CN112949571A - 识别年龄的方法、年龄识别模型的训练方法和装置 - Google Patents
识别年龄的方法、年龄识别模型的训练方法和装置 Download PDFInfo
- Publication number
- CN112949571A CN112949571A CN202110329983.3A CN202110329983A CN112949571A CN 112949571 A CN112949571 A CN 112949571A CN 202110329983 A CN202110329983 A CN 202110329983A CN 112949571 A CN112949571 A CN 112949571A
- Authority
- CN
- China
- Prior art keywords
- age
- image
- recognized
- key area
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000012549 training Methods 0.000 title claims abstract description 61
- 230000009466 transformation Effects 0.000 claims description 91
- 239000011159 matrix material Substances 0.000 claims description 20
- 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 14
- 239000013598 vector Substances 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 11
- 238000002372 labelling Methods 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 206010011469 Crying Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—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)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种识别年龄的方法、年龄识别模型的训练方法和装置,包括:将包含有目标对象的待识别图像输入至包括关键区域定位网络和年龄估计网络的年龄识别模型;通过关键区域定位网络从待识别图像中确定人脸关键区域;通过年龄估计网络提取人脸关键区域和待识别图像的特征,得到人脸关键区域的局部特征和待识别图像的全局特征,基于全局特征和局部特征输出目标对象的年龄。该方式通过关键区域定位网络,自动定位待识别图像中与年龄识别最为相关的人脸关键区域,使得年龄估计网络能够根据提取的人脸关键区域的特征和待识别图像的特征得到年龄值;由于该方式识别年龄时利用了输入图像的特征和人脸关键区域的特征,因此提升了模型识别年龄的精度。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种识别年龄的方法、年龄识别模型的训练方法和装置。
背景技术
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泛的应用前景。相关技术中,可以通过训练后的深度学习模型估计人脸图像中人的年龄。该深度学习模型通常通过输入的人脸图像中人脸的整体特征,输出人的年龄。但该方式中的深度学习模型所参考的特征有限,限制了模型估计年龄的精确度。
发明内容
本发明的目的在于提供一种识别年龄的方法、年龄识别模型的训练方法和装置,以提高模型识别年龄的精确度。
第一方面,本发明提供了一种识别年龄的方法,该方法包括:获取包含有目标对象的待识别图像;将该待识别图像输入至预先训练完成的年龄识别模型中;其中,年龄识别模型包括关键区域定位网络和年龄估计网络;通过关键区域定位网络,从待识别图像中确定人脸关键区域;通过年龄估计网络,分别对人脸关键区域和待识别图像进行特征提取,得到人脸关键区域的局部特征和待识别图像的全局特征,基于全局特征和局部特征,输出目标对象的年龄。
在可选的实施方式中,上述通过关键区域定位网络,从待识别图像中确定人脸关键区域的步骤,包括:通过关键区域定位网络,确定待识别图像的变换参数;其中,该变换参数用于映射待识别图像与变换后的待识别图像之间的坐标关系;利用变换参数对待识别图像进行仿射变换,得到变换后的待识别图像,将变换后的待识别图像确定为人脸关键区域。
在可选的实施方式中,上述变换参数中包含有指定数量的特征值;上述通过关键区域定位网络,确定待识别图像的变换参数的步骤,包括:对待识别图像进行特征提取,得到包含有指定数量的特征值的特征向量;将特征向量中的指定数量的特征值,确定为变换参数。
在可选的实施方式中,上述变换参数中包含有指定数量的特征值;上述利用变换参数对待识别图像进行仿射变换,得到变换后的待识别图像的步骤,包括:根据变换参数中的指定数量的特征值,生成变换矩阵;基于该变换矩阵,以及待识别图像中每个像素点的像素坐标和像素值,确定变换后的待识别图像中每个像素点的像素值。
在可选的实施方式中,变换后的待识别图像的尺寸为预设值;上述基于变换矩阵,以及待识别图像中每个像素点的像素坐标和像素值,确定变换后的待识别图像中每个像素点的像素值的步骤,包括:根据变换后的待识别图像的尺寸,确定变换后的待识别图像中每个像素点的像素坐标;针对变换后的待识别图像中的每个像素点,通过变换矩阵对当前像素点的像素坐标进行变换,得到当前像素点在待识别图像中对应的像素坐标;基于当前像素点在待识别图像中对应的像素坐标的像素值,确定当前像素点的像素值。
在可选的实施方式中,上述基于全局特征和局部特征,输出目标对象的年龄的步骤,包括:将全局特征和局部特征进行拼接,得到拼接特征,将该拼接特征输入至年龄估计网络的全连接层;通过该全连接层,基于拼接特征,输出目标对象的年龄。
第二方面,本发明提供了一种年龄识别模型的训练方法,该练方法包括:获取样本集;该本集包括多个样本,每个样本包含有样本图像,以及该样本图像对应的年龄标签;其中,该龄标签用于指示样本图像中目标对象的年龄;基于样本集,对年龄识别模型的初始模型进行机器学习训练,得到年龄识别模型;其中,该龄识别模型包括关键区域定位网络和年龄估计网络。
第三方面,本发明提供了一种识别年龄的装置,该装置包括:图像获取模块,用于获取包含有目标对象的待识别图像;图像输入模块,用于将待识别图像输入至预先训练完成的年龄识别模型中;其中,该年龄识别模型包括关键区域定位网络和年龄估计网络;关键区域确定模块,用于通过关键区域定位网络,从待识别图像中确定人脸关键区域;年龄估计模块,用于通过年龄估计网络,分别对人脸关键区域和待识别图像进行特征提取,得到人脸关键区域的局部特征和待识别图像的全局特征,基于全局特征和局部特征,输出目标对象的年龄。
第四方面,本发明提供一种年龄识别模型的训练装置,该训练装置包括:样本集获取模块,用于获取样本集;该样本集包括多个样本,每个样本包含有样本图像,以及样本图像对应的年龄标签;其中,年龄标签用于指示样本图像中目标对象的年龄;模型训练模块,用于基于样本集,对年龄识别模型的初始模型进行机器学习训练,得到年龄识别模型;其中,该年龄识别模型包括关键区域定位网络和年龄估计网络。
第五方面,本发明提供了一种电子设备,该电子设备包括处理器和存储器,该存储器存储有能够被处理器执行的机器可执行指令,该处理器执行机器可执行指令以实现前述实施方式任一项所述的识别年龄的方法或者前述实施方式所述的年龄识别模型的训练方法。
第六方面,本发明提供了一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,该机器可执行指令促使处理器实现前述实施方式任一项所述的识别年龄的方法或者前述实施方式所述的年龄识别模型的训练方法。
本发明实施例带来了以下有益效果:
本发明提供的一种识别年龄的方法、年龄识别模型的训练方法和装置,首先获取包含有目标对象的待识别图像;然后将该待识别图像输入至预先训练完成的年龄识别模型中,该年龄识别模型包括关键区域定位网络和年龄估计网络;通过关键区域定位网络从待识别图像中确定人脸关键区域;然后通过年龄估计网络,分别对人脸关键区域和待识别图像进行特征提取,得到人脸关键区域的局部特征和待识别图像的全局特征,基于该全局特征和局部特征输出目标对象的年龄。该方式通过关键区域定位网络,自动定位待识别图像中与年龄识别最为相关的人脸关键区域,使得年龄估计网络能够根据提取的人脸关键区域的特征和待识别图像的特征得到年龄值;由于该方式识别年龄时利用了输入图像的特征和人脸关键区域的特征,模型参考特征较多,因此提升了模型识别年龄的精度。
本发明的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
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一种识别年龄的方法的流程图;
图2为本发明实施例提供的另一种识别年龄的方法的流程图;
图3为本发明实施例提供的一种年龄识别模型的结构示意图;
图4为本发明实施例提供的一种年龄识别模型的训练方法的流程图;
图5为本发明实施例提供的一种识别年龄的装置的结构示意图;
图6为本发明实施例提供的一种年龄识别模型的训练装置的结构示意图;
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
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泛的应用前景。自动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。
相关技术中,通常使用两种年龄估计算法,一种是传统人脸年龄估计算法,该算法一般首先人工提取人脸特征(该人脸特征可以是主动外观特征、人体测量学特征、生物启发特征等),然后训练一个人脸特征到年龄的分类器或者回归器。但这种方式在年龄估计时缺乏人脸的高层语义信息,导致年龄估计的精度比较差。
基于此,相关技术还提供了另一种年龄估计算法,即基于深度学习的人脸年龄估计算法,该算法通常直接训练一个深度学习模型,以建立输入人脸图像和年龄之间的映射关系,相较于传统人脸年龄估计算法,该深度学习的方法可以考虑到人脸的高层语义信息,精度一般较高。但是该深度学习模型通常通过输入的人脸图像中人脸的整体特征,输出人的年龄,使得深度学习模型在年龄估计时所参考的特征有限,限制了模型估计年龄的精确度。
针对上述问题,本发明实施例提供了一种识别年龄的方法、年龄识别模型的训练方法和装置,该技术应用于各种图像中人或者人脸的年龄估计的场景中。为便于对本实施例进行理解,首先对本发明实施例所公开的一种识别年龄的方法进行详细介绍,如图1所示,该方法包括如下步骤:
步骤S102,获取包含有目标对象的待识别图像。
上述待识别图像可以是通过摄像机或者照相机拍摄的图片或者照片,也可以是指定的视频文件中的某一视频帧;该待识别图像中包含的目标对象可以是人或者人脸,该人脸可以正脸或者侧脸等,也可以是各种表情的人脸,例如,笑脸、哭脸等。在具体实现时,可以通过通信连接的照相机、摄像头等设备拍摄后传入,或者从存储有已经拍摄完成的待处理的图像的存储设备中获取待识别图像,也可以从指定的视频文件的存储设备中获取待识别图像。
步骤S104,将上述待识别图像输入至预先训练完成的年龄识别模型中;其中,年龄识别模型包括关键区域定位网络和年龄估计网络。
上述年龄识别模型可以采用深度学习模型或者神经网络模型。该年龄识别模型可以是通过预设的样本集采用机器学习的方式训练得到的,该样本集中包含有大量的样本,每个样本均包含有一个样本图像和该样本图像的年龄标签,该年龄标签用于指示样本图像中对象的年龄。在对年龄识别模型进行训练的过程中,首先需要从样本集中确定训练样本,再将该训练样本中的样本图像输入至年龄识别模型的初始模型中,该初始模型可以预测样本图像中对象的年龄;然后根据预测年龄与年龄标签之间的差距,确定损失值;再基于该模型损失值调整初始模型的权重参数,继续从样本集中确定新的训练样本输入至调整后的初始模型中,直到模型收敛或者达到预设的训练次数,得到训练完成的年龄识别模型。
该年龄识别模型包括关键区域定位网络和年龄估计网络,该关键区域定位网络用于从待识别图像中自动定位出人脸关键区域;该年龄估计网络用于根据输入的人脸关键区域和待识别图像,输出年龄估计值。
步骤S106,通过关键区域定位网络,从待识别图像中确定人脸关键区域。
上述关键区域定位网络的网络结构可以是根据研发需求设计的,但每个网络参数对应的权重参数是训练得到的。上述关键区域定位网络可以根据输入的待识别图像,自动定位到与年龄识别最为相关的人脸关键区域;该人脸关键区域可以是待识别图像中的人眼区域、鼻子区域或者额头区域等,具体得到的人脸关键区域为哪个区域根据关键区域定位网络的输出结果确定。
由于人脸的不同区域对于年龄估计的重要程度不同,且人脸中的关键区域对年龄识别的影响较大,因而,本发明通过关键区域定位网络确定出待识别图像中与年龄识别最为相关的人脸关键区域,可以提升后续年龄估计的精确度。
步骤S108,通过年龄估计网络,分别对人脸关键区域和待识别图像进行特征提取,得到人脸关键区域的局部特征和待识别图像的全局特征,基于该全局特征和局部特征,输出目标对象的年龄。
在具体实现时,关键区域定位网络得到与年龄识别最为相关的人脸关键区域后,将该人脸关键区域和待识别图像分别输入至年龄估计网络,以使年龄估计网络对人脸关键区域进行特征提取得到局部特征,对待识别图像进行特征提取得到全局特征;然后年龄估计网络将局部特征和全局特征融合起来进行年龄估计,得到待识别图像中目标对象的年龄。由于该方式中,年龄识别模型显式的考虑了与年龄识别最为相关的人脸关键区域,并学习了该人脸关键区域的局部特征,也即是强调了人脸关键区域的作用,从而可以提升模型年龄识别的精确度。
本发明实施例提供的一种识别年龄的方法,首先获取包含有目标对象的待识别图像;然后将该待识别图像输入至预先训练完成的年龄识别模型中,该年龄识别模型包括关键区域定位网络和年龄估计网络;通过关键区域定位网络从待识别图像中确定人脸关键区域;然后通过年龄估计网络,分别对人脸关键区域和待识别图像进行特征提取,得到人脸关键区域的局部特征和待识别图像的全局特征,基于该全局特征和局部特征输出目标对象的年龄。该方式通过关键区域定位网络,自动定位待识别图像中与年龄识别最为相关的人脸关键区域,使得年龄估计网络能够根据提取的人脸关键区域的特征和待识别图像的特征得到年龄值;由于该方式识别年龄时利用了输入图像的特征和人脸关键区域的特征,模型参考特征较多,因此提升了模型识别年龄的精度。
本发明实施例还提供了另一种识别年龄的方法,该方法在上述实施例方法的基础上实现;该方法重点描述通过关键区域定位网络,从待识别图像中确定人脸关键区域的具体过程(通过下述步骤S206-S208实现),以及基于全局特征和局部特征,输出目标对象的年龄的具体过程(通过下述步骤S212实现);如图2所示,该方法包括如下具体步骤:
步骤S202,获取包含有目标对象的待识别图像。
步骤S204,将上述待识别图像输入至预先训练完成的年龄识别模型中;其中,年龄识别模型包括关键区域定位网络和年龄估计网络。
在具体实现时,上述关键区域定位网络可以包含有多个特征提取块、一个全连接层和一个仿射变换模块;上述年龄估计网络可以包含有多个特征提取块和多个全连接层,例如,年龄估计网络中包含有两个相同的网络结构和与这两个网络结构相连的最后一个全连接层,每个网络结构中均包含有多个特征提取块和一个全连接层,一路网络结构用于提取人脸关键区域的特征,另一路网络结构用于提取待识别图像(也可以成为原始图像)的特征,最后一个全连接层接收两个网络结构输出的特征向量,并基于这两个特征向量输出年龄估计值。
每个特征提取块都是由多个依次连接的卷积层和激活函数层组成的;其中每个网络中包含的特征提取块的数量和每个特征提取块中包含的依次连接的卷积层和激活函数层的数量是根据具体应用的速度和精度需求设定的,一般来说,数量越多网络整体越深,性能越好,速度则越慢。
如图3所示给出了一种年龄识别模型的网络结构示意图,图3中的关键区域定位网络包含有两个特征提取块Block1和Block2、一个全连接层FC1和仿射变换模块;图3中的年龄估计网络包含有特征提取块Block3和Block4,以及全连接层FC2和FC3。
步骤S206,通过关键区域定位网络,确定待识别图像的变换参数;该变换参数用于映射待识别图像与变换后的待识别图像之间的坐标关系。
将待识别图像输入至关键区域定位网络,可以得到该待识别图像的变换参数,该变换参数主要用于对待识别图像进行仿射变换,该变换参数用于映射待识别图像与变换后的待识别图像之间的坐标关系,也即是,通过该变换参数可以知道变换后的待识别图像中每个像素点的像素坐标,对应于待识别图像中的哪个像素点的像素坐标。
上述仿射变换通常是指根据变换参数,对待识别图像进行平移、缩放、旋转等中的一种或者多种变换操作。在具体实现时,上述变换参数中包含有指定数量的特征值,根据变换参数中包含有的特征值不同,可以进行不同程度的平移、缩放或旋转等变换操作;上述确定待识别图像的变换参数的方式可以为:对待识别图像进行特征提取,得到包含有指定数量的特征值的特征向量;将该特征向量中的指定数量的特征值,确定为变换参数。
具体地,上述指定数量可以根据研发需求进行设定,通常情况下,对图像进行仿射变换时,变换参数包含有6个元素,因此,指定数量可以设置为6。如果使用图3所示的关键区域定位网络确定变换参数,将待识别图像输入至关键区域定位网络后,该待识别图像经过Block1、Block2和FC1的处理,FC1可输出一个长度为6的向量,将该向量确定为变换参数,并将该变换参数输入至仿射变换模块中,以使该仿射变换模块基于变换参数和待识别图像输出人脸关键区域。
步骤S208,利用上述变换参数对待识别图像进行仿射变换,得到变换后的待识别图像,将变换后的待识别图像确定为人脸关键区域。
在具体实现时,上述变换参数中包含有指定数量的特征值;根据该变换参数中的指定数量的特征值,生成变换矩阵;然后基于该变换矩阵,以及待识别图像中每个像素点的像素坐标和像素值,确定变换后的待识别图像中每个像素点的像素值。
由于像素坐标中通常包含有两个元素,一个是x轴对应的坐标值,一个是y轴对应的坐标值,所以可以将变换参数中的特征值组合成一个包含有两行多列的变换矩阵,在具体实现时,变换参数中的哪个特征值对应变换矩阵中的哪个位置是提前设置好的。
在具体实现时,上述变换后的待识别图像的尺寸为预设值;也即是变换后的待识别图像中每个像素点的像素坐标的位置也是已知的。在基于变换矩阵,以及待识别图像中每个像素点的像素坐标和像素值,确定变换后的待识别图像中每个像素点的像素值的步骤,包括:根据变换后的待识别图像的尺寸,确定变换后的待识别图像中每个像素点的像素坐标;针对变换后的待识别图像中的每个像素点,通过变换矩阵对当前像素点的像素坐标进行变换,得到当前像素点在待识别图像中对应的像素坐标;基于当前像素点在待识别图像中对应的像素坐标的像素值,确定当前像素点的像素值。
例如,变换参数θ中包含有6个特征值θ=[a,b,c,d,e,f],根据该变换参数θ可以得到变换矩阵然后以变换后的待识别图像中的所有像素点的像素坐标为自变量,根据变换矩阵做一个矩阵运算,得到待识别图像中的像素点的像素坐标,也即是针对变换后的待识别图像中的每个像素点,执行下述操作:
通过下述算式,对变换后的待识别图像中的当前像素点的像素坐标(x,y)进行变换,得到当前像素点在待识别图像中对应的像素坐标(x’,y’):
然后,基于当前像素点在待识别图像中对应的像素坐标的像素值,确定当前像素点的像素值,进而可以得到变换后的待识别图像中每个像素点的像素值。
需要说明的是,如果计算得到的当前像素点在待识别图像中对应的像素坐标为小数,需要使用另外的方法来填充像素值,例如双线性插值等方式。
步骤S210,通过年龄估计网络,分别对人脸关键区域和待识别图像进行特征提取,得到人脸关键区域的局部特征和待识别图像的全局特征。
步骤S212,通过年龄估计模型,将全局特征和局部特征进行拼接,得到拼接特征,将该拼接特征输入至年龄估计网络的全连接层;通过全连接层,基于拼接特征,输出目标对象的年龄。
上述年龄估计网络的全连接层相当于3中的FC3,也即是最后一个全连接层,该全连接层可以根据拼接特征输出目标对象的年龄。在具体实现时,如果输出的年龄值为小数,还可以对输出的年龄值进行四舍五入、向上取整或者向下取整等操作,得到目标对象最终的年龄值。
上述识别年龄的方法,首先获取包含有目标对象的待识别图像,进而将该待识别图像输入至预先训练完成的年龄识别模型中;通过年龄识别模型中的关键区域定位网络,确定待识别图像的变换参数;该变换参数用于映射待识别图像与变换后的待识别图像之间的坐标关系;再利用该变换参数对待识别图像进行仿射变换,得到变换后的待识别图像,将变换后的待识别图像确定为人脸关键区域;然后通过年龄识别模型中的年龄估计网络,分别对人脸关键区域和待识别图像进行特征提取,得到人脸关键区域的局部特征和待识别图像的全局特征,将全局特征和局部特征进行拼接,得到拼接特征,将该拼接特征输入至年龄估计网络的全连接层;通过全连接层,基于拼接特征,输出目标对象的年龄。该方式,相对于传统人脸年龄估计算法,可以自动学习与年龄有关的人脸图像多层级语义特征,模型精度较高;同时,与现有的深度人脸年龄估计算法相比,该方式通过关键区域定位网络,自动定位到与年龄估计最为相关的人脸关键区域,并将该关键区域的特征和整体的人脸特征融合起来进行年龄估计,该方式强调了人脸关键区域的作用,因此可以提高年龄估计的精度。
针对于上述识别年龄的方法,本发明实施例还提供了一种年龄识别模型的训练方法,如图4所示,该训练方法包括如下具体步骤:
步骤S402,获取样本集;该样本集包括多个样本,每个样本包含有样本图像,以及该样本图像对应的年龄标签;其中,年龄标签用于指示样本图像中目标对象的年龄。
上述训练集中的样本图像可以用X表示,X∈RH×W×3,其中H表示高度,W表示宽度,3表示RGB(R表示Red,红色;G表示Green,绿色;B表示Blue,蓝色)三个通道。上述年龄标签标识了样本图像中目标对象(人或者人脸)的年龄,该年龄标签可以通过下述步骤10-11确定:
步骤10,获取样本图像对应的多个标注结果;该标注结果用于标识样本图像中目标对象的年龄值;该标注结果中标注的年龄值为预设的多个年龄值中的一个年龄值。
上述预设的多个年龄值是用户设置的年龄范围内的年龄值,例如,可以设置年龄值为0至100之间的整数,分别代表0岁到100岁。在具体实现时,预设的n个人对样本图像中的目标对象进行年龄标注,可以得到n个标注结果,这n个标注结果也即是样本图像对应的多个标注结果。
步骤11,计算多个标注结果对应的年龄值的平均值,将该平均值确定为样本图像的年龄标签。
例如,假设预设的多个年龄值为0至100之间的整数,n个人对样本图像中的目标对象进行年龄标注,得到n个标注结果其中,k的取值范围为1到n,表示第k个人对样本图像的标注结果,根据n个标注结果,可得到样本图像的年龄标签为:
步骤S404,基于该样本集,对年龄识别模型的初始模型进行机器学习训练,得到年龄识别模型;其中,该年龄识别模型包括关键区域定位网络和年龄估计网络。
在对年龄识别模型进行训练的过程中,首先随机初始化初始模型中的所有权重参数,然后从样本集中确定一个训练样本,将该训练样本中的样本图像输入至初始模型中,该初始模型可以预测样本图像中对象的年龄,得到年龄估计输出;然后根据年龄估计输出与样本图像的年龄标签(相当于真实年龄)计算损失值L,该损失值L可以通过下述算式计算得到:
其中,W′表示更新后的权重参数,α表示学习率,通常是一个人工预先设定的超参数,取值可为0.01、0.001等。继续从样本集中确定新的训练样本输入至调整后的初始模型中,进行更新迭代,直到模型收敛或者达到预设的训练次数,得到训练完成的年龄识别模型。
在具体实现时,可以将样本集中的图像按照预设比例(例如,10:1)划分为训练集合和测试集合。通过测试集合可以确定训练后的年龄识别模型的年龄估计精度;通常可以从测试集合中确定测试样本,该测试样本包含有人脸图像,以及该人脸图像对应的年龄标签,将该测试样本中的人脸图像输入至训练完成的年龄识别模型中可以得到年龄识别结果,判定该年龄识别结果是否正确,继续从测试集合中确定测试样本,直到测试集合中的所有样本选取完毕;统计每个测试样本对应的测试结果的正确性,得到训练后的年龄识别模型的预测精度。
上述年龄识别模型的训练方法,获取样本集;该样本集包括多个样本,每个样本包含有样本图像,以及该样本图像对应的年龄标签;其中,年龄标签用于指示样本图像中目标对象的年龄。基于该样本集,对年龄识别模型的初始模型进行机器学习训练,得到年龄识别模型;其中,该年龄识别模型包括关键区域定位网络和年龄估计网络。该方式训练得到的年龄识别模型,在使用是,可以通过关键区域定位网络,自动定位输入图像中与年龄识别最为相关的人脸关键区域,使得年龄估计网络能够根据提取的人脸关键区域的特征和输入图像的特征得到年龄值,从而提升模型识别年龄的精度。
针对于上述识别年龄的方法的实施例,本发明实施例提供了一种识别年龄的装置,如图5所示,该装置包括:
图像获取模块50,用于获取包含有目标对象的待识别图像。
图像输入模块51,用于将待识别图像输入至预先训练完成的年龄识别模型中;其中,该年龄识别模型包括关键区域定位网络和年龄估计网络。
关键区域确定模块52,用于通过关键区域定位网络,从待识别图像中确定人脸关键区域。
年龄估计模块53,用于通过年龄估计网络,分别对人脸关键区域和待识别图像进行特征提取,得到人脸关键区域的局部特征和待识别图像的全局特征,基于该全局特征和局部特征,输出目标对象的年龄。
上述识别年龄的装置,首先获取包含有目标对象的待识别图像;然后将该待识别图像输入至预先训练完成的年龄识别模型中,该年龄识别模型包括关键区域定位网络和年龄估计网络;通过关键区域定位网络从待识别图像中确定人脸关键区域;然后通过年龄估计网络,分别对人脸关键区域和待识别图像进行特征提取,得到人脸关键区域的局部特征和待识别图像的全局特征,基于该全局特征和局部特征输出目标对象的年龄。该方式通过关键区域定位网络,自动定位待识别图像中与年龄识别最为相关的人脸关键区域,使得年龄估计网络能够根据提取的人脸关键区域的特征和待识别图像的特征得到年龄值;由于该方式识别年龄时利用了输入图像的特征和人脸关键区域的特征,模型参考特征较多,因此提升了模型识别年龄的精度。
具体地,上述关键区域确定模块52,包括:参数确定模块,用于:通过关键区域定位网络,确定待识别图像的变换参数;其中,该变换参数用于映射待识别图像与变换后的待识别图像之间的坐标关系;变换模块,用于:利用变换参数对待识别图像进行仿射变换,得到变换后的待识别图像,将变换后的待识别图像确定为人脸关键区域。
进一步地,上述变换参数中包含有指定数量的特征值;上述参数确定模块,用于:对待识别图像进行特征提取,得到包含有指定数量的特征值的特征向量;将该特征向量中的指定数量的特征值,确定为变换参数。
进一步地,上述变换参数中包含有指定数量的特征值;上述变换模块,用于:根据变换参数中的指定数量的特征值,生成变换矩阵;基于变换矩阵,以及待识别图像中每个像素点的像素坐标和像素值,确定变换后的待识别图像中每个像素点的像素值。
在具体实现时,变换后的待识别图像的尺寸为预设值;上述变换模块,还用于:根据变换后的待识别图像的尺寸,确定变换后的待识别图像中每个像素点的像素坐标;针对变换后的待识别图像中的每个像素点,通过变换矩阵对当前像素点的像素坐标进行变换,得到当前像素点在待识别图像中对应的像素坐标;基于当前像素点在待识别图像中对应的像素坐标的像素值,确定当前像素点的像素值。
进一步地,上述年龄估计模块53,还用于:将全局特征和局部特征进行拼接,得到拼接特征,将该拼接特征输入至年龄估计网络的全连接层;通过全连接层,基于拼接特征,输出目标对象的年龄。
本发明实施例所提供的识别年龄的装置,其实现原理及产生的技术效果和前述识别年龄的方法实施例相同,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。
针对于上述年龄识别模型的训练方法的实施例,本发明实施例提供了一种年龄识别模型的训练装置,如图6所示,该训练装置包括:
样本集获取模块60,用于获取样本集;该样本集包括多个样本,每个样本包含有样本图像,以及该样本图像对应的年龄标签;其中,该年龄标签用于指示样本图像中目标对象的年龄。
模型训练模块61,用于基于样本集,对年龄识别模型的初始模型进行机器学习训练,得到年龄识别模型;其中,该年龄识别模型包括关键区域定位网络和年龄估计网络。
上述年龄识别模型的训练装置,获取样本集;该样本集包括多个样本,每个样本包含有样本图像,以及该样本图像对应的年龄标签;其中,年龄标签用于指示样本图像中目标对象的年龄。基于该样本集,对年龄识别模型的初始模型进行机器学习训练,得到年龄识别模型;其中,该年龄识别模型包括关键区域定位网络和年龄估计网络。该方式训练得到的年龄识别模型,在使用是,可以通过关键区域定位网络,自动定位输入图像中与年龄识别最为相关的人脸关键区域,使得年龄估计网络能够根据提取的人脸关键区域的特征和输入图像的特征得到年龄值,从而提升模型识别年龄的精度。
本发明实施例还提供了一种电子设备,如图7所示,该电子设备包括处理器101和存储器100,该存储器100存储有能够被处理器101执行的机器可执行指令,该处理器101执行机器可执行指令以实现上述识别年龄的方法或者年龄识别模型的训练方法。
进一步地,图7所示的电子设备还包括总线102和通信接口103,处理器101、通信接口103和存储器100通过总线102连接。
其中,存储器100可能包含高速随机存取存储器(RAM,RandomAccessMemory),也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。通过至少一个通信接口103(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102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7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。
处理器101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101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101可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,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发明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。结合本发明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100,处理器101读取存储器100中的信息,结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,该机器可执行指令促使处理器实现上述识别年龄的方法或者年龄识别模型的训练方法。
本发明实施例所提供的识别年龄的方法、年龄识别模型的训练方法和装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
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)执行本发明各个实施例所述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。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,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发明揭露的技术范围内,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发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (11)
1.一种识别年龄的方法,其特征在于,所述方法包括:
获取包含有目标对象的待识别图像;
将所述待识别图像输入至预先训练完成的年龄识别模型中;其中,所述年龄识别模型包括关键区域定位网络和年龄估计网络;
通过所述关键区域定位网络,从所述待识别图像中确定人脸关键区域;
通过所述年龄估计网络,分别对所述人脸关键区域和所述待识别图像进行特征提取,得到所述人脸关键区域的局部特征和所述待识别图像的全局特征,基于所述全局特征和所述局部特征,输出所述目标对象的年龄。
2.根据权利要求1所述的方法,其特征在于,所述通过所述关键区域定位网络,从所述待识别图像中确定人脸关键区域的步骤,包括:
通过所述关键区域定位网络,确定所述待识别图像的变换参数;其中,所述变换参数用于映射所述待识别图像与变换后的所述待识别图像之间的坐标关系;
利用所述变换参数对所述待识别图像进行仿射变换,得到变换后的所述待识别图像,将变换后的所述待识别图像确定为所述人脸关键区域。
3.根据权利要求2所述的方法,其特征在于,所述变换参数中包含有指定数量的特征值;所述通过所述关键区域定位网络,确定所述待识别图像的变换参数的步骤,包括:
对所述待识别图像进行特征提取,得到包含有指定数量的特征值的特征向量;将所述特征向量中的指定数量的特征值,确定为所述变换参数。
4.根据权利要求2所述的方法,其特征在于,所述变换参数中包含有指定数量的特征值;所述利用所述变换参数对所述待识别图像进行仿射变换,得到变换后的所述待识别图像的步骤,包括:
根据所述变换参数中的指定数量的特征值,生成变换矩阵;
基于所述变换矩阵,以及所述待识别图像中每个像素点的像素坐标和像素值,确定变换后的所述待识别图像中每个像素点的像素值。
5.根据权利要求4所述的方法,其特征在于,变换后的所述待识别图像的尺寸为预设值;所述基于所述变换矩阵,以及所述待识别图像中每个像素点的像素坐标和像素值,确定变换后的所述待识别图像中每个像素点的像素值的步骤,包括:
根据变换后的所述待识别图像的尺寸,确定变换后的所述待识别图像中每个像素点的像素坐标;
针对变换后的所述待识别图像中的每个像素点,通过所述变换矩阵对当前像素点的像素坐标进行变换,得到所述当前像素点在所述待识别图像中对应的像素坐标;基于所述当前像素点在所述待识别图像中对应的像素坐标的像素值,确定所述当前像素点的像素值。
6.根据权利要求1所述的方法,其特征在于,基于所述全局特征和所述局部特征,输出所述目标对象的年龄的步骤,包括:
将所述全局特征和所述局部特征进行拼接,得到拼接特征,将所述拼接特征输入至所述年龄估计网络的全连接层;
通过所述全连接层,基于所述拼接特征,输出所述目标对象的年龄。
7.一种年龄识别模型的训练方法,其特征在于,所述训练方法包括:
获取样本集;所述样本集包括多个样本,每个样本包含有样本图像,以及所述样本图像对应的年龄标签;其中,所述年龄标签用于指示所述样本图像中目标对象的年龄;
基于所述样本集,对所述年龄识别模型的初始模型进行机器学习训练,得到所述年龄识别模型;其中,所述年龄识别模型包括关键区域定位网络和年龄估计网络。
8.一种识别年龄的装置,其特征在于,所述装置包括:
图像获取模块,用于获取包含有目标对象的待识别图像;
图像输入模块,用于将所述待识别图像输入至预先训练完成的年龄识别模型中;其中,所述年龄识别模型包括关键区域定位网络和年龄估计网络;
关键区域确定模块,用于通过所述关键区域定位网络,从所述待识别图像中确定人脸关键区域;
年龄估计模块,用于通过所述年龄估计网络,分别对所述人脸关键区域和所述待识别图像进行特征提取,得到所述人脸关键区域的局部特征和所述待识别图像的全局特征,基于所述全局特征和所述局部特征,输出所述目标对象的年龄。
9.一种年龄识别模型的训练装置,其特征在于,所述训练装置包括:
样本集获取模块,用于获取样本集;所述样本集包括多个样本,每个样本包含有样本图像,以及所述样本图像对应的年龄标签;其中,所述年龄标签用于指示所述样本图像中目标对象的年龄;
模型训练模块,用于基于所述样本集,对所述年龄识别模型的初始模型进行机器学习训练,得到所述年龄识别模型;其中,所述年龄识别模型包括关键区域定位网络和年龄估计网络。
10.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现权利要求1至6任一项所述的识别年龄的方法或者权利要求7所述的年龄识别模型的训练方法。
11.一种机器可读存储介质,其特征在于,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使处理器实现权利要求1至6任一项所述的识别年龄的方法或者权利要求7所述的年龄识别模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110329983.3A CN112949571A (zh) | 2021-03-26 | 2021-03-26 | 识别年龄的方法、年龄识别模型的训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110329983.3A CN112949571A (zh) | 2021-03-26 | 2021-03-26 | 识别年龄的方法、年龄识别模型的训练方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949571A true CN112949571A (zh) | 2021-06-11 |
Family
ID=76227024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110329983.3A Pending CN112949571A (zh) | 2021-03-26 | 2021-03-26 | 识别年龄的方法、年龄识别模型的训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949571A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821752A (zh) * | 2022-06-28 | 2022-07-29 | 杭州登虹科技有限公司 | 一种基于混合特征的年龄估算方法、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503669A (zh) * | 2016-11-02 | 2017-03-15 | 重庆中科云丛科技有限公司 | 一种基于多任务深度学习网络的训练、识别方法及系统 |
CN110427859A (zh) * | 2019-05-31 | 2019-11-08 | 北京金山云网络技术有限公司 | 一种人脸检测方法、装置、电子设备及存储介质 |
CN110674744A (zh) * | 2019-09-24 | 2020-01-10 | 京东方科技集团股份有限公司 | 一种年龄识别方法、装置及电子设备 |
CN111401339A (zh) * | 2020-06-01 | 2020-07-10 | 北京金山云网络技术有限公司 | 识别人脸图像中的人的年龄的方法、装置及电子设备 |
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 |
-
2021
- 2021-03-26 CN CN202110329983.3A patent/CN112949571A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503669A (zh) * | 2016-11-02 | 2017-03-15 | 重庆中科云丛科技有限公司 | 一种基于多任务深度学习网络的训练、识别方法及系统 |
CN110427859A (zh) * | 2019-05-31 | 2019-11-08 | 北京金山云网络技术有限公司 | 一种人脸检测方法、装置、电子设备及存储介质 |
CN110674744A (zh) * | 2019-09-24 | 2020-01-10 | 京东方科技集团股份有限公司 | 一种年龄识别方法、装置及电子设备 |
US20210089753A1 (en) * | 2019-09-24 | 2021-03-25 | Boe Technology Group Co., Ltd. | Age Recognition Method, Computer Storage Medium and Electronic Device |
CN111401339A (zh) * | 2020-06-01 | 2020-07-10 | 北京金山云网络技术有限公司 | 识别人脸图像中的人的年龄的方法、装置及电子设备 |
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 |
Non-Patent Citations (3)
Title |
---|
TSUNG-JUNG LIU 等: "Age estimation via fusion of multiple binary age grouping systems", IEEE, pages 609 - 613 * |
刘文如: "《Python深度学习》", 31 May 2020, 机械工业出版社, pages: 117 - 120 * |
孙宁;顾正东;刘佶鑫;韩光;: "面向人脸年龄估计的深度融合神经网络", 中国图象图形学报, no. 01, pages 137 - 147 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821752A (zh) * | 2022-06-28 | 2022-07-29 | 杭州登虹科技有限公司 | 一种基于混合特征的年龄估算方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229509B (zh) | 用于识别物体类别的方法及装置、电子设备 | |
CN110929569B (zh) | 人脸识别方法、装置、设备及存储介质 | |
CN109960742B (zh) | 局部信息的搜索方法及装置 | |
CN108288051B (zh) | 行人再识别模型训练方法及装置、电子设备和存储介质 | |
CN112950581A (zh) | 质量评估方法、装置和电子设备 | |
CN112419170A (zh) | 遮挡检测模型的训练方法及人脸图像的美化处理方法 | |
CN111814620A (zh) | 人脸图像质量评价模型建立方法、优选方法、介质及装置 | |
CN112200056B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN110598715A (zh) | 图像识别方法、装置、计算机设备及可读存储介质 | |
CN111401339B (zh) | 识别人脸图像中的人的年龄的方法、装置及电子设备 | |
CN108021863B (zh) | 电子装置、基于图像的年龄分类方法及存储介质 | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
CN112633221A (zh) | 一种人脸方向的检测方法及相关装置 | |
CN111382791B (zh) | 深度学习任务处理方法、图像识别任务处理方法和装置 | |
CN111967382A (zh) | 年龄估计方法、年龄估计模型的训练方法及装置 | |
CN112800978A (zh) | 属性识别方法、部位属性提取网络的训练方法和装置 | |
CN113378812A (zh) | 一种基于Mask R-CNN和CRNN的数字表盘识别方法 | |
WO2023279799A1 (zh) | 对象识别方法、装置和电子系统 | |
CN111967383A (zh) | 年龄估计方法、年龄估计模型的训练方法和装置 | |
CN112949571A (zh) | 识别年龄的方法、年龄识别模型的训练方法和装置 | |
CN115862119B (zh) | 基于注意力机制的人脸年龄估计方法及装置 | |
CN115115552B (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 | |
CN111914772A (zh) | 识别年龄的方法、年龄识别模型的训练方法和装置 | |
CN113012030A (zh) | 图像拼接方法、装置及设备 | |
CN111539420B (zh) | 基于注意力感知特征的全景图像显著性预测方法及系统 |
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 |