹配。在这种情况下，服务端可以确定年龄信息和年龄段可以指示人脸图像中人物的年龄。按照上述示例判定人脸图像中的人物年龄为7岁的幼年。
另一方面，若年龄信息不位于年龄段类别信息对应的年龄段范围内，说明年龄信息与年龄段类别信息不匹配。示例性的，年龄信息为61岁，年龄段类别信息为对应于11岁至50岁的青年，年龄信息不位于年龄段类别信息对应的年龄段范围内，此时，年龄段类别信息和年龄信息不匹配。在这种情况下，服务端可以继续执行步骤330。
步骤330：若不匹配，判断年龄信息是否位于所述年龄段类别信息中最大年龄组对应的年龄段范围，并判断所述年龄段类别信息是否为最小年龄组。
发明人在研究过程中发现，一个人从出生开始逐渐长大成人、直至不断衰老进入老年的过程中，皮肤逐渐衰老，皱纹不断增多。现有基于回归任务的年龄判断技术，实际上并不能将脸上都有皱纹但形式有区别的新生儿和老年人区分开来，且只能粗略分类出单一的人脸年龄数值，无法完成精细的年龄判别。有鉴于此，为了进一步提高年龄判断的准确性，本申请技术方案在获得年龄段类别信息和年龄信息后，当判断年龄信息与年龄段类别信息不匹配时，需要进一步判断是否年龄信息为最大年龄组范围内的年龄，而年龄段类别信息是否为最小年龄组的情形。示例性的，可以将年龄段类别信息划分为幼年、青年和老年，所述最大年龄组可以为老年组，而最小年龄组为幼年组，也即，需要进一步判断是否年龄段类别信息为幼年，而年龄信息位于年龄段类别信息中老年的年龄段范围，如果是，服务端可以继续执行步骤340。
步骤340：如果是，对年龄信息进行校准处理，获得校准年龄信息。
在年龄信息与年龄段类别信息不匹配的情况下，服务端可以判断年龄信息是否位于所述年龄段类别信息中最大年龄组对应的年龄段范围，而所述年龄段类别信息为最小年龄组。示例性的，当年龄判断模型输出的年龄信息位于老年段对应的年龄范围内，而年龄段类别信息为幼年时，说明年龄信息不够准确，服务端可以对年龄信息进行校准处理，获得校准年龄信息。校准年龄信息经过校准，可认为能够说明人脸图像中人物的年龄。
示例性的，服务端可以通过如下公式(1)进行校准：
agej＝age-n*10，s.t.0＜agej≤10 (1)
其中，agej表示校准年龄信息；age表示校准前的年龄信息；n为正整数。
服务端通过公式(1)校准年龄信息时，实际是在保证取余结果大于0小于等于10的情况下，对10进行取余计算。通过该措施，年龄信息为59岁，校准得到的校准年龄信息为9岁；年龄信息为70岁，校准得到的校准年龄信息为10岁。
步骤350：确定校准年龄信息和年龄段类别信息指示人脸图像中人物的年龄。
在获得校准年龄信息后，服务端可以确定校准年龄信息和年龄段类别信息能够指示人脸图像中人物的年龄。
在一实施例中，服务端在执行步骤340时，如果年龄信息没有位于所述年龄段类别信息中最大年龄组对应的年龄段范围，且所述年龄段类别信息不为最小年龄组，服务端可以确定与年龄信息对应的校准年龄段类别信息或者确定年龄信息指示所述人脸图像中人物的年龄。其中，校准年龄段类别信息可认为能够说明人脸图像中人物所属的年龄段。示例性的，最大年龄组(老年)对应的年龄段范围为51岁到100岁，最小年轻组对应的年龄段范围为0-10岁(幼儿)，中间年龄组对应的年龄段范围为11岁到50岁(青年)，当年龄判断模型获得的待测人脸图像中人物的年龄信息为23岁，而年龄段类别信息为幼儿时，服务端可以确定与年龄信息对应的校准年龄段类别信息为对应于11至50岁的青年。在获得校准年龄段类别信息之后，服务端可以确定年龄信息和校准年龄段类别信息指示人脸图像中人物的年龄。或者，服务端可以直接将年龄信息指示所述人脸图像中的人物年龄，即输出人脸图像中的人物年龄为23岁。
在一实施例中，服务端获得的图像在作为人脸图像输入年龄判断模型之前，还需进行预处理，以获得对齐并且尺度统一的人脸图像。参见图4，为本申请一实施例提供的图像预处理方法的流程示意图，如图4所示，该方法可以包括以下步骤301-步骤305。
步骤301：从目标图像中识别出人脸的位置信息。
步骤302：依据位置信息从目标图像裁切出人脸所在的局部图像。
其中，目标图像为包含人脸、且需要接受年龄判断的图像。
服务端可以依据人脸检测算法对目标图像进行识别，从而确定目标图像中人脸的位置信息。这里，人脸检测算法可以是RetinaFace，也可以是其它经过人脸图像训练的目标检测算法。位置信息可以是限定人脸位置的检测框，通常可依据检测框左上角顶点坐标和右下角顶点坐标来表示。这里的坐标可以是以目标图像的左上角顶点为原点建立的图像坐标系中的坐标。
在获得人脸的位置信息后，服务端可以裁切出人脸所在的局部图像。
步骤303：对局部图像进行关键点检测，获得局部图像中多个人脸关键点。
其中，人脸关键点可以包括左眼、有眼、鼻尖、左嘴角、右嘴角等。
服务端可以通过人脸关键点检测算法对局部图像进行计算，从而识别出局部图像中各人脸关键点的坐标。其中，人脸关键点检测算法可以是SDM(Supvised DescentMethod，监督下降法)，也可以是其它算法，本申请对此不作限定。
步骤304：依据预设图像坐标系中与每一人脸关键点对应的指定坐标，对局部图像进行仿射变换。
步骤305：基于预设截取范围，对仿射变换后图像坐标系的局部图像进行截取，获得人脸图像。
其中，步骤304中图像坐标系用于放置仿射变换后的局部图像。与人脸关键点对应的指定坐标是局部图像仿射变换时人脸关键点需要对齐的坐标。示例性的，与各人脸关键点对应的指定坐标可以为：左眼坐标(38.2946，51.6963)、右眼坐标(73.5318，51.5014)、鼻尖坐标(56.0252，71.7366)、左嘴角坐标(41.5493，92.3655)、右嘴角坐标(70.7299，92.2041)。
服务端将各人脸关键点对齐至其对应的指定坐标后，对局部图像的其它位置进行相应的仿射变换，从而将不同局部图像中的人脸统一至相同尺寸。
在仿射变换之后，服务端可以基于预设在图像坐标系中的截取范围，对图像坐标系中的局部图像进行截取。示例性的，截取范围可以是以坐标系原点为左上角，宽度和高度均为120的矩形区域。截取得到的图像去除了局部图像中除人脸以外的多余信息，可作为人脸图像，用于后续的年龄判断。
在一实施例中，服务端在执行上述年龄判断方法之前，可以训练出年龄判断模型。
在训练阶段，服务端可以获取样本数据集。样本数据集包括多个人脸样本图像，人脸样本图像携带年龄段信息标签和年龄信息标签，采用样本数据集对年龄判断模型进行三分类和不同年龄类别(例如当年龄为0-100岁时，进行101类别的分类)分类有监督训练，通过同一个年龄判断模型同时完成年龄段类别的三分类任务和具体年龄的101类分类任务，并在101类年龄上采用不同年龄的概率值来表征具体年龄，使得年龄判断更加准确。其中，训练三分类时可以采用softmax分类器，训练101类别时采用的损失函数为L2范式损失函数，通过三分类可以获得人脸图像中人物的年龄段类别，通过101分类可以获得人脸图像中人物在每个年龄类别的概率。由于年龄判断模型在训练101类别时采用的损失函数为L2范式损失函数，因此，在对人脸样本图像中人物的年龄添加标签时需要将人物的实际年龄转换为离散的真实标签。
在样本数据集中，每个人脸样本图像的年龄段信息标签为多维向量，多维向量中每一元素为对应年龄段的置信度。示例性的，在应用阶段存在的年龄段类别信息包括对应于1至10岁的幼年、对应于11至50岁的青年、对应于51至100岁的老年，则年龄段信息标签为三维向量，三维向量中每一元素对应一个年龄段，表示幼年的年龄段信息标签为(1，0，0)，表示青年的年龄段信息标签为(0，1，0)，表示老年的年龄段信息标签为(0，0，1)。
现有技术中，在训练年龄判断模型时，将人脸图像建模成0-100的离散数值，也即人脸年龄判断被简化为101类的分类任务，对人脸特征进行分类看哪个年龄的概率值最大，即可判断该人脸图像中人物的年龄，然而这种方法分类类别较多，难以获得较好的分类结果。
有鉴于此，本申请发明人在训练阶段，在对训练样本添加标签时，将人脸样本图像中人物的真实年龄转换为离散真实的标签，年龄信息标签为高维向量，高维向量可表示为：
(f1,1,f1,2,f2,1,f2,2,…,fn,1,fn,2)
其中，fi,1表示年龄达到i岁的概率，fi,2表示年龄未达到i岁的概率；n为年龄信息的最大值。示例性的，n为100，表示年龄判断模型可以判断的最大年龄为100岁，则高维向量为200维向量。
对于m岁的人物所在的人脸图像而言，年龄信息标签中：
fi,1＝1，fi,2＝0，i＝1，2，3，……，m；
fi,1＝0，fi,2＝1，i＝m+1，m+2，m+3，……，n。
因此，训练阶段年龄信息标签实际所表现的年龄表示为：
Figure BDA0002876609400000141
在测试阶段，将待测人脸图像输入已经训练好的年龄判断模型后，能够输出两个分支的结果，第一个分支输出维度为3的年龄段类别信息，分别表示了该人脸图像中人物年龄判断为幼年、青年和老年的概率；第二个分支输出维度为2n，n为年龄信息的最大值，示例性的n取值为100，则第二个分支输出维度为200，用于表示不同年龄的概率值，对不同年龄的概率值进行加权计算获得年龄信息。两个分支的具体计算方式如下：
第一分支，三分类年龄段类别信息的计算方法如下：
s1,s2,s3分别表示第一分支的3维输出结果，分别代表了该输入人脸图像是幼年，青年和老年的概率，取三者之中最大的为最终的人脸判断结果，即：
index＝argmaxi(s1,s2,s3)
如果index＝1则表示输入的人脸图像是幼年，如果index＝2则表示输入的人脸图像是青年，如果index＝3则表示输入的人脸图像是老年。
第二分支，年龄信息的计算方式如下：
第二分支输出一个维度为2n(示例性的n＝100)的特征向量，表示为：
(p1,1,p1,2,p2,1,p2,2,…,p100,1,p100,2)
其中pi,1表示为年龄达到i岁的概率，pi,2表示为年龄未达到i岁的概率，pi,1和pi,2的和为1，所以在测试阶段，人脸图像经过年龄判断模型的前馈过程获得200维向量的计算结果，则年龄信息的计算方式为：
Figure BDA0002876609400000151
示例性的，年龄判断模型的第二分支输出的结果为(p1,1＝0.9,p1,2＝0.1,p2,1＝0.8,p2,2＝0.2,…,p100,1＝0.01,p100,2＝0.09)，则年龄信息为age＇＝1*0.9+2*0.8+…+100*0.01。
由此，本申请技术方案通过将年龄离散化，但不是分类出单一的人脸年龄数值，而是结合每个年龄进行加权求和，使得人脸年龄判断更加准确。
需要说明的是，本申请实施例中将年龄段划分为幼年、青年、老年，年龄信息为0-100岁仅为示例性说明，并不用于限制本发明。在另一些实施例中，根据年龄段划分的不同方式，还可以采用其他分类方式，例如，将年龄段划分为未成年、青年、中年、老年以及长寿老年，年龄信息为0-150岁，此时人脸判断模型采用的是五分类以及151类的分类任务。
在一实施例中，参见图5至图16，图5至图16为本发明一实施例提供的年龄判断模型的网络结构示意图，为了清楚的显示本发明提供的年龄判断模型的网络结构，本说明书将网络结构分段表示，相同的序号表示人脸判断模型的衔接处。
将人脸图像输入年龄判断模型作第一运算得到第一特征图，其中，所述第一运算包括BN，scale，conv，bn，scale，relu，对第一特征图作第二运算得到第二特征图，所述第二运算包括conv，bn，scale，对第一特征图作第三运算得到第三特征图，所述第三运算包括conv，bn，scale，relu，conv，对第二特征图和第三特征图作Eltwise运算和第一relu运算得到第四特征图，对第四特征图作第四运算得到第五特征图，所述第四运算包括conv，bn，scale，relu，conv，bn，scale，对第四特征图和第五特征图作Eltwise运算和第二relu运算得到第六特征图，对第六特征图作第五运算得到第七特征图，所述第五运算包括conv，bn，scale，relu，conv，bn，scale，对第六特征图和第七特征图作Eltwise运算和第三relu运算得到第八特征图，对第八特征图作第六运算得到第九特征图，所述第六运算包括conv，bn，scale，对第八特征图作第七运算得到第十特征图，所述第七运算包括conv，bn，scale，relu，conv，bn，scale，对第九特征图和第十特征图作Eltwise运算和第四relu运算得到第十一特征图，对第十一特征图作第八运算得到第十二特征图，所述第八运算包括conv，bn，scale，relu，conv，bn，scale，对第十一特征图和第十二特征图作Eltwise运算和第五relu运算得到第十三特征图，对第十三特征图作第九运算得到第十四特征图，所述第九运算包括conv，bn，scale，relu，conv，bn，scale，对第十三特征图和第十四特征图作Eltwise运算和第六relu运算得到第十五特征图，对第十五特征图作第十运算得到第十六特征图，所述第十运算包括conv，bn，scale，relu，conv，bn，scale，对第十五特征图和第十六特征图作Eltwise运算和第七relu运算得到第十七特征图，对第十七特征图作第十一运算得到第十八特征图，所述第十一运算包括conv，bn，scale，对第十七特征图作第十二运算得到第十九特征图，所述第十二运算包括conv，bn，scale，relu，conv，bn，scale，对所述第十八特征图和第十九特征图作Eltwise运算和第八relu运算得到第二十特征图，对第二十特征图作第十三运算得到第二十一特征图，所述第十三运算包括conv，bn，scale，relu，conv，bn，scale，对第二十特征图和第二十一特征图作Eltwise运算和第九relu运算得到第二十二特征图，对第二十二特征图作第十四运算得到第二十三特征图，所述第十四运算包括conv，bn，scale，relu，conv，bn，scale，对第二十二特征图和第二十三特征图作Eltwise运算和第十relu运算得到第二十四特征图，对第二十四特征图作第十五运算第二十五特征图，所述第十五运算包括conv，bn，scale，relu，conv，bn，scale，对第二十四特征图和第二十五特征图作Eltwise运算和第十一relu运算得到第二十六特征图，对第二十六特征图作第十六运算得到第二十七特征图，所述第十六运算包括conv，bn，scale，relu，conv，bn，scale，对第二十六特征图和第二十七特征图作Eltwise运算和第十二relu运算得到第二十八特征图，对第二十八特征图作第十七运算得到第二十九特征图，所述第十七运算包括conv，bn，scale，relu，conv，bn，scale，对第二十八特征图和第二十九特征图作Eltwise运算和第十三relu运算得到第三十特征图，对第三十特征图作第十八运算得到第三十一特征图，所述第十八运算包括conv，bn，scale，relu，conv，bn，scale，对第三十特征图和第三十一特征图作Eltwise运算和第十四relu运算得到第三十二特征图，对第三十二特征图作第十九运算得到第三十三特征图，所述第十九运算包括conv，bn，scale，relu，conv，bn，scale，对第三十二特征图和第三十三特征图作Eltwise运算和第十五relu运算得到第三十四特征图，对第三十四特征图作第二十运算得到第三十五特征图，所述第二十运算包括conv，bn，scale，relu，conv，bn，scale，对第三十四特征图和第三十五特征图作Eltwise运算和第十六relu运算得到第三十六特征图，对第三十六特征图作第二十一运算得到第三十七特征图，所述第二十一运算包括conv，bn，scale，relu，conv，bn，scale，对第三十六特征图和第三十七特征图作Eltwise运算和第十七relu运算得到第三十八特征图，对第三十八特征图作第二十二运算得到第三十九特征图，所述第二十二运算包括conv，bn，scale，relu，conv，bn，scale，对第三十八特征图和第三十九特征图作Eltwise运算和第十八relu运算得到第四十特征图，对第四十特征图作第二十三运算得到第四十一特征图，所述第二十三运算包括conv，bn，scale，relu，conv，bn，scale，对第四十特征图和第四十一特征图作Eltwise运算和第十九relu运算得到第四十二特征图，对第四十二特征图作第二十四运算得到第四十三特征图，所述第二十四运算包括conv，bn，scale，relu，conv，bn，scale，对第四十二特征图和第四十三特征图作Eltwise运算和第二十relu运算得到第四十四特征图，对第四十四特征图作第二十五运算得到第四十五特征图，所述第二十五运算包括conv，bn，scale，relu，conv，bn，scale，对第四十四特征图和第四十五特征图作Eltwise运算和第二十一relu运算得到第四十六特征图，对第四十六特征图作第二十六运算得到第四十七特征图，所述第二十六运算包括conv，bn，scale，对第四十六特征图作第二十七运算得到第四十七特征图，所述第二十七运算包括conv，bn，scale，relu，conv，bn，scale，对四十六特征图和第四十七特征图作Eltwise运算和第二十二relu运算得到第四十八特征图，对第四十八特征图作第二十八运算得到第四十九特征图，所述第二十八运算包括conv，bn，scale，relu，conv，bn，scale，对第四十八特征图和第四十九特征图作Eltwise运算和第二十三relu运算得到第五十特征图，对五十特征图作第二十九运算得到第五十一特征图，所述第二十九运算包括conv，bn，scale，relu，conv，bn，scale，对第五十特征图和第五十一特征图作Eltwise运算和第二十四relu运算得到第五十二特征图，对第五十二特征图作第三十运算得到不同年龄的概率值，所述第三十运算包括bn，scale，relu，pooling，reshape，对第五十二特征图作第三十一运算得到年龄段类别信息，所述第三十一运算包括bn，scale，relu，pooling，reshape，innerproduct，softmax。
由此，本申请将人脸图像输入事先训练好的年龄判断模型，能够同时得到三分类的年龄段类别信息和不同年龄的概率值，对不同年龄的概率值进行加权求和获得年龄信息，再结合不同年龄段类别信息和年龄信息获得最终的年龄判断结果。由于本申请中年龄判断模型利用每个年龄的概率值进行加权求和，同时结合不同年龄段类别信息和年龄信息，保证每个年龄段的分类准确，提高了年龄判断的准确率。
图17是本发明一实施例的一种基于人脸图像的年龄判断装置，如图17所示，该装置可以包括：输入模块710、第一判断模块720、第二判断模块730、校准模块740、确定模块750。
输入模块710，用于将人脸图像输入已训练的年龄判断模型，获得所述年龄判断模型输出的年龄段类别信息和不同年龄的概率值，对所述不同年龄的概率值进行加权求和获得年龄信息；
第一判断模块720，用于判断所述年龄信息是否与所述年龄段类别信息匹配；
第二判断模块730，用于若不匹配，判断所述年龄信息是否位于所述年龄段类别信息中最大年龄组对应的年龄段范围，并判断所述年龄段类别信息是否为最小年龄组；
校准模块740，用于如果是，对所述年龄信息进行校准处理，获得校准年龄信息；
确定模块750，用于确定所述校准年龄信息和所述年龄段类别信息指示所述人脸图像中人物的年龄。
上述装置中各个模块的功能和作用的实现过程具体详见上述基于人脸图像的年龄判断方法中对应步骤的实现过程，在此不再赘述。
在本申请所提供的几个实施例中，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，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。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。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块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。

Claims (10)

1.一种基于人脸图像的年龄判断方法，其特征在于，包括：
将人脸图像输入已训练的年龄判断模型，获得所述年龄判断模型输出的年龄段类别信息和不同年龄的概率值，对所述不同年龄的概率值进行加权求和获得年龄信息；
判断所述年龄信息是否与所述年龄段类别信息匹配；
若不匹配，判断所述年龄信息是否位于所述年龄段类别信息中最大年龄组对应的年龄段范围，并判断所述年龄段类别信息是否为最小年龄组；
如果是，对所述年龄信息进行校准处理，获得校准年龄信息；
确定所述校准年龄信息和所述年龄段类别信息指示所述人脸图像中人物的年龄。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述年龄信息与所述年龄段类别信息匹配，确定所述年龄信息和所述年龄段类别信息指示所述人脸图像中人物的年龄。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述年龄信息不位于所述年龄段类别信息中最大年龄组对应的年龄段范围，且所述年龄段类别信息不为最小年龄组；
确定所述年龄信息指示所述人脸图像中人物的年龄；或者
确定与所述年龄信息对应的校准年龄段类别信息，确定所述年龄信息和所述校准年龄段类别信息指示所述人脸图像中人物的年龄。
4.根据权利要求1所述的方法，其特征在于，在所述将人脸图像输入已训练的年龄判断模型之前，所述方法还包括：
从目标图像中识别出人脸的位置信息；
依据所述位置信息从所述目标图像裁切出人脸所在的局部图像；
对所述局部图像进行关键点检测，获得所述局部图像中多个人脸关键点；
依据预设图像坐标系中与每一人脸关键点对应的指定坐标，对所述局部图像进行仿射变换；
基于预设截取范围，对仿射变换后所述图像坐标系的局部图像进行截取，获得所述人脸图像。
5.根据权利要求1所述的方法，其特征在于，所述年龄判断模型通过如下方法训练得到：
获取样本数据集，所述样本数据集包括多个人脸样本图像，所述人脸样本图像携带年龄段信息标签和年龄信息标签；其中，所述年龄段信息标签为多维向量，所述多维向量中每一元素为对应年龄段的置信度，所述年龄信息标签将人脸样本图像中人物的实际年龄转换为离散的真实标签，所述年龄信息标签为高维向量，所述高维向量表示为：
(f1，1，f1，2，f2，1，f2，2，...，fn，1，fn，2)
其中fi，1表示年龄达到i岁的概率，fi，2表示年龄未达到i岁的概率；n为年龄信息的最大值；
将所述多个人脸样本图像输入深度学习模型进行年龄段信息分类和不同年龄分类的有监督训练，获得所述年龄判断模型。
6.根据权利要求5所述的方法，其特征在于，进行年龄段信息分类的有监督训练时采用softmax分类器，进行不同年龄分类的有监督训练时采用的损失函数为L2损失函数。
7.一种基于人脸图像的年龄判断装置，其特征在于，包括：
输入模块，用于将人脸图像输入已训练的年龄判断模型，获得所述年龄判断模型输出的年龄段类别信息和不同年龄的概率值，对所述不同年龄的概率值进行加权求和获得年龄信息；
第一判断模块，用于判断所述年龄信息是否与所述年龄段类别信息匹配；
第二判断模块，用于若不匹配，判断所述年龄信息是否位于所述年龄段类别信息中最大年龄组对应的年龄段范围，并判断所述年龄段类别信息是否为最小年龄组；
校准模块，用于如果是，对所述年龄信息进行校准处理，获得校准年龄信息；
确定模块，用于确定所述校准年龄信息和所述年龄段类别信息指示所述人脸图像中人物的年龄。
8.根据权利要求7所述的装置，其特征在于，所述年龄判断模型通过如下方法训练得到：
获取样本数据集，所述样本数据集包括多个人脸样本图像，所述人脸样本图像携带年龄段信息标签和年龄信息标签；其中，所述年龄段信息标签为多维向量，所述多维向量中每一元素为对应年龄段的置信度，通过所述年龄信息标签将人脸样本图像中人物的实际年龄转换为离散的真实标签，所述年龄信息标签为高维向量，所述高维向量表示为：
(f1，1，f1，2，f2，1，f2，2，...，fn，1，fn，2)
其中fi,1表示年龄达到i岁的概率，fi,2表示年龄未达到i岁的概率；n为年龄信息的最大值；
将所述多个人脸样本图像输入深度学习模型进行年龄段信息分类和不同年龄分类的有监督训练，获得所述年龄判断模型。
9.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-6任意一项所述的基于人脸图像的年龄判断方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成权利要求1-6任意一项所述的基于人脸图像的年龄判断方法。
CN202011643700.4A 2020-12-31 2020-12-31 基于人脸图像的年龄判断方法及装置、电子设备、存储介质 Active CN112651372B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011643700.4A CN112651372B (zh) 2020-12-31 2020-12-31 基于人脸图像的年龄判断方法及装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011643700.4A CN112651372B (zh) 2020-12-31 2020-12-31 基于人脸图像的年龄判断方法及装置、电子设备、存储介质

Publications (2)

Publication Number Publication Date
CN112651372A true CN112651372A (zh) 2021-04-13
CN112651372B CN112651372B (zh) 2024-08-02

Family

ID=75367071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011643700.4A Active CN112651372B (zh) 2020-12-31 2020-12-31 基于人脸图像的年龄判断方法及装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN112651372B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113456031A (zh) * 2021-08-09 2021-10-01 首都医科大学附属北京天坛医院 一种脑状态预测模型的训练装置、预测装置及电子设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009273562A (ja) * 2008-05-13 2009-11-26 Konami Digital Entertainment Co Ltd 年齢層推定装置、年齢層推定方法、ならびに、プログラム
CN104700843A (zh) * 2015-02-05 2015-06-10 海信集团有限公司 一种年龄识别的方法及装置
CN106650653A (zh) * 2016-12-14 2017-05-10 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于深度学习的人脸识别和年龄合成联合模型的构建方法
CN107871100A (zh) * 2016-09-23 2018-04-03 北京眼神科技有限公司 人脸模型的训练方法和装置、人脸认证方法和装置
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
US20190138787A1 (en) * 2017-08-11 2019-05-09 Beijing Sensetime Technology Development Co., Ltd Method and apparatus for facial age identification, and electronic device
CN110717401A (zh) * 2019-09-12 2020-01-21 Oppo广东移动通信有限公司 年龄估计方法及装置、设备、存储介质
CN111144344A (zh) * 2019-12-30 2020-05-12 广州市百果园网络科技有限公司 人物年龄的确定方法、装置、设备及存储介质
WO2020104542A1 (en) * 2018-11-21 2020-05-28 Yoti Holding Limited Age estimation
CN111798857A (zh) * 2019-04-08 2020-10-20 北京嘀嘀无限科技发展有限公司 一种信息识别方法、装置、电子设备及存储介质
CN111933148A (zh) * 2020-06-29 2020-11-13 厦门快商通科技股份有限公司 基于卷神经网络的年龄识别方法、装置及终端

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009273562A (ja) * 2008-05-13 2009-11-26 Konami Digital Entertainment Co Ltd 年齢層推定装置、年齢層推定方法、ならびに、プログラム
CN104700843A (zh) * 2015-02-05 2015-06-10 海信集团有限公司 一种年龄识别的方法及装置
CN107871100A (zh) * 2016-09-23 2018-04-03 北京眼神科技有限公司 人脸模型的训练方法和装置、人脸认证方法和装置
CN106650653A (zh) * 2016-12-14 2017-05-10 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于深度学习的人脸识别和年龄合成联合模型的构建方法
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
US20190138787A1 (en) * 2017-08-11 2019-05-09 Beijing Sensetime Technology Development Co., Ltd Method and apparatus for facial age identification, and electronic device
WO2020104542A1 (en) * 2018-11-21 2020-05-28 Yoti Holding Limited Age estimation
CN111798857A (zh) * 2019-04-08 2020-10-20 北京嘀嘀无限科技发展有限公司 一种信息识别方法、装置、电子设备及存储介质
CN110717401A (zh) * 2019-09-12 2020-01-21 Oppo广东移动通信有限公司 年龄估计方法及装置、设备、存储介质
CN111144344A (zh) * 2019-12-30 2020-05-12 广州市百果园网络科技有限公司 人物年龄的确定方法、装置、设备及存储介质
CN111933148A (zh) * 2020-06-29 2020-11-13 厦门快商通科技股份有限公司 基于卷神经网络的年龄识别方法、装置及终端

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
BYUNGIN YOO等: "Deep Facial Age Estimation Using Conditional Multitask Learning With Weak Label Expansion", 《IEEE SIGNAL PROCESSING LETTERS》, vol. 25, no. 6, 2 April 2018 (2018-04-02), pages 808 - 812 *
ERAN EIDINGER等: "Age and Gender Estimation of Unfiltered Faces", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》, vol. 9, no. 12, 22 September 2014 (2014-09-22), pages 2170 - 2179, XP011564153, DOI: 10.1109/TIFS.2014.2359646 *
冯燕燕: "基于集成卷积神经网络的年龄估计研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 8, 15 August 2019 (2019-08-15), pages 138 - 1109 *
孙劲光等: "基于区域的年龄估计模型研究", 《计算机科学》, no. 8, 15 August 2018 (2018-08-15), pages 48 - 56 *
廖原: "基于卷积网络的人脸年龄识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 6, 15 June 2019 (2019-06-15), pages 138 - 522 *
郝宁波等: "融合人脸几何和皱纹信息的年龄分组", 《计算机工程与设计》, vol. 37, no. 10, 7 December 2016 (2016-12-07), pages 2798 - 2803 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113456031A (zh) * 2021-08-09 2021-10-01 首都医科大学附属北京天坛医院 一种脑状态预测模型的训练装置、预测装置及电子设备

Also Published As

Publication number Publication date
CN112651372B (zh) 2024-08-02

Similar Documents

Publication Publication Date Title
CN108701216B (zh) 一种人脸脸型识别方法、装置和智能终端
WO2018028546A1 (zh) 一种关键点的定位方法及终端、计算机存储介质
CN108229330A (zh) 人脸融合识别方法及装置、电子设备和存储介质
CN111797791A (zh) 人体姿态识别方法及装置
CN111401339B (zh) 识别人脸图像中的人的年龄的方法、装置及电子设备
CN104504366A (zh) 基于光流特征的笑脸识别系统及方法
Sukno et al. Active shape models with invariant optimal features: Application to facial analysis
CN108985133B (zh) 一种人脸图像的年龄预测方法及装置
CN110796101A (zh) 一种嵌入式平台的人脸识别方法及系统
Sethi et al. Signpro-An application suite for deaf and dumb
CN110705584A (zh) 情绪识别方法、装置、计算机装置及存储介质
CN108898623A (zh) 目标跟踪方法及设备
CN111368768A (zh) 一种基于人体关键点的员工手势指引检测方法
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
CN104978569A (zh) 一种基于稀疏表示的增量人脸识别方法
CN104732247B (zh) 一种人脸特征定位方法
CN112381047A (zh) 一种人脸表情图像的增强识别方法
CN115331263A (zh) 鲁棒的姿态估计方法及其在朝向判断的应用及相关方法
CN111352926B (zh) 数据处理的方法、装置、设备及可读存储介质
CN107944363A (zh) 人脸图像处理方法、系统及服务器
Saabni Facial expression recognition using multi Radial Bases Function Networks and 2-D Gabor filters
CN112651372B (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
WO2015131710A1 (zh) 人眼定位方法及装置
CN111967383A (zh) 年龄估计方法、年龄估计模型的训练方法和装置
Nilchiyan et al. Improved wavelet-based online signature verification scheme considering pen scenario information

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