CN113837043B - 应用于人脸图像的年龄估计方法、装置、系统及存储介质 - Google Patents
应用于人脸图像的年龄估计方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN113837043B CN113837043B CN202111075968.7A CN202111075968A CN113837043B CN 113837043 B CN113837043 B CN 113837043B CN 202111075968 A CN202111075968 A CN 202111075968A CN 113837043 B CN113837043 B CN 113837043B
- Authority
- CN
- China
- Prior art keywords
- age
- face image
- face
- quality
- determining
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 58
- 238000012545 processing Methods 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000036548 skin texture Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种应用于人脸图像的年龄估计方法、装置、系统及存储介质，包括以下步骤：基于待估计年龄的人脸图像，应用卷积神经网络模型，确定所述人脸图像对应的共享特征图；基于所述共享特征图、第一特征提取模型以及第二特征提取模型，确定人脸年龄特征和人脸质量特征；基于所述人脸年龄特征和所述人脸质量特征，确定带质量因素注意的年龄特征；基于所述带质量因素注意的年龄特征，确定所述人脸图像的年龄。本发明的应用于人脸图像的年龄估计方法、装置、系统及存储介质，能够提高低质量人脸图像的年龄估计的准确率；有助于建立更精确的顾客画像数据，提升人脸图像的年龄估计的整体识别精度。
Description
技术领域
本发明涉及计算机视觉领域，特别是涉及一种应用于人脸图像的年龄估计方法、装置、系统及存储介质。
背景技术
目前，根据人脸图像估计人的年龄在越来越多的领域展开，比如在智能商业、视频监控、社交媒体、推荐系统、人口统计等领域都有着广泛的应用前景，其中，在智能商业领域常见的商场客流分析中，依据被动式摄像头抓取顾客人脸图像，分析识别顾客的年龄，统计出顾客群体的年龄信息，再配合客流量统计分析得到商场到店客户的年龄分布数据，依据这些数据可以预测出用户真正关注和需求的商品，辅助策划和制定相应的营销方案，为商场的运营决策提供重要的数据支撑，进而带来盈利变现。
现有技术中的人脸年龄估计方法主要是应用深度学习卷积神经网络模型得到，这种方法通过建立人脸图像的年龄数据集进行训练学习得到人脸图像的估计年龄，在建立人脸图像的年龄数据集时通常会包含相当一部分模糊、过暗、过亮等低质量的人脸图像，这些低质量因素会影响人脸图像中人脸的肤质纹理、亮暗程度等关键信息，从而导致人脸图像的估计年龄准确率低的问题。
因此，如何保证低质量的人脸图像的估计年龄的高准确率是一个亟待解决的问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种应用于人脸图像的年龄估计方法、装置、系统及存储介质，用于解决现有技术中未能保证低质量的人脸图像的估计年龄的高准确率的问题。
为实现上述目的及其他相关目的，本发明提供一种应用于人脸图像的年龄估计方法、装置、系统及存储介质，包括以下步骤：基于待估计年龄的人脸图像，应用卷积神经网络模型，确定所述人脸图像对应的共享特征图；基于所述共享特征图、第一特征提取模型以及第二特征提取模型，确定人脸年龄特征和人脸质量特征；基于所述人脸年龄特征和所述人脸质量特征，确定带质量因素注意的年龄特征；基于所述带质量因素注意的年龄特征，确定所述人脸图像的年龄。
于本发明的一实施例中，所述基于所述人脸年龄特征和所述人脸质量特征，确定带质量因素注意的年龄特征，包括：对所述人脸质量特征进行第一全连接层和第一激活函数的处理；再与所述人脸年龄特征结合，确定所述带质量因素注意的年龄特征。
于本发明的一实施例中，所述基于所述带质量因素注意的年龄特征，确定所述人脸图像的年龄，包括：对所述带质量因素注意的年龄特征进行第二全连接层和第二激活函数的处理，确定所述人脸图像的年龄。
于本发明的一实施例中，所述第一特征提取模型经第一损失函数训练得到，其中，所述第一损失函数的表达式为：
其中，lossage为所述第一损失函数，i为年龄类别序号；c为年龄类别总个数；xi为基于所述第一特征提取模型得到的第i类别年龄的概率分布值；yi为第i类别对应的真实年龄标签；
所述第二特征提取模型经第二损失函数训练得到，其中，所述第二损失函数的表达式为：
lossquality＝|qlabel-qpred|
其中，lossquality为所述第二损失函数，qpred为基于所述第二特征提取模型得到的第一人脸图像的人脸质量分数；qlabel为预设的第一人脸图像的真实质量分数；所述第一人脸图像为预设的人脸图像训练集中的任一人脸图像。
于本发明的一实施例中，所述第一损失函数和所述第二损失函数的综合损失函数的表达式为：
losstotal＝alossage+βlossquality
其中，losstotal为所述综合损失函数；α为第一损失函数的权重，表达式为：
β为第二损失函数的权重，表达式为：
参数lossarg的表达式为：
对应地，本发明提供一种应用于人脸图像的年龄估计装置，包括：第一处理模块，用于基于待估计年龄的人脸图像，应用卷积神经网络模型，确定所述人脸图像对应的共享特征图；第二处理模块，用于基于所述共享特征图、第一特征提取模型以及第二特征提取模型，确定人脸年龄特征和人脸质量特征；第一确定模块，用于基于所述人脸年龄特征和所述人脸质量特征，确定带质量因素注意的年龄特征；第二确定模块，用于基于所述带质量因素注意的年龄特征，确定所述人脸图像的年龄。
于本发明的一实施例中，所述第一确定模块，具体用于：对所述人脸质量特征进行第一全连接层和第一激活函数的处理；再与所述人脸年龄特征结合，确定所述带质量因素注意的年龄特征。
于本发明的一实施例中，所述第二确定模块，具体用于：对所述带质量因素注意的年龄特征进行第二全连接层和第二激活函数的处理，确定所述人脸图像的年龄。
本发明提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的应用于人脸图像的年龄估计方法。
本发明提供一种年龄估计系统，包括存储器，用于存储计算机程序；处理器，用于运行所述计算机程序以实现上述的应用于人脸图像的年龄估计方法。
如上所述，本发明的应用于人脸图像的年龄估计方法、装置、系统及存储介质，具有以下有益效果：
(1)提高低质量人脸图像的年龄估计的准确率。
(2)有助于建立更精确的顾客画像数据，提升人脸图像的年龄估计的整体识别精度。
附图说明
图1显示为本发明的应用于人脸图像的年龄估计方法于一实施例中的流程图。
图2显示为本发明的应用于人脸图像的年龄估计方法于一实施例中的共享特征图提取的示意图。
图3显示为本发明的应用于人脸图像的年龄估计方法于一实施例中的人脸年龄特征提取的示意图。
图4显示为本发明的应用于人脸图像的年龄估计方法于一实施例中的人脸质量特征提取的示意图。
图5显示为本发明的应用于人脸图像的年龄估计方法于一实施例中的带质量因素注意的年龄特征提取的示意图。
图6显示为本发明的应用于人脸图像的年龄估计方法于一实施例中的人脸图像的年龄确定示意图。
图7显示为本发明的应用于人脸图像的年龄估计方法于一实施例中的人脸图像的质量分数确定示意图。
图8显示为本发明的应用于人脸图像的年龄估计方法于一实施例中的整体流程示例图。
图9显示为本发明的应用于人脸图像的年龄估计装置于一实施例中的结构示意图。
图10显示为本发明的应用于人脸图像的年龄估计装置于一实施例中的年龄估计系统。
元件标号说明
91 第一处理模块
92 第二处理模块
93 第一确定模块
94 第二确定模块
101 处理器
102 存储器
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明的应用于人脸图像的年龄估计方法、装置、系统及存储介质，能够提高低质量人脸图像的年龄估计的准确率；有助于建立更精确的顾客画像数据，提升人脸图像的年龄估计的整体识别精度。
如图1所示，于一实施例中，本发明的应用于人脸图像的年龄估计方法包括以下步骤：
步骤S1、基于待估计年龄的人脸图像，应用卷积神经网络模型，确定所述人脸图像对应的共享特征图。
具体地，如图2所示，于本实施例中，本发明的共享特征图提取的示意图，输入112x112大小的人脸图像，经过卷积神经网络模型的多个卷积层和跨层连接结构处理，输出得到的共享特征图大小为7x7，共享特征图包含人脸图像的颜色、光照亮暗、五官形状、纹理、梯度、边缘等特征。
步骤S2、基于所述共享特征图、第一特征提取模型以及第二特征提取模型，确定人脸年龄特征和人脸质量特征。
具体地，基于共享特征图和第一特征提取模型，确定人脸年龄特征，如图3所示，于本实施例中，本发明的人脸年龄特征提取的示意图，输入共享特征图，经卷积层、批归一化层、激活层以及平均池化层的处理，输出得到512维的人脸年龄特征，人脸年龄特征包括人脸的稚嫩成熟衰老变化、皮肤纹理变化、五官形态变化以及妆容打扮信息等特征。
基于共享特征图和第二特征提取模型，确认人脸质量特征，如图4所示，于本实施例中，本发明的人脸质量特征提取的示意图，输入共享特征图，经卷积层、批归一化层、激活层以及平均池化层的处理，输出得到512维的人脸质量特征，人脸质量特征包括人脸图像的模糊程度、亮暗程度以及噪声情况等特征。
进一步具体地，所述第一特征提取模型经第一损失函数训练得到，其中，所述第一损失函数的表达式为：
其中，lossage为所述第一损失函数，i为年龄类别序号；c为年龄类别总个数，比如设为1-100岁共100个类别；xi为基于所述第一特征提取模型得到的第i类别年龄的概率分布值；yi为第i类别对应的真实年龄标签；
所述第二特征提取模型经第二损失函数训练得到，其中，所述第二损失函数的表达式为：
lossquality＝|qlabel-qpred|
其中，lossquality为所述第二损失函数，qpred为基于所述第二特征提取模型得到的第一人脸图像的人脸质量分数；qlabel为预设的第一人脸图像的真实质量分数；所述第一人脸图像为预设的人脸图像训练集中的任一人脸图像。
进一步具体地，所述第一损失函数和所述第二损失函数的综合损失函数的表达式为：
losstotal＝alossage+βlossquality
其中，losstotal为所述综合损失函数；α为第一损失函数的权重，表达式为：
β为第二损失函数的权重，表达式为：
参数lossarg的表达式为：
步骤S3、基于所述人脸年龄特征和所述人脸质量特征，确定带质量因素注意的年龄特征。
具体地，对所述人脸质量特征进行第一全连接层和第一激活函数的处理；再与所述人脸年龄特征结合，确定所述带质量因素注意的年龄特征。如图5所示，于本实施例中，本发明的带质量因素注意的年龄特征提取的示意图，输入512维的人脸质量特征经两层全连接层和激活函数的处理，输出512维的质量因素关联参数，再与512维的人脸年龄特征相乘，输出带质量因素注意的年龄特征。
步骤S4、基于所述带质量因素注意的年龄特征，确定所述人脸图像的年龄。
具体地，对所述带质量因素注意的年龄特征进行第二全连接层和第二激活函数的处理，确定所述人脸图像的年龄。如图6所示，于本实施例中，本发明的人脸图像的年龄确定示意图，输入带质量因素注意的年龄特征，经两层全连接层和激活函数的处理，输出年龄概率分布数组，其中的每个数值代表对应预测年龄的概率，每个预测年龄的概率对应人脸图像的年龄。
进一步具体地，如图7所示，于本实施例中，本发明的人脸图像的质量分数确定示意图，输入人脸质量特征，经两层全连接层和激活函数的处理，输出人脸图像的质量分数。其中，质量分数的预设范围为0.0-1.0，越接近1质量越好，越接近0质量越差。
进一步具体地，如图8所示，于本实施例中，本发明的整体流程示例图，在训练上述第一损失函数和第二损失函数的综合损失函数时，将预设的人脸图像数据集分为训练集和测试集，将训练集通过卷积神经网络模型、第一特征提取模型以及第二特征提取模型的处理，得到人脸图像数据集中人脸图像对应的年龄、年龄概率分布数组以及质量分数；将年龄概率分布数据和质量分数带入上述综合损失函数中计算损失值，并使用随机梯度下降法在包括卷积神经网络模型、第一特征提取模型以及第二特征提取模型的总网络模型中反向传播损失，更新总网络模型中相应模型的参数。在损失函数不再下降时，再应用测试集对总网络模型进行测试，从中挑选出最优模型作为最终的年龄估计模型，挑选出的最优模型即可应用到实际的人脸图像的年龄估计中。
举例来说，收集商场人脸抓拍相机抓取的顾客人脸图像数据，人工标注顾客人脸图像的年龄和质量分数，建立训练数据集和测试数据集。对人脸图像进行预处理，将人脸图像缩放成固定尺寸112x112，减去像素均值并归一化到[-1,1]区间；设计定义损失函数，对总网络模型进行参数初始化，其中，参数权重采用均值为0，均方差为0.01的正态分布进行初始化，偏差采用0初始化；基于训练数据集，应用随机梯度下降优化器训练总网络模型，计算综合损失函数，反向传播损失，直至损失不再下降或者精度达到要求时停止训练；再应用测试数据集对训练好的总网络模型进行测试，挑选出最优模型对商场的顾客人脸图像进行年龄估计和人脸质量打分。
通过上述S1-S4的步骤处理，在提取人脸年龄特征的同时，提取人脸质量特征，并基于人脸年龄特征和人脸质量特征，确定带质量因素注意的年龄特征，再根据带质量因素注意的年龄特征确定人脸图像的年龄，降低了低质量因素对年龄估计的影响，增强对低质量人脸图像的特征提取能力，进而提升低质量人脸图像的年龄估计准确率。此外，通过对人脸质量特征的处理得到人脸图像的质量分数，质量分数可以应用于筛选人脸图像时，对人脸质量要求较高的需求场景中。
如图9所示，于一实施例中，本发明的应用于人脸图像的年龄估计装置包括：
第一处理模块91，用于基于待估计年龄的人脸图像，应用卷积神经网络模型，确定所述人脸图像对应的共享特征图；
第二处理模块92，用于基于所述共享特征图、第一特征提取模型以及第二特征提取模型，确定人脸年龄特征和人脸质量特征；
第一确定模块93，用于基于所述人脸年龄特征和所述人脸质量特征，确定带质量因素注意的年龄特征；
第二确定模块94，用于基于所述带质量因素注意的年龄特征，确定所述人脸图像的年龄。
其中，第一确定模块93，具体用于：对所述人脸质量特征进行第一全连接层和第一激活函数的处理；再与所述人脸年龄特征结合，确定所述带质量因素注意的年龄特征。
第二确定模块94，具体用于：对所述带质量因素注意的年龄特征进行第二全连接层和第二激活函数的处理，确定所述人脸图像的年龄。
本实施例的应用于人脸图像的年龄估计装置具体实现的技术特征与实施例1中应用于人脸图像的年龄估计方法中的各步骤的原理基本相同，方法和装置之间可以通用的技术内容不作重复赘述。
本发明的存储介质上存储有计算机程序，该程序被处理器执行时实现上述的应用于人脸图像的年龄估计方法。
如图10所示，于一实施例中，本发明的年龄估计系统包括：处理器101及存储器102。
所述存储器102用于存储计算机程序。
所述存储器102包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器101与所述存储器102相连，用于执行所述存储器102存储的计算机程序，以使所述年龄估计系统执行上述的应用于人脸图像的年龄估计方法。
优选地，上述的处理器101可以是通用处理器，包括中央处理器(CentralProcessing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field－ProgrammableGate 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。
综上所述，本发明的应用于人脸图像的年龄估计方法、装置、系统及存储介质，能够提高低质量人脸图像的年龄估计的准确率；有助于建立更精确的顾客画像数据，提升人脸图像的年龄估计的整体识别精度。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种应用于人脸图像的年龄估计方法，其特征在于，所述年龄估计方法包括以下步骤：
基于待估计年龄的人脸图像，应用卷积神经网络模型，确定所述人脸图像对应的共享特征图；
基于所述共享特征图、第一特征提取模型以及第二特征提取模型，确定人脸年龄特征和人脸质量特征；
基于所述人脸年龄特征和所述人脸质量特征，确定带质量因素注意的年龄特征；
基于所述带质量因素注意的年龄特征，确定所述人脸图像的年龄。
2.根据权利要求1所述的方法，其特征在于，所述基于所述人脸年龄特征和所述人脸质量特征，确定带质量因素注意的年龄特征，包括：
对所述人脸质量特征进行第一全连接层和第一激活函数的处理；再与所述人脸年龄特征结合，确定所述带质量因素注意的年龄特征。
3.根据权利要求2所述的方法，其特征在于，所述基于所述带质量因素注意的年龄特征，确定所述人脸图像的年龄，包括：
对所述带质量因素注意的年龄特征进行第二全连接层和第二激活函数的处理，确定所述人脸图像的年龄。
4.根据权利要求1所述的方法，其特征在于，所述第一特征提取模型经第一损失函数训练得到，其中，所述第一损失函数的表达式为：
其中，lossage为所述第一损失函数，i为年龄类别序号；c为年龄类别总个数；xi为基于所述第一特征提取模型得到的第i类别年龄的概率分布值；yi为第i类别对应的真实年龄标签；
所述第二特征提取模型经第二损失函数训练得到，其中，所述第二损失函数的表达式为：
lossquality＝|qlabel-qpred|
其中，lossquality为所述第二损失函数，qpred为基于所述第二特征提取模型得到的第一人脸图像的人脸质量分数；qlabel为预设的第一人脸图像的真实质量分数；所述第一人脸图像为预设的人脸图像训练集中的任一人脸图像。
5.根据权利要求4所述的方法，其特征在于，所述第一损失函数和所述第二损失函数的综合损失函数的表达式为：
losstotal＝αlossage+βlossquality
其中，losstotal为所述综合损失函数；α为第一损失函数的权重，表达式为：
β为第二损失函数的权重，表达式为：
参数lossarg的表达式为：
6.一种应用于人脸图像的年龄估计装置，其特征在于，包括：
第一处理模块，用于基于待估计年龄的人脸图像，应用卷积神经网络模型，确定所述人脸图像对应的共享特征图；
第二处理模块，用于基于所述共享特征图、第一特征提取模型以及第二特征提取模型，确定人脸年龄特征和人脸质量特征；
第一确定模块，用于基于所述人脸年龄特征和所述人脸质量特征，确定带质量因素注意的年龄特征；
第二确定模块，用于基于所述带质量因素注意的年龄特征，确定所述人脸图像的年龄。
7.根据权利要求6所述的装置，其特征在于，所述第一确定模块，具体用于：
对所述人脸质量特征进行第一全连接层和第一激活函数的处理；再与所述人脸年龄特征结合，确定所述带质量因素注意的年龄特征。
8.根据权利要求7所述的装置，其特征在于，所述第二确定模块，具体用于：
对所述带质量因素注意的年龄特征进行第二全连接层和第二激活函数的处理，确定所述人脸图像的年龄。
9.一种存储介质，存储有程序指令，其中，所述程序指令被执行时实现如权利要求1至权利要求5任一项所述的应用于人脸图像的年龄估计方法的步骤。
10.一种年龄估计系统，其特征在于：包括存储器，用于存储计算机程序；处理器，用于运行所述计算机程序以实现如权利要求1至权利要求5任一权利要求所述的应用于人脸图像的年龄估计方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111075968.7A CN113837043B (zh) | 2021-09-14 | 2021-09-14 | 应用于人脸图像的年龄估计方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111075968.7A CN113837043B (zh) | 2021-09-14 | 2021-09-14 | 应用于人脸图像的年龄估计方法、装置、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113837043A CN113837043A (zh) | 2021-12-24 |
| CN113837043B true CN113837043B (zh) | 2023-11-21 |
Family
ID=78959278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111075968.7A Active CN113837043B (zh) | 2021-09-14 | 2021-09-14 | 应用于人脸图像的年龄估计方法、装置、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113837043B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190449A (zh) * | 2018-07-09 | 2019-01-11 | 北京达佳互联信息技术有限公司 | 年龄识别方法、装置、电子设备及存储介质 |
| WO2019085338A1 (zh) * | 2017-11-01 | 2019-05-09 | 平安科技（深圳）有限公司 | 电子装置、基于图像的年龄分类方法、系统及存储介质 |
| CN109993150A (zh) * | 2019-04-15 | 2019-07-09 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
| WO2020104542A1 (en) * | 2018-11-21 | 2020-05-28 | Yoti Holding Limited | Age estimation |
| CN111832354A (zh) * | 2019-04-19 | 2020-10-27 | 北京字节跳动网络技术有限公司 | 目标对象年龄识别方法、装置及电子设备 |
| CN111967383A (zh) * | 2020-08-14 | 2020-11-20 | 北京金山云网络技术有限公司 | 年龄估计方法、年龄估计模型的训练方法和装置 |
-
2021
- 2021-09-14 CN CN202111075968.7A patent/CN113837043B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019085338A1 (zh) * | 2017-11-01 | 2019-05-09 | 平安科技（深圳）有限公司 | 电子装置、基于图像的年龄分类方法、系统及存储介质 |
| CN109190449A (zh) * | 2018-07-09 | 2019-01-11 | 北京达佳互联信息技术有限公司 | 年龄识别方法、装置、电子设备及存储介质 |
| WO2020104542A1 (en) * | 2018-11-21 | 2020-05-28 | Yoti Holding Limited | Age estimation |
| CN109993150A (zh) * | 2019-04-15 | 2019-07-09 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
| CN111832354A (zh) * | 2019-04-19 | 2020-10-27 | 北京字节跳动网络技术有限公司 | 目标对象年龄识别方法、装置及电子设备 |
| CN111967383A (zh) * | 2020-08-14 | 2020-11-20 | 北京金山云网络技术有限公司 | 年龄估计方法、年龄估计模型的训练方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 人脸图像的年龄估计技术研究;王先梅;梁玲燕;王志良;胡四泉;;中国图象图形学报(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113837043A (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220092351A1 (en) | Image classification method, neural network training method, and apparatus | |
| CN108510012B (zh) | 一种基于多尺度特征图的目标快速检测方法 | |
| CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
| CN109002766B (zh) | 一种表情识别方法及装置 | |
| CN104298682B (zh) | 一种基于人脸表情图像的信息推荐效果的评价方法及手机 | |
| US9875294B2 (en) | Method and apparatus for classifying object based on social networking service, and storage medium | |
| CN108830237B (zh) | 一种人脸表情的识别方法 | |
| CN113159147A (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
| CN110321805B (zh) | 一种基于时序关系推理的动态表情识别方法 | |
| CN110738102A (zh) | 一种人脸识别方法及系统 | |
| CN111523421A (zh) | 基于深度学习融合各种交互信息的多人行为检测方法及系统 | |
| CN115966010A (zh) | 一种基于注意力和多尺度特征融合的表情识别方法 | |
| CN111382616A (zh) | 视频分类方法、装置及存储介质、计算机设备 | |
| CN110809768B (zh) | 数据清洗系统和方法 | |
| CN116012353A (zh) | 一种基于图卷积神经网络的数字病理组织图像识别方法 | |
| CN112487284A (zh) | 银行客户画像生成方法、设备、存储介质及装置 | |
| Niu et al. | Region-aware image denoising by exploring parameter preference | |
| CN111506798A (zh) | 用户筛选方法、装置、设备及存储介质 | |
| CN113837043B (zh) | 应用于人脸图像的年龄估计方法、装置、系统及存储介质 | |
| CN115828175A (zh) | 一种用于更新深度回归林叶节点的重采样方法 | |
| CN115661618A (zh) | 图像质量评估模型的训练方法、图像质量评估方法及装置 | |
| CN115375663A (zh) | 基于深度互学习和双尺度特征融合的图像质量评价方法 | |
| CN115116090A (zh) | 一种行人重识别方法、系统及存储介质 | |
| CN113780335A (zh) | 一种小样本商品图像分类方法、装置、设备及存储介质 | |
| CN112801220A (zh) | 一种农产品品质分类方法、装置、计算机设备和存储介质 |
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 | ||
| CB02 | Change of applicant information |
Address after: 201203 No. 6, Lane 55, Chuanhe Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Applicant after: Winner Technology Co.,Ltd. Address before: 201505 Room 216, 333 Tingfeng Highway, Tinglin Town, Jinshan District, Shanghai Applicant before: Winner Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |