CN112818728A - 年龄识别的方法及相关产品 - Google Patents
年龄识别的方法及相关产品 Download PDFInfo
- Publication number
- CN112818728A CN112818728A CN201911129846.4A CN201911129846A CN112818728A CN 112818728 A CN112818728 A CN 112818728A CN 201911129846 A CN201911129846 A CN 201911129846A CN 112818728 A CN112818728 A CN 112818728A
- Authority
- CN
- China
- Prior art keywords
- face image
- age
- neural network
- complete
- gender
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 152
- 238000012545 processing Methods 0.000 claims description 35
- 238000013507 mapping Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 14
- 230000001815 facial effect Effects 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 12
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000001629 suppression Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 210000000887 face Anatomy 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000029152 Small face Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003741 hair volume Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000037303 wrinkles Effects 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
- G06V40/168—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
- 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
- G06V40/172—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种年龄识别的方法及相关产品,所述方法包括:将目标用户的部分人脸图像输入所述人脸识别神经网络,生成与所述部分人脸图像对应的完整的人脸图像;将所述部分人脸图像与所述完整的人脸图像输入所述性别识别神经网络,得到所述目标用户的性别属性;将所述部分人脸图像、所述完整的人脸图像、以及所述性别属性输入所述年龄粗识别神经网络,得到所述目标用户的目标年龄段;将所述部分人脸图像、所述完整人脸图像、性别属性以及所述目标年龄段输入所述年龄精识别神经网络,得到所述目标用户的目标年龄。采用本申请,对输入四级级联神经网络的部分人脸图像,能有效识别出目标用户的年龄,提升了神经网络的性能。
Description
技术领域
本申请涉及网络和计算机技术领域,尤其涉及了一种年龄识别的方法。
背景技术
近年来,随着计算机硬件性能的飞速提升,以及大量高质量数据集的发布,深度学习方法在很多计算机视觉领域取得了巨大突破。例如“通用物体检测”,“物体分类”,“物体分割”等,当然也包括人脸检测。与传统的人脸检测算法不同,基于深度学习的人脸检测算法不需要人工去设计特征,卷积神经网络可以从训练样本中自动学习到需要的特征。
常规的人脸检测方法能满足对无遮挡人脸的检测,但在图像被遮挡的情况下,对图像检测的效率和准确度会受到很大的影响,很难检测出被遮挡人脸的年龄。
发明内容
本申请实施例提供了一种年龄识别的方法及相关产品,能有效提升对被遮挡的人脸图像年龄识别的准确程度。
第一方面,一种人脸识别的方法,其特征在于,应用于年龄识别装置,所述年龄识别装置,预先存储四级级联神经网络,所述四级级联神经网络包括人脸识别神经网络、性别识别神经网络、年龄粗预测识别神经网络、年龄精识别神经网络,所述方法包括:
将部分人脸图像输入人脸识别神经网络,生成与部分人脸图像对应的完整的人脸图像;
将所述部分人脸图像与所述完整的人脸图像输入所述性别识别神经网络,得到所述部分人脸图像的性别属性;
将所述部分人脸图像、所述完整的人脸图像、以及所述性别属性输入所述年龄粗识别神经网络,得到所述部分人脸图像的目标年龄段;
将所述部分人脸图像、所述完整人脸图像、性别属性以及所述目标年龄段输入所述年龄精识别神经网络,得到所述部分人脸图像的目标年龄。
第二方面,一种年龄识别装置,其特征在于,应用于电子设备,所述年龄识别装置预先存储四级级联神经网络,所述四级级联神经网络包括人脸识别神经网络、性别识别神经网络、年龄粗识别神经网络、年龄精识别神经网络,所述年龄识别装置包括:
生成单元,用于将目标用户的部分人脸图像输入所述人脸识别神经网络,生成与所述部分人脸图像对应的完整的人脸图像;
识别单元,用于将所述部分人脸图像与所述完整的人脸图像输入所述性别识别神经网络,得到所述目标用户的性别属性;
处理单元,用于将所述部分人脸图像、所述完整的人脸图像、以及所述性别属性输入所述年龄粗识别神经网络,得到所述目标用户的目标年龄段;
所述处理单元,还用于将所述部分人脸图像、所述完整人脸图像、性别属性以及所述目标年龄段输入所述年龄精识别神经网络,得到所述目标用户的目标年龄。
第三方面,本申请实施例提供一种电子设备,其特征在于,包括处理器、存储器,所述存储器用于存储一个或多个程序,并且被配置由所述处理器执行,所述程序包括用于执行如上述第一方面所述的方法中的步骤的指令。
第四方面,本申请实施例提供了一种芯片,该芯片包括处理器与数据接口,该处理器通过该数据接口读取存储器上存储的指令,执行如上述第一方面所述的方法中的步骤。
第五方面,本申请实施例提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
第六方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出,本申请实施例中通过四级级联神经网络的结构设计,对输入的部分人脸图像,经过所述过四级级联神经网络还原得到完整的人脸图像。更进一步的,能识别出目标用户的年龄。有效提升了神经网络的性能,以及对年龄识别的准确程度。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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是本申请实施例提供的一种四级级联神经网络的结构示意图;
图2是本申请实施例提供的一种年龄识别方法的流程示意图;
图3是本申请实施例提供的另一种年龄识别方法的流程示意图;
图4是本申请实施例提供的一种年龄识别装置的功能单元示意图;
图5是本申请实施例提供的一种电子设备的结构示意图。
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清楚、完整地描述,显然,所描述的实施例仅仅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作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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
卷积神经网络CNN是深度学习领域里一种常见的网络结构,目前有基于CNN的多角度人脸检测方法,但没有对输入图像进行预处理,利用未经过处理图像的灰度值保留图像的原始信息进行分类,实现了特征的自动提取,但此网络仅是端到端的单级5层网络,复杂自然场景下的人脸检测效果较差。也有基于紧凑级联卷积神经网络的人脸检测算法,但此算法为追求速度而在设计网络结构时使用了较少的网络参数,导致检测精度大幅降低。另外,也有基于多视点卷积神经网络的人脸检测算法,通过对人脸进行多角度划分的方法提高检测效果,但此算法的网络简单,对于很小的人脸图像需进行尺寸放大操作,极大增加了计算负担。也有利用区域建议网络RPN来实现人脸边框的预测,但由于候选窗口的尺寸和长宽比是预先随机设定的,因此很难处理大形态变化的图像。
因此针对上述问题,本申请实施例提供一种年龄识别的方法,应用于年龄识别装置。下面结合附图进行详细介绍。
首先,请参看图1所示的四级级联神经网络的结构示意图,包括x所述四级级联神经网络包括人脸识别神经网络、性别识别神经网络、年龄粗识别神经网络、年龄精识别神经网络。
上述四级级联神经网络可以是全卷积神经网络(Full Cascaded NeuralNetwork,FCNN)。作为每级的分类器,特征提取与分类由每级FCNN完成。通常都由特征提取模块和神经网络模块所组成。特征提取模块从输入数据中提取特征矢量,基于该特征矢量,神经网络模块在学习阶段对所有训练数据进行学习,而在工作阶段则对输入到本级的数据进行分类判别,包括识别输出和拒识别输出两种情况。不妨假定:某一级的特征提取模块所提取的特征能有效地代表一部分输入样本的本质特征,因此这一部分样本在该级中将成功地得到识别,其余的样本则由于特征不清而被拒识,送入到下一级进行基于另外一种特征提取和神经网络结构的分类判别。
本申请实施例的技术方案可以基于图1举例所示的四级级联神经网络架构或其变形来具体实施。
参见图2,图2是本申请实施例提供的一种年龄识别方法的流程示意图,这种方法可包括但不限于如下步骤:
201、将目标用户的部分人脸图像输入所述人脸识别神经网络,生成与所述部分人脸图像对应的完整的人脸图像;
具体的,可以理解为目标用户即采集到的所述部分人脸图像对应的用户,比如张三,李四等,在另外的实施例中,目标用户也可以是两个及以上。所述部分人脸为被遮挡的人脸图像,比如摄像装置捕捉到的视频或者图像中,包含了人脸图像,但是所述人脸图像被口罩、帽子、眼镜、面具等遮挡。所述人脸识别神经网络用于对输入的部分人脸图像进行处理,得到完整的人脸图像,为所述四级级联神经网络的第一层级。若获取到的图像不仅包含了所述部分人脸图像,还包含了其他多种背景因素,或者还包含了其他未被遮挡的人脸图像,在输入所述部分人脸图之前,对所述部分人脸图像进行预处理,获取目标人脸区域。或者在输入所述部分人脸图之后采取边框校准和非极大值抑制NMS方法,采集所述部分人脸图像的目标人脸区域。降低图像处理的复杂度,提高处理效率以及准确度。
另外,也可以理解为输入的部分人脸图像为一张及以上。预先训练好的人脸识别神经网络可以从中挑选出最能反映目标用户人脸特征的部分人脸图像,或者基于多种部分人脸图像进行特征提取。在提取到较为充分的特征之后,按照预先训练好的方法将所述部分人脸图像还原成完整的人脸图像。
202、将所述部分人脸图像与所述完整的人脸图像输入所述性别识别神经网络,得到所述目标用户的性别属性;
具体的,所述性别识别神经网络为所述四级级联神经网络第二层级的神经网络,用于对输入的所述部分人脸图像与所述完整的人脸图像进行性别属性的提取。可以理解为,为提高性别识别的准确程度,不仅要输入人脸识别神经网络输出的完整的人脸图像,也要将部分人脸图像再次输入性别识别神经网络,并且从两类人脸图像中提取可以作为判断性别的特征信息。
203、将所述部分人脸图像、所述完整的人脸图像、以及所述性别属性输入所述年龄粗识别神经网络,得到所述目标用户的目标年龄段;
具体的,所述年龄粗识别神经网络为所述四级级联神经网络第三层级的神经网络,用于对输入的所述部分人脸图像、所述完整的人脸图像、以及所述性别属性进行特征提取,预测目标用户的目标年龄段。可以理解为,在对目标用户的年龄进行识别的过程中,基于统计学上的推论,性别因素对年龄的影响较大。因此在进行年龄段的预测时,要充分考虑到性别这一关键因素。进一步的,可以理解,在对年龄粗识别神经网络进行训练时,也会考虑到性别因素。训练数据采取按照年龄段区分但不分性别的人脸图像集,或者按照年龄段区又分性别的人脸图像集,进行交叉训练,提高年龄粗识别神经网络的识别性能与鲁棒性。
204、将所述部分人脸图像、所述完整人脸图像、性别属性以及所述目标年龄段输入所述年龄精识别神经网络,得到所述目标用户的目标年龄。
具体的,所述年龄精识别神经网络为所述四级级联神经网络第四层级的神经网络,用于对所述部分人脸图像、所述完整人脸图像、性别属性以及所述目标年龄段进行特征提取,得到所述目标用户的目标年龄。可以理解为,是基于前三级神经网络预测得到的目标年龄段,进一步确定的目标年龄。
可以看出,本申请实施例中通过四级级联神经网络的结构设计,对输入的部分人脸图像,经过所述过四级级联神经网络还原得到完整的人脸图像。更进一步的,能识别出目标用户的年龄。有效提升了神经网络的性能,以及对年龄识别的准确程度。
在一个可能的示例中,所述将目标用户的部分人脸图像输入所述人脸识别神经网络,生成与所述部分人脸图像对应的完整的人脸图像,包括:获取所述部分人脸图像的特征参数,所述特征参数包括部分人脸的外形轮廓关键点,关键部位关键点;根据所述特征参数对所述部分人脸图像进行仿射变换处理,生成预测人脸图像;根据预先存储的关键点偏差系数对所述预测人脸图像进行拟合优化,生成与所述部分人脸图像对应的完整的人脸图像。
具体的,可以理解为,为了提高所述人脸识别神经网络的性能,对所述人脸识别神经网络的训练可以包含以下步骤:采集M个被采集对象中每个被采集对象M张被部分遮挡的人脸图像,以及所述M个被采集对象中每个被采集对象M张未被遮挡的人脸图像;将M张被部分遮挡的人脸图像进行n个关键点标注,得到M组部分关键点数据集,将M张未被遮挡的人脸图像进行n个关键点标注,得到M组完整关键点数据集;将所述M张被部分遮挡的人脸图像与M张未被遮挡的人脸图像输入所述人脸识别网络;根据所述M组部分关键点数据集与所述M组完整关键点数据集计算均值与方差,剔除其中离散程度高的数据,得到离散程度低的关键点数据;计算离散程度低的关键点数据的损失值,当所述损失值小于损失阈值时,完成对所述人脸识别网络的训练过程。
可以理解的是,对所述人脸识别网络进行训练,使之进行深度学习。但由于深度学习方法的一个缺点是需要大量的训练数据来让模型收敛,并且不产生过拟合的问题。目前学术界几乎没有公布的满足我们需要的蒙面人脸数据集。在短时间内搜集整理包含数十万训练样本的图片并精确标注,是一件很难做到事情。当我们所需的训练样本不足时,为了让模型收敛,并且不产生过拟合的问题,我们可以采用“迁移学习”的方法,先使用已有的大体量数据集,对模型进行一个预训练,然后用一个满足我们训练需求的小体量数据集来微调模型。比如前述M个被采集对象,可以是1000-10000人。具体人数根据对所述人脸识别网络的识别准确度而定。准确度要求越高,误识别率与漏识别率要求越低,采集对象的选取则越多。
更进一步的,仿射变换(Affine Transformation)是一种二维坐标到二维坐标之间的线性变换,保持二维图形的“平直性”(译注:straightness,即变换后直线还是直线不会打弯,圆弧还是圆弧)和“平行性”(parallelness,其实是指保二维图形间的相对位置关系不变,平行线还是平行线,相交直线的交角不变。)所述根据所述特征参数对所述部分人脸图像进行仿射变换处理处理,便能根据所述外形轮廓关键点,关键部位关键点仿射出被遮挡部分人脸图像关键点的坐标,从而生成所述预测人脸图像,所述预测人脸图像为包含了待拟合优化的完整的人脸图像。由于对所述部分人脸图像进行仿射变换处理可以保持原来的线共点,点共线的关系不变,保持原来相互平行的线仍然平行,保持原来的中点仍然是中点,保持原来的直线上几段线段之间的比例关系不变。但是不能保持原来的线段的长度不变,也不能保持原来的夹角角度不变。因此需要根据预先存储的关键点偏差系数对仿射变换处理得到的所述预测人脸图像进行拟合优化处理,也即将训练时得到的关键点偏差系数预先存储,在对所述部分人脸图像进行处理的过程中,按照所述关键点偏差系数来调整所述预测人脸图像的倾斜角度,以及整体图像的关键点之间的距离,使之与所述部分人脸图像能更好地拟合,也即更好地还原了所述部分人脸图像。
可见,由于预先训练好的所述人脸识别神经网络,能够基于所述部分人脸图像中包含的特征参数,按照预设的方法进行旋转与映射处理,生成预测人脸图像。在考虑到部分人脸图像包含的背景干扰因素可能对处理过程造成的干扰,以及根据训练过程产生的偏差误也作为矫正因素之一,与干扰因素对应的干扰系数一同对所述预测人脸图像进行拟合优化矫正处理,生成与所述部分人脸图像对应的完整的人脸图像,尽可能地提高还原的准确程度。
在一个可能的示例中,所述将所述部分人脸图像与所述完整的人脸图像输入所述性别识别神经网络,得到所述目标用户的性别属性,包括:根据所述部分人脸图像,获取特征信息,所述特征信息包括以下任意一种或多种:胡子、唇须、唇色、肤色、人脸遮挡物的类别,人脸遮挡物的颜色;根据所述特征信息以及特征信息对应的权重,计算性别倾向值;根据所述性别倾向值,得到第一性别属性;根据所述完整的人脸图像,与对应的性别特征映射关系表,得到第二性别属性;若所述第一性别属性匹配所述第二性别属性,则得到所述目标用户的性别属性。
具体的,可以理解为预先设定这一级神经网络提取特征信息的算法与上一级提取特征信息的算法不同。从所述部分人脸图像,获取的特征信息,是为了更准确的得出所述部分人脸的性别属性。由于不同的所述部分人脸图像,包含的特征信息不同,因此获取的特征信息可以包括以下任意一种或多种:胡子、唇须、唇色、肤色、人脸遮挡物的类别,人脸遮挡物的颜色;并且预先设定了这些特征信息以及这些特征信息对应的权重,以此来计算性别倾向值。比如预先设定,所有能提取到的特征信息对应的权重相乘,大于0.5,则为男性,反之,则为女性。针对胡子这一特征因素,根据胡子的量来设定权重,少量胡子,权重值为50%;浓密的胡子,权重值为90%,不同唇色对应不同的权重,如果唇色暗淡,则权重值为90%,所述部分人脸图像对应的目标用户A有浓密的胡子,且唇色暗淡,则其性别倾向值=90%*90%=0.81,大于0.5,则所述目标用户A的第一性别属性为男性;再根据所述完整的人脸图像,与对应的性别特征映射关系表,得到第二性别属性。所述性别特征映射关系表为预先设定的完整关键点与性别特征映射关系表。若得到的所述目标用户A的第二性别属性为男性,所述第一性别属性匹配所述第二性别属性,则得到所述目标用户A的性别属性为男性。则其他目标用户性别属性的得到过程也可以参照此方法或者类似方法得出。
可见,不仅根据所述部分人脸图像,获取的特征信息来判断所述目标用户的性别属性,也有利用预先设定的完整的人脸图像包含的关键点数据与性别属性之间的性别特征映射关系表来验证根据特征信息得出的所述目标用户的性别属性是否准确,提高结论的信度。
在一个可能的示例中,所述将所述部分人脸图像、所述完整的人脸图像、以及所述性别属性输入所述年龄粗识别神经网络,得到所述目标用户的目标年龄段,包括:标注所述部分人脸图像的关键点,得到第一局部关键点;标注所述完整的人脸图像的关键点,得到第二局部关键点,标注所述完整的人脸图像的完整形态点,得到第一完整形态点;将所述第一局部关键点与所述第二局部关键点进行拟合优化,得到第三局部关键点;获取与所述性别属性对应的年龄预测映射关系表,根据所述第三局部关键点与所述年龄预测映射关系表,得到第一预测年龄段,根据所述第一预测年龄段得到与所述第一预测年龄段对应的预设的第二完整形态点;根据所述第一完整形态点与所述第二完整形态点,得到第一预测年龄段纠偏系数;根据所述第一预测年龄段与所述第一预测年龄段纠偏系数,得到所述目标用户的目标年龄段。
具体的,对所述部分人脸图像以及所述完整的人脸图像进行关键点标注,即对所述部分人脸图像上的关键部位,比如是眼睛,鼻子耳朵,额头等进行关键点标注,得到所述第一局部关键点;同理,对所述完整的人脸图像上的关键部位,比如是眼睛,鼻子耳朵,额头等进行关键点标注,得到所述第二局部关键点。然后对所述第一局部关键点与所述第二局部关键点进行拟合优化,拟合优化指的是消除误差以及其他干扰因素导致的关键点错位情况,得到的第三局部关键点更能准确的反映所述部分人脸图像的面部特征。所述预测映射关系表,为根据训练数据以及训练过程预先设定的男性与女性的不同年龄段与不同的关键点标注之间的对应关系,从而可以通过关键点和所述预测映射关系表来得到所述第一预测年龄段。并且不同的年龄段还对应了不同的完整形态点,在得到所述第一预测年龄段后,便得到了与所述第一预测年龄段对应的预设的第二完整形态点。更进一步的,根据所述第一完整形态点与所述第二完整形态点,计算关键点的偏差值,例如,由于第一完整形态点与所述第二完整形态点的相同部位都进行了关键点标注,一个关键点对应一个坐标,若每个完整的形态点都包含了40个(也可以大于或者小于40个)关键点标注,对应的第一完整形态点与所述第二完整形态点都有40个关键点坐标,按照每个关键点一一对应的原则,便组成了40组对比坐标,计算这四十组对比坐标的位移值,得到四十组位移坐标,计算所述四十组位移坐标的均值与方差。所述均值和方差则为所述关键点的偏差值,根据所述偏差值与预设的纠偏系数映射关系表对应,看偏差值落在哪个区间,就对应该区间的纠偏系数,得到第一预测年龄段纠偏系数。再利用纠偏系数对所述第一预测年龄段进行纠偏,得到所述目标用户的目标年龄段。
可见,根据拟合优化后的局部关键点与预先设定的年龄预测映射关系表,来得到第一预测年龄段,再根据完整形态点得到的纠偏系数对所述第一预测年龄段进行纠偏,得到所述目标用户的目标年龄段。提高年龄预测的准确度。
在一个可能的示例中,所述将所述部分人脸图像、所述完整人脸图像、性别属性以及所述目标年龄段输入所述年龄精识别神经网络,得到所述目标用户的目标年龄,包括:获取所述部分人脸图像与所述完整人脸图像中的噪声因素,所述噪声因素包括所述部分人脸图像的图像背景、所述部分人脸图像与所述完整人脸图像的拟合人脸图像缺失比,所述完整人脸图像的分辨率;计算年龄状态评估值;根据所述干扰因素以及所述年龄状态评估值得到所述预测年龄;根据所述预测年龄以及所述目标年龄段,得到所述目标用户的目标年龄。
具体的,可以理解为,尽管在将所述部分人脸图像输入所述四级级联神经网络之前,已经进行了预处理,包括采取边框校准和非极大值抑制NMS方法等。但所述部分人脸图像与所述完整的人脸图像中,没有完全消除的背景因素,以及二者的拟合人脸图像缺失比,所述完整人脸图像的分辨率都会对年龄的预测过程产生干扰。在预先对所述年龄精识别神经网络进行训练时,根据训练过程与训练结果,为这些因素设立了不同的系数,在对目标用户的年龄进行识别的过程中,如果检测出了这些噪声因素,便按照预设的系数对目标用户的目标年龄进行预测。更进一步的,所述年龄状态评估值为根据所述皮肤的粗糙程度值,皮肤的松弛程度值,皱纹深度与密度、发量密度,发际线高度中的任意一种或多种,以及对应的权重值得出。根据所述噪声因素与所述年龄状态评估值得到预测年龄。可以理解为所述预测年龄与上述目标年龄段为按照不同的方式计算得到的,两者可以相互验证。当所述预测年龄落在所述目标年龄段的区间内时,则表明所述预测年龄通过了验证,即为待求的目标年龄。
可见,通过年龄状态评估值以及削弱了图像中的噪声因素对年龄预测的干扰后,得到预测年龄,在利用前述得到的目标年龄段对所述预测年龄进行验证,提高年龄预测的准确程度。
在一个可能的示例中,所述人脸识别神经网络,所述性别识别神经网络,所述年龄粗识别神经网络以及年龄精识别神经网络之间具有相同的多层感知器结构MLP。
具体的,多层感知器(Multi-Layer Perceptron,MLP)也叫人工神经网络(Artificial Neural Network,ANN),除了输入输出层,它中间可以有多个隐层。最简单的MLP需要有一层隐层,即输入层、隐层和输出层才能称为一个简单的神经网络。由于所述人脸识别神经网络,所述性别识别神经网络,所述年龄粗识别神经网络以及年龄精识别神经网络为所述四级级联神经网络的不同层级,为了提高所述四级级联神经网络的识别准确率和识别效率,不同层级的神经网络设置相同的MLP。
另外,在对所述四级级联神经网络进行训练的过程中,为了防止出现过拟合(overfit)的情况,可以适当的dropout,能比较有效地减轻过拟合的发生,一定程度上达到了正则化的效果。Dropout即在训练时,将神经网络某一层的输出节点数据随机丢掉一部分。过拟合是指模型预测准确率在训练集上提高,但在测试集上反而下降了,这通常意味着泛化性不好,model只记忆了当前数据的特征,不具备推广能力。
可见,多层感知器结构相同可以提高识别的效果与效率。
在一个可能的示例中,所述得到所述目标用户的目标年龄之后,所述方法还包括:匹配与所述目标年龄对应的目标人脸图像优化方案;根据所述目标人脸图像优化方案优化所述完整的人脸图像,得到优化的人脸图像。
具体的,根据不同应用场景,在对有的部分人脸进行还原,并且得到目标年龄后,对外要暂时保留真实年龄或者是在得出具体年龄后想要对还原后的完整的人脸图像进行美化处理,根据不同的目标年龄采取不同的美化方案,使得美化效果更加自然。
可见,在得到目标用户的目标年龄之后,按照与所述目标年龄对应的目标人脸图像优化方案对所述完整的人脸图像进行优化,提升所述四级级联神经网络的功能性。
与上述图2所示的实施例一致,请参阅图3,图3是本申请实施例提供的另一种年龄识别方法的流程示意图,应用于年龄识别装置,包括:
301、采集包含目标用户的人脸图像,对所述人脸图像采取边框校准和非极大值抑制NMS处理,得到部分人脸图像;
具体的,NMS是为了去除重复的预测框而设计的算法,具体包含以下步骤:
a、假设所有输入预测框的集合为S,算法返回结果集合D初始化为空集,每次选择S中最高分框M,并把M从S中删除,加入D;b、遍历S中剩余的框,每个框用bi表示,如果和B的IoU(M,bi)大于阈值t,将bi其从S中删除;c、从S未处理的框中继续选一个得分最高的加入到结果D中,重复上述过程1,2。直至S集合空,此时D即为所求结果。非极大值抑制NMS来处理那些重叠度很高的检测区域。
更进一步,如果一张人脸图像中包含有两个及以上目标人脸时,采取柔性非极大值抑制soft-NMS算法进行处理,柔性非极大值抑制Soft-NMS,是在NMS基础上做的改进算法,物体重叠是由于输出多个框中存在某些其实是另一个物体,但是也不小心被NMS去掉了。这个问题的解法最终是要落在“将某个候选框删掉”这一步骤上,我们需要找到一种方法,更小心的删掉S中的框,而不是暴力的把所有和最高分框删掉,对于与最高分框overlap大于阈值t的框M,我们不直接去掉,而是将他的置信度降低,这样的方法可以使多一些框被保留下来,从而一定程度上避免overlap的情况出现。同时,为了有效地把原来周围的多个表示同一个物体的框去掉,同一个物体周围的框有很多,每次选择分数最高的框,抑制其周围的框,与分数最高的框的IOU(M,bi)越大,抑制的程度越大。一般来说,表示同一个物体的框(比如都是前面的目标人脸)的IOU(M,bi)是会比另一个物体的框(比如后面的目标人脸)的IOU(M,bi)大,因此,这样就会将其他物体的框保留下来,而同一个物体的框被去掉。
302、将所述目标用户的所述部分人脸图像输入所述人脸识别神经网络,生成与所述部分人脸图像对应的完整的人脸图像;
303、将所述部分人脸图像与所述完整的人脸图像输入所述性别识别神经网络,得到所述目标用户的性别属性;
304、将所述部分人脸图像、所述完整的人脸图像、以及所述性别属性输入所述年龄粗识别神经网络,得到所述目标用户的目标年龄段;
305、将所述部分人脸图像、所述完整人脸图像、性别属性以及所述目标年龄段输入所述年龄精识别神经网络,得到所述目标用户的目标年龄。
步骤302-305同上述步骤201-204,在此不再赘述。
306、按照与所述目标年龄对应的目标人脸图像优化方案,优化所述完整的人脸图像,得到优化的人脸图像。
具体的,根据不同应用场景,在对有的部分人脸进行还原,并且得到目标年龄后,对外要暂时保留真实年龄或者是在得出具体年龄后想要对还原后的完整的人脸图像进行美化处理,根据不同的目标年龄采取不同的美化方案,使得美化效果更加自然。
可见,在输入所述四级级联神经网络之前,针对采集的包含目标用户的人脸图像预先处理,将处理后的部分人脸图像输入所述四级级联神经网络。对输入的部分人脸图像,经过所述过四级级联神经网络还原得到完整的人脸图像。更进一步的,能识别出目标用户的年龄。有效提升了神经网络的性能,以及对年龄识别的准确程度。
图4是本申请的实施例提供的一种年龄识别装置400,应用于电子设备,所述年龄识别装置预先存储四级级联神经网络,所述四级级联神经网络包括人脸识别神经网络、性别识别神经网络、年龄粗识别神经网络、年龄精识别神经网络,所述年龄识别装置400包括:
生成单元410,用于将目标用户的部分人脸图像输入所述人脸识别神经网络,生成与所述部分人脸图像对应的完整的人脸图像;
识别单元420,用于将所述部分人脸图像与所述完整的人脸图像输入所述性别识别神经网络,得到所述目标用户的性别属性;
处理单元430,用于将所述部分人脸图像、所述完整的人脸图像、以及所述性别属性输入所述年龄粗识别神经网络,得到所述目标用户的目标年龄段;
所述处理单元430,还用于将所述部分人脸图像、所述完整人脸图像、性别属性以及所述目标年龄段输入所述年龄精识别神经网络,得到所述目标用户的目标年龄。
在一个可选的实施例中,在所述将目标用户的部分人脸图像输入所述人脸识别神经网络,生成与所述部分人脸图像对应的完整的人脸图像方面,所述生成单元410具体用于:
获取所述部分人脸图像的特征参数,所述特征参数包括部分人脸的外形轮廓关键点,关键部位关键点;根据所述特征参数对所述部分人脸图像进行仿射变换处理,生成预测人脸图像;根据所述预先存储的关键点偏差系数对所述预测人脸图像进行拟合优化,生成与所述部分人脸图像对应的完整的人脸图像。
在一个可选的实施例中,在所述将所述部分人脸图像与所述完整的人脸图像输入所述性别识别神经网络,得到所述目标用户的性别属性方面,所述识别单元420具体用于:根据所述部分人脸图像,获取特征信息,所述特征信息包括以下任意一种或多种:喉结,胡子、唇须、唇色、肤色、人脸遮挡物的类别,人脸遮挡物的颜色;根据所述特征信息以及特征信息对应的权重,计算性别倾向值;根据所述性别倾向值,得到第一性别属性;根据所述完整的人脸图像,与对应的性别特征映射关系表,得到第二性别属性;若所述第一性别属性匹配所述第二性别属性,则得到所述目标用户的性别属性。
在一个可选的实施例中,在所述将所述部分人脸图像、所述完整的人脸图像、以及所述性别属性输入所述年龄粗识别神经网络,得到所述目标用户的目标年龄段方面,所述处理单元430具体用于:标注所述部分人脸图像的关键点,得到第一局部关键点;标注所述完整的人脸图像的关键点,得到第二局部关键点,标注所述完整的人脸图像的完整形态点,得到第一完整形态点;将所述第一局部关键点与所述第二局部关键点进行拟合优化,得到第三局部关键点;获取与所述性别属性对应的年龄预测映射关系表,根据所述第三局部关键点与所述年龄预测映射关系表,得到第一预测年龄段,根据所述第一预测年龄段得到与所述第一预测年龄段对应的预设的第二完整形态点;根据所述第一完整形态点与所述第二完整形态点,得到第一预测年龄段纠偏系数;根据所述第一预测年龄段与所述第一预测年龄段纠偏系数,得到所述目标用户的目标年龄段。
在一个可选的实施例中,在所述将所述部分人脸图像、所述完整人脸图像、性别属性以及所述目标年龄段输入所述年龄精识别神经网络,得到所述目标用户的目标年龄方面,所述处理单元430还具体用于:获取所述部分人脸图像与所述完整人脸图像中的噪声因素,所述噪声因素包括所述部分人脸图像的图像背景、所述部分人脸图像与所述完整人脸图像的拟合人脸图像缺失比,所述完整人脸图像的分辨率;计算年龄状态评估值;根据所述噪声因素以及所述年龄状态评估值得到所述预测年龄;根据所述预测年龄以及所述目标年龄段,得到所述目标用户的目标年龄。
其中,所述年龄识别装置400还可以包括存储单元440,用于存储电子设备的程序代码和数据。所述处理单元430可以是处理器,存储单元440可以是存储器。
图5是本申请实施例提供的电子设备500的结构示意图,如图所示,所述第一终端500包括应用处理器510、存储器520、通信接口530以及一个或多个程序521,其中,所述一个或多个程序521被存储在上述存储器520中,并且被配置由上述应用处理器510执行,所述一个或多个程序521包括用于执行以下步骤的指令:
将目标用户的部分人脸图像输入所述人脸识别神经网络,生成与所述部分人脸图像对应的完整的人脸图像;
将所述部分人脸图像与所述完整的人脸图像输入所述性别识别神经网络,得到所述目标用户的性别属性;
将所述部分人脸图像、所述完整的人脸图像、以及所述性别属性输入所述年龄粗识别神经网络,得到所述目标用户的目标年龄段;
将所述部分人脸图像、所述完整人脸图像、性别属性以及所述目标年龄段输入所述年龄精识别神经网络,得到所述目标用户的目标年龄。
可以看出,本申请实施例中通过四级级联神经网络的结构设计,对输入的部分人脸图像,经过所述过四级级联神经网络还原得到完整的人脸图像。更进一步的,能得到部分人脸图像的年龄。有效提高了神经网络的性能,以及对年龄识别的准确程度。
在一个可选的实施例中,在所述将目标用户的部分人脸图像输入所述人脸识别神经网络,生成与所述部分人脸图像对应的完整的人脸图像方面,所述一个或多个程序521具体包括用于执行以下操作的指令,获取所述部分人脸图像的特征参数,所述特征参数包括部分人脸的外形轮廓关键点,关键部位关键点;根据所述特征参数对所述部分人脸图像进行仿射变换处理,生成预测人脸图像;根据预先存储的关键点偏差系数对所述预测人脸图像进行拟合优化,生成与所述部分人脸图像对应的完整的人脸图像。
在一个可选的实施例中,在所述将所述部分人脸图像与所述完整的人脸图像输入所述性别识别神经网络,得到所述目标用户的性别属性方面,所述一个或多个程序521具体包括用于执行以下操作的指令,根据所述部分人脸图像,获取特征信息,所述特征信息包括以下任意一种或多种:喉结,胡子、唇须、唇色、肤色、人脸遮挡物的类别,人脸遮挡物的颜色;根据所述特征信息以及特征信息对应的权重,计算性别倾向值;根据所述性别倾向值,得到第一性别属性;根据所述完整的人脸图像,与对应的性别特征映射关系表,得到第二性别属性;若所述第一性别属性匹配所述第二性别属性,则得到所述目标用户的性别属性。
在一个可选的实施例中,在所述将所述部分人脸图像、所述完整的人脸图像、以及所述性别属性输入所述年龄粗识别神经网络,得到所述目标用户的目标年龄段方面,所述一个或多个程序521具体包括用于执行以下操作的指令,标注所述部分人脸图像的关键点,得到第一局部关键点;标注所述完整的人脸图像的关键点,得到第二局部关键点,标注所述完整的人脸图像的完整形态点,得到第一完整形态点;将所述第一局部关键点与所述第二局部关键点进行拟合优化,得到第三局部关键点;获取与所述性别属性对应的年龄预测映射关系表,根据所述第三局部关键点与所述年龄预测映射关系表,得到第一预测年龄段,根据所述第一预测年龄段得到与所述第一预测年龄段对应的预设的第二完整形态点;根据所述第一完整形态点与所述第二完整形态点,得到第一预测年龄段纠偏系数;根据所述第一预测年龄段与所述第一预测年龄段纠偏系数,得到所述目标用户的目标年龄段。
在一个可选的实施例中,在所述将所述部分人脸图像、所述完整人脸图像、性别属性以及所述目标年龄段输入所述年龄精识别神经网络,得到所述目标用户的目标年龄方面,所述一个或多个程序521具体包括用于执行以下操作的指令,获取所述部分人脸图像与所述完整人脸图像中的噪声因素,所述噪声因素包括所述部分人脸图像的图像背景、所述部分人脸图像与所述完整人脸图像的拟合人脸图像缺失比,所述完整人脸图像的分辨率;计算年龄状态评估值;根据所述噪声因素以及所述年龄状态评估值得到所述预测年龄;根据所述预测年龄以及所述目标年龄段,得到所述目标用户的目标年龄。
其中,处理器510可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器510可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器510也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器510还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器520可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器520还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器520至少用于存储以下计算机程序,其中,该计算机程序被处理器510加载并执行之后,能够实现前述任一实施例公开的通话控制方法中的相关步骤。另外,存储器520所存储的资源还可以包括操作系统和数据等,存储方式可以是短暂存储或者永久存储。其中,操作系统可以包括Windows、Unix、Linux等。数据可以包括但不限于终端交互数据、终端设备信号等。
在一些实施例中,电子设备500还可包括有输入输出接口、通信接口、电源以及通信总线。
本领域技术人员可以理解,本实施例公开的结构并不构成对电子设备500的限定,可以包括更多或更少的组件。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,电子设备为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所提供的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。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。需要说明的是,本申请实施例中对单元的划分是示意性的,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。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括电子设备。
需要说明的是,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,本申请并不受所描述的动作顺序的限制,因为依据本申请,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申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
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,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,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,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,可以是电性或其它的形式。
上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,在本申请各个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。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。
上述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器中。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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上所揭露的仅为本申请的部分实施例而已,当然不能以此来限定本申请之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本申请权利要求所作的等同变化,仍属于本申请所涵盖的范围。
Claims (10)
1.一种年龄识别的方法,其特征在于,应用于年龄识别装置,所述年龄识别装置预先存储四级级联神经网络,所述四级级联神经网络包括人脸识别神经网络、性别识别神经网络、年龄粗识别神经网络、年龄精识别神经网络,所述方法包括:
将目标用户的部分人脸图像输入所述人脸识别神经网络,生成与所述部分人脸图像对应的完整的人脸图像;
将所述部分人脸图像与所述完整的人脸图像输入所述性别识别神经网络,得到所述目标用户的性别属性;
将所述部分人脸图像、所述完整的人脸图像、以及所述性别属性输入所述年龄粗识别神经网络,得到所述目标用户的目标年龄段;
将所述部分人脸图像、所述完整人脸图像、性别属性以及所述目标年龄段输入所述年龄精识别神经网络,得到所述目标用户的目标年龄。
2.根据权利要求1所述的方法,其特征在于,所述将目标用户的部分人脸图像输入所述人脸识别神经网络,生成与所述部分人脸图像对应的完整的人脸图像,包括:
获取所述部分人脸图像的特征参数,所述特征参数包括部分人脸的外形轮廓关键点,关键部位关键点;
根据所述特征参数对所述部分人脸图像进行仿射变换处理,生成预测人脸图像;
根据预先存储的关键点偏差系数对所述预测人脸图像进行拟合优化,生成与所述部分人脸图像对应的完整的人脸图像。
3.根据权利要求1所述的方法,其特征在于,所述将所述部分人脸图像与所述完整的人脸图像输入所述性别识别神经网络,得到所述目标用户的性别属性,包括:
根据所述部分人脸图像,获取特征信息,所述特征信息包括以下任意一种或多种:喉结,胡子、唇须、唇色、肤色、人脸遮挡物的类别,人脸遮挡物的颜色;
根据所述特征信息以及特征信息对应的权重,计算性别倾向值;
根据所述性别倾向值,得到第一性别属性;
根据所述完整的人脸图像,与对应的性别特征映射关系表,得到第二性别属性;
若所述第一性别属性匹配所述第二性别属性,则得到所述目标用户的性别属性。
4.根据权利要求1所述的方法,其特征在于,所述将所述部分人脸图像、所述完整的人脸图像、以及所述性别属性输入所述年龄粗识别神经网络,得到所述目标用户的目标年龄段,包括:
标注所述部分人脸图像的关键点,得到第一局部关键点;
标注所述完整的人脸图像的关键点,得到第二局部关键点,标注所述完整的人脸图像的完整形态点,得到第一完整形态点;
将所述第一局部关键点与所述第二局部关键点进行拟合优化,得到第三局部关键点;
获取与所述性别属性对应的年龄预测映射关系表,根据所述第三局部关键点与所述年龄预测映射关系表,得到第一预测年龄段,根据所述第一预测年龄段得到与所述第一预测年龄段对应的预设的第二完整形态点;
根据所述第一完整形态点与所述第二完整形态点,得到第一预测年龄段纠偏系数;
根据所述第一预测年龄段与所述第一预测年龄段纠偏系数,得到所述目标用户的目标年龄段。
5.根据权利要求4所述的方法,其特征在于,所述将所述部分人脸图像、所述完整人脸图像、性别属性以及所述目标年龄段输入所述年龄精识别神经网络,得到所述目标用户的目标年龄,包括:
获取所述部分人脸图像与所述完整人脸图像中的噪声因素,所述噪声因素包括所述部分人脸图像的图像背景、所述部分人脸图像与所述完整人脸图像的拟合人脸图像缺失比,所述完整人脸图像的分辨率;
计算所述目标用户的年龄状态评估值;
根据所述噪声因素以及所述年龄状态评估值得到所述预测年龄;
根据所述预测年龄以及所述目标年龄段,得到所述目标用户的目标年龄。
6.一种年龄识别装置,其特征在于,应用于电子设备,所述年龄识别装置预先存储四级级联神经网络,所述四级级联神经网络包括人脸识别神经网络、性别识别神经网络、年龄粗识别神经网络、年龄精识别神经网络,所述年龄识别装置包括:
生成单元,用于将目标用户的部分人脸图像输入所述人脸识别神经网络,生成与所述部分人脸图像对应的完整的人脸图像;
识别单元,用于将所述部分人脸图像与所述完整的人脸图像输入所述性别识别神经网络,得到所述目标用户的性别属性;
处理单元,用于将所述部分人脸图像、所述完整的人脸图像、以及所述性别属性输入所述年龄粗识别神经网络,得到所述目标用户的目标年龄段;
所述处理单元,还用于将所述部分人脸图像、所述完整人脸图像、性别属性以及所述目标年龄段输入所述年龄精识别神经网络,得到所述目标用户的目标年龄。
7.根据权利要求6所述的年龄识别装置,其特征在于,所述将目标用户的部分人脸图像输入所述人脸识别神经网络,生成与所述部分人脸图像对应的完整的人脸图像,
所述识别单元,还用于获取所述部分人脸图像的特征参数,所述特征参数包括部分人脸的外形轮廓关键点,关键部位关键点;
所述生成单元,具体用于根据所述特征参数对所述部分人脸图像进行仿射变换处理,生成预测人脸图像;根据预先存储的关键点偏差系数对所述预测人脸图像进行拟合优化,生成与所述部分人脸图像对应的完整的人脸图像。
8.根据权利要求6所述的年龄识别装置,其特征在于,所述将所述部分人脸图像与所述完整的人脸图像输入所述性别识别神经网络,得到所述目标用户的性别属性,所述识别单元,具体用于根据所述部分人脸图像,获取特征信息,所述特征信息包括以下任意一种或多种:喉结,胡子、唇须、唇色、肤色、人脸遮挡物的类别,人脸遮挡物的颜色;根据所述特征信息以及特征信息对应的权重,计算性别倾向值;根据所述性别倾向值,得到第一性别属性;根据所述完整的人脸图像,与对应的性别特征映射关系表,得到第二性别属性;若所述第一性别属性匹配所述第二性别属性,则得到所述目标用户的性别属性。
9.一种电子设备,其特征在于,包括处理器、存储器,所述存储器用于存储一个或多个程序,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-5任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911129846.4A CN112818728B (zh) | 2019-11-18 | 2019-11-18 | 年龄识别的方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911129846.4A CN112818728B (zh) | 2019-11-18 | 2019-11-18 | 年龄识别的方法及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818728A true CN112818728A (zh) | 2021-05-18 |
CN112818728B CN112818728B (zh) | 2024-03-26 |
Family
ID=75852652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911129846.4A Active CN112818728B (zh) | 2019-11-18 | 2019-11-18 | 年龄识别的方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818728B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778043A (zh) * | 2023-06-19 | 2023-09-19 | 广州怪力视效网络科技有限公司 | 一种表情捕捉及动画自动生成系统和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
CN108734146A (zh) * | 2018-05-28 | 2018-11-02 | 北京达佳互联信息技术有限公司 | 人脸图像年龄判断方法、装置、计算机设备及存储介质 |
CN109271884A (zh) * | 2018-08-29 | 2019-01-25 | 厦门理工学院 | 人脸属性识别方法、装置、终端设备和存储介质 |
CN109522872A (zh) * | 2018-12-04 | 2019-03-26 | 西安电子科技大学 | 一种人脸识别方法、装置、计算机设备及存储介质 |
WO2019109526A1 (zh) * | 2017-12-06 | 2019-06-13 | 平安科技(深圳)有限公司 | 人脸图像的年龄识别方法、装置及存储介质 |
-
2019
- 2019-11-18 CN CN201911129846.4A patent/CN112818728B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
WO2019109526A1 (zh) * | 2017-12-06 | 2019-06-13 | 平安科技(深圳)有限公司 | 人脸图像的年龄识别方法、装置及存储介质 |
CN108734146A (zh) * | 2018-05-28 | 2018-11-02 | 北京达佳互联信息技术有限公司 | 人脸图像年龄判断方法、装置、计算机设备及存储介质 |
CN109271884A (zh) * | 2018-08-29 | 2019-01-25 | 厦门理工学院 | 人脸属性识别方法、装置、终端设备和存储介质 |
CN109522872A (zh) * | 2018-12-04 | 2019-03-26 | 西安电子科技大学 | 一种人脸识别方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
马文娟;董红斌;: "基于集成卷积神经网络的人脸年龄分类算法研究", 计算机科学, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778043A (zh) * | 2023-06-19 | 2023-09-19 | 广州怪力视效网络科技有限公司 | 一种表情捕捉及动画自动生成系统和方法 |
CN116778043B (zh) * | 2023-06-19 | 2024-02-09 | 广州怪力视效网络科技有限公司 | 一种表情捕捉及动画自动生成系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112818728B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11188783B2 (en) | Reverse neural network for object re-identification | |
WO2021139324A1 (zh) | 图像识别方法、装置、计算机可读存储介质及电子设备 | |
CN111178183B (zh) | 人脸检测方法及相关装置 | |
CN112419170B (zh) | 遮挡检测模型的训练方法及人脸图像的美化处理方法 | |
US11676390B2 (en) | Machine-learning model, methods and systems for removal of unwanted people from photographs | |
KR20200118076A (ko) | 생체 검출 방법 및 장치, 전자 기기 및 저장 매체 | |
US20080193020A1 (en) | Method for Facial Features Detection | |
WO2009078957A1 (en) | Systems and methods for rule-based segmentation for objects with full or partial frontal view in color images | |
CN111008935B (zh) | 一种人脸图像增强方法、装置、系统及存储介质 | |
CN110781770B (zh) | 基于人脸识别的活体检测方法、装置及设备 | |
CN113449606B (zh) | 一种目标对象识别方法、装置、计算机设备及存储介质 | |
CN110929617A (zh) | 一种换脸合成视频检测方法、装置、电子设备及存储介质 | |
CN111325051A (zh) | 一种基于人脸图像roi选取的人脸识别方法及装置 | |
CN110543848B (zh) | 一种基于三维卷积神经网络的驾驶员动作识别方法及装置 | |
CN112150692A (zh) | 一种基于人工智能的门禁控制方法及系统 | |
CN112101344B (zh) | 一种视频文本跟踪方法及装置 | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
CN111814603A (zh) | 一种人脸识别方法、介质及电子设备 | |
CN113705294A (zh) | 一种基于人工智能的图像识别方法、装置 | |
CN113297956A (zh) | 一种基于视觉的手势识别方法及系统 | |
CN114841974A (zh) | 一种水果内部结构无损检测方法、系统、电子设备及介质 | |
CN112818728A (zh) | 年龄识别的方法及相关产品 | |
CN110969602B (zh) | 一种图像清晰程度检测方法及装置 | |
CN113570615A (zh) | 一种基于深度学习的图像处理方法、电子设备及存储介质 | |
CN111881803A (zh) | 一种基于改进YOLOv3的畜脸识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |