CN115359546B - 基于面部识别的人类年龄识别方法及系统 - Google Patents

基于面部识别的人类年龄识别方法及系统 Download PDF

Info

Publication number
CN115359546B
CN115359546B CN202211290114.5A CN202211290114A CN115359546B CN 115359546 B CN115359546 B CN 115359546B CN 202211290114 A CN202211290114 A CN 202211290114A CN 115359546 B CN115359546 B CN 115359546B
Authority
CN
China
Prior art keywords
age
wrinkle
gray
human
unit
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
Application number
CN202211290114.5A
Other languages
English (en)
Other versions
CN115359546A (zh
Inventor
陈莉明
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.)
Leshan Normal University
Original Assignee
Leshan Normal University
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 Leshan Normal University filed Critical Leshan Normal University
Priority to CN202211290114.5A priority Critical patent/CN115359546B/zh
Publication of CN115359546A publication Critical patent/CN115359546A/zh
Application granted granted Critical
Publication of CN115359546B publication Critical patent/CN115359546B/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
    • G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of 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
    • G06V40/168—Feature extraction; Face representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于面部识别的人类年龄识别方法及系统，属于图像处理技术领域，包括以下步骤：S1、采集人脸图像，提取人脸轮廓皱纹数据；S2、采用人脸轮廓皱纹数据训练年龄识别模型；S3、采用训练后的年龄识别模型对待识别的人脸轮廓皱纹数据进行识别，得到人类年龄；本发明解决了现有采用卷积神经网络的人脸图像的年龄识别方法存在模型复杂，而基于SVM分类的人脸图像的年龄识别方法仅能给出年龄的区间范围的问题。

Description

基于面部识别的人类年龄识别方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于面部识别的人类年龄识别方法及系统。
背景技术
人脸图像的年龄识别是指通过人脸图像估计出该对象的真实年龄或者表观年龄。研究年龄估计的主要目的是找出人脸外观的图像变化以便准确估计实际年龄或者表观年龄。能准确的估计实际年龄或者表观年龄，能更好进行业务推送和维护客户关系。不同的客户群体有着不同的消费习惯、偏好和对营销的期望，可以使用自动年龄估计来监测市场趋势，并定制其产品和服务，以满足不同年龄组客户的需求和偏好。
现有人脸图像的年龄识别方法主要是采用卷积神经网络或者SVM分类方法，卷积神经网络的神经网络模型复杂，而SVM分类方法仅能给出年龄的区间范围。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于面部识别的人类年龄识别方法及系统解决了现有采用卷积神经网络的人脸图像的年龄识别方法存在模型复杂，而基于SVM分类的人脸图像的年龄识别方法仅能给出年龄的区间范围的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于面部识别的人类年龄识别方法，包括以下步骤：
S1、采集人脸图像，提取人脸轮廓皱纹数据；
S2、采用人脸轮廓皱纹数据训练年龄识别模型；
S3、采用训练后的年龄识别模型对待识别的人脸轮廓皱纹数据进行识别，得到人类年龄。
进一步地，所述S1包括以下分步骤：
S11、对人脸图像进行灰度变换，得到灰度图；
S12、对灰度图进行滤波，得到滤波图；
S13、对滤波图进行灰度值增强处理，得到增强灰度值；
S14、选取一像素点；
S15、计算像素点的增强灰度值与邻近的像素点的增强灰度值的差值；
S16、判断是否存在差值大于边界阈值的像素点，若是，则记该像素点为边界点，并跳转至步骤S17，若否，则标记为非边界点，并跳转至步骤S18；
S17、从边界点邻域内选取下一像素点，并跳转至步骤S15，直到边界点邻域内的像素点遍历完；
S18、从非边界点的邻域外找到下一像素点，并跳转至步骤S15，直到非边界点的邻域外的像素点遍历完；
S19、提取所有边界点，得到人脸轮廓皱纹数据。
上述进一步方案的有益效果为：将灰度图滤波处理，排除其中的杂点，防止后续在寻找边界点时，影响边界点的判断，对滤波图进行灰度值增强处理，使得后续在寻找边界点时，特征更突出。通过计算像素点的增强灰度值与邻近的像素点的增强灰度值的差值，确定该像素点是否是位于边界上，若是，从边界附近再找下一边界点，精准找到整条边界点，若否，则说明该点不是边界点，那么其邻域内存在边界点的可能性非常小，则跳出非边界点的邻域，从非边界点的邻域外去寻找边界点，一方面能节省计算量，加快迭代速度，另一方面通过非边界点的邻域外逐步寻找边界点，并从边界点寻找其邻域中下一边界点的方式，能找到所有的边界点。
进一步地，所述S12中包括以下分步骤：
S121、从灰度图上取一像素点；
S122、判断该像素点与其邻近8个像素点是否均不同，若是，则采用其邻近8个像素点的灰度均值对该像素点的灰度进行赋值，并跳转至步骤S125，若否，跳转至步骤S123；
S123、根据邻近8个像素点的灰度均值和该像素点的灰度值，得到绝对差值；
S124、判断绝对差值是否大于灰度阈值，若是，则采用其邻近8个像素点的灰度均值对该像素点的灰度进行赋值，并跳转至步骤S125，若否，则直接跳转至步骤S125；
S125、判断灰度图上是否存在未被选取过的像素点，若是，从灰度图上取未被选取过的像素点，并跳转至步骤S122，若否，则结束分步骤。
上述进一步方案的有益效果为：其中一个像素点与其周围邻近的8个像素点灰度的均值相差太大，则其为噪点，若其中一个像素点与邻近的8个像素点的灰度值均不同，其可能为噪点或正常像素点，采用邻近8个像素点的灰度均值对该像素点的灰度进行赋值的方式，排除噪点的可能，避免对后续找寻边界点的影响。
进一步地，所述S13中增强处理的公式为：
Figure 19680DEST_PATH_IMAGE001
其中，
Figure 264717DEST_PATH_IMAGE002
为增强灰度值，
Figure 402044DEST_PATH_IMAGE003
为滤波图中最小灰度值，
Figure 62832DEST_PATH_IMAGE004
为滤波图中最大灰 度值，
Figure 798576DEST_PATH_IMAGE005
为白色灰度值，
Figure 388082DEST_PATH_IMAGE006
为黑色灰度值，
Figure 514170DEST_PATH_IMAGE007
为待增强灰度值。
上述进一步方案的有益效果为：通过对滤波图中所有灰度值进行增强处理，使得后续边界点特征更显著。
进一步地，所述S2中年龄识别模型包括：数据连接单元、皱纹分区单元、像素点统计单元、人脸轮廓权重单元、抬头纹权重单元、眼纹权重单元、法令纹权重单元、眉间纹权重单元、特征融合单元和年龄预测单元；
所述数据连接单元的输入端作为年龄识别模型的输入端，其输出端与皱纹分区单元的输入端连接；所述像素点统计单元的输入端与皱纹分区单元的输出端连接，其输出端分别与人脸轮廓权重单元的输入端、抬头纹权重单元的输入端、眼纹权重单元的输入端、法令纹权重单元的输入端和眉间纹权重单元的输入端连接；所述特征融合单元的输入端分别与人脸轮廓权重单元的输出端、抬头纹权重单元的输出端、眼纹权重单元的输出端、法令纹权重单元的输出端和眉间纹权重单元的输出端连接，其输出端与年龄预测单元的输入端连接；所述年龄预测单元的输出端作为年龄识别模型的输出端。
进一步地，所述S2包括以下分步骤：
S21、将位置上连续的人脸轮廓皱纹数据进行连接，得到人脸轮廓和多条皱纹纹路；
S22、根据皱纹纹路的位置，得到皱纹纹路的分布区域；
S23、统计人脸轮廓和每条皱纹纹路所具有的像素点，得到人脸轮廓的像素点数和每个分布区域的皱纹像素点数；
S24、对人脸轮廓的像素点数和每个分布区域的皱纹像素点数赋予权重；
S25、将赋予权重后的像素点数进行特征融合，得到融合特征；
S26、根据融合特征，预测人类年龄；
S27、根据预测的人类年龄，构建损失函数；
S28、根据损失函数，对权重进行更新，并跳转至步骤S24，直到损失函数的损失值小于损失阈值，年龄识别模型训练完成。
上述进一步方案的有益效果为：本发明通过对皱纹纹路进行分区，确定其属于具体的皱纹类型，对每种皱纹类型统计其所具有的像素点，皱纹所对应的像素点越多，皱纹越多，越能体现人类的真实年龄或者表观年龄。
进一步地，所述S28中对权重进行更新的公式为：
Figure 978650DEST_PATH_IMAGE008
Figure 709845DEST_PATH_IMAGE009
或
Figure 60799DEST_PATH_IMAGE010
其中，
Figure 143024DEST_PATH_IMAGE011
为第
Figure 739091DEST_PATH_IMAGE012
次迭代的权重，
Figure 29520DEST_PATH_IMAGE013
为第
Figure 318419DEST_PATH_IMAGE014
次迭代的权重，
Figure 825624DEST_PATH_IMAGE015
为第
Figure 163064DEST_PATH_IMAGE016
次迭代的 学习率，
Figure 164125DEST_PATH_IMAGE017
为第
Figure 827187DEST_PATH_IMAGE018
次迭代的损失函数，
Figure 415163DEST_PATH_IMAGE019
为第
Figure 261022DEST_PATH_IMAGE020
次迭代的学习率，
Figure 618054DEST_PATH_IMAGE021
为第
Figure 655280DEST_PATH_IMAGE020
次迭 代的损失函数。
上述进一步方案的有益效果为：在学习率下降前期，损失函数下降程度较大，
Figure 668235DEST_PATH_IMAGE022
得到的差值较大，学习率会自适应的增大，有效提升前期收敛速度，后期，
Figure 931768DEST_PATH_IMAGE022
得到 的差值较小，使得学习率自适应的减小，权重变化较慢，随着
Figure 549831DEST_PATH_IMAGE022
等于0，权重按固定步长 减少，解决前期收敛速度慢，且后期步长过大的问题。
进一步地，所述S22包括以下分步骤：
S221、从人脸轮廓中找到所有闭合轮廓；
S222、计算闭合轮廓的面积；
S223、排除低于下限面积阈值的闭合轮廓和高于上限面积阈值的闭合轮廓，得到待定轮廓；
S224、将所有待定轮廓的面积两两相减，找到面积差值小于面积差阈值，且不相邻的两待定轮廓，作为眼睛轮廓；
S225、根据眼睛轮廓，得到坐标原点的位置，建立人脸坐标系；
S226、根据人脸坐标系，基于皱纹纹路的位置，得到皱纹纹路的分布区域。
上述进一步方案的有益效果为：人脸型的外部轮廓、鼻子轮廓和眼睛轮廓在面积上都有较大的区别，因此可以通过计算面积，找到面积相近且不相邻的轮廓作为眼睛轮廓，找到眼睛后，确定人脸坐标系的原点，从而确定皱纹纹路分布的位置。
一种基于面部识别的人类年龄识别方法的系统，包括：人脸轮廓皱纹数据采集提取子系统、年龄识别模型训练子系统和年龄预测子系统；
所述人脸轮廓皱纹数据采集提取子系统用于采集人脸图像，提取人脸轮廓皱纹数据；
所述年龄识别模型训练子系统用于采用人脸轮廓皱纹数据训练年龄识别模型；
所述年龄预测子系统用于采用训练后的年龄识别模型对待识别的人脸轮廓皱纹数据进行识别，得到人类年龄。
本发明的有益效果为：本发明通过采集人脸图像，提取人脸轮廓皱纹数据，通过人脸轮廓确定皱纹的分布，并根据皱纹的像素点数和人脸轮廓的像素点数确定人的年龄，皱纹的像素点数和人脸轮廓的像素点数越多，年龄越大，相比于卷积神经网络庞大的结构，本发明设计的年龄识别模型结构简单，计算量低，且能得到具体的年龄值。
附图说明
图1为一种基于面部识别的人类年龄识别方法的流程图；
图2为年龄识别模型的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于面部识别的人类年龄识别方法，包括以下步骤：
S1、采集人脸图像，提取人脸轮廓皱纹数据；
在采集人脸图像后，需对人脸图像进行剪裁，保障人脸图像大小一致，再对人脸图像的各个像素点赋予了坐标，命名为图像坐标系，因此后续提取的人脸轮廓皱纹数据包括：图像坐标系上人脸轮廓皱纹的各个像素点的坐标。
所述S1包括以下分步骤：
S11、对人脸图像进行灰度变换，得到灰度图；
S12、对灰度图进行滤波，得到滤波图；
所述S12中包括以下分步骤：
S121、从灰度图上取一像素点；
S122、判断该像素点与其邻近8个像素点是否均不同，若是，则采用其邻近8个像素点的灰度均值对该像素点的灰度进行赋值，并跳转至步骤S125，若否，跳转至步骤S123；
S123、根据邻近8个像素点的灰度均值和该像素点的灰度值，得到绝对差值；
S124、判断绝对差值是否大于灰度阈值，若是，则采用其邻近8个像素点的灰度均值对该像素点的灰度进行赋值，并跳转至步骤S125，若否，则直接跳转至步骤S125；
S125、判断灰度图上是否存在未被选取过的像素点，若是，从灰度图上取未被选取过的像素点，并跳转至步骤S122，若否，则结束分步骤。
绝对差值为邻近8个像素点的灰度均值和该像素点的灰度值两者间的差值。
S13、对滤波图进行灰度值增强处理，得到增强灰度值；
所述S13中增强处理的公式为：
Figure 554696DEST_PATH_IMAGE023
其中，
Figure 618729DEST_PATH_IMAGE024
为增强灰度值，
Figure 898401DEST_PATH_IMAGE025
为滤波图中最小灰度值，
Figure 636550DEST_PATH_IMAGE004
为滤波图中最大灰 度值，
Figure 169906DEST_PATH_IMAGE005
为白色灰度值，
Figure 360716DEST_PATH_IMAGE026
为黑色灰度值，
Figure 647341DEST_PATH_IMAGE007
为待增强灰度值。
S14、选取一像素点；
S15、计算像素点的增强灰度值与邻近的像素点的增强灰度值的差值；
S16、判断是否存在差值大于边界阈值的像素点，若是，则记该像素点为边界点，并跳转至步骤S17，若否，则标记为非边界点，并跳转至步骤S18；
S17、从边界点邻域内选取下一像素点，并跳转至步骤S15，直到边界点邻域内的像素点遍历完；
S18、从非边界点的邻域外找到下一像素点，并跳转至步骤S15，直到非边界点的邻域外的像素点遍历完；
S19、提取所有边界点，得到人脸轮廓皱纹数据。
S2、采用人脸轮廓皱纹数据训练年龄识别模型；
如图2所示，年龄识别模型包括：数据连接单元、皱纹分区单元、像素点统计单元、人脸轮廓权重单元、抬头纹权重单元、眼纹权重单元、法令纹权重单元、眉间纹权重单元、特征融合单元和年龄预测单元；
所述数据连接单元的输入端作为年龄识别模型的输入端，其输出端与皱纹分区单元的输入端连接；所述像素点统计单元的输入端与皱纹分区单元的输出端连接，其输出端分别与人脸轮廓权重单元的输入端、抬头纹权重单元的输入端、眼纹权重单元的输入端、法令纹权重单元的输入端和眉间纹权重单元的输入端连接；所述特征融合单元的输入端分别与人脸轮廓权重单元的输出端、抬头纹权重单元的输出端、眼纹权重单元的输出端、法令纹权重单元的输出端和眉间纹权重单元的输出端连接，其输出端与年龄预测单元的输入端连接；所述年龄预测单元的输出端作为年龄识别模型的输出端。
数据连接单元用于将位置上连续的人脸轮廓皱纹数据进行连接，得到人脸轮廓和多条皱纹纹路；皱纹分区单元用于根据皱纹纹路的位置，得到皱纹纹路的分布区域；像素点统计单元用于统计人脸轮廓和每条皱纹纹路所具有的像素点，得到人脸轮廓的像素点数和每个分布区域的皱纹像素点数；人脸轮廓权重单元用于对人脸轮廓的像素点数赋予权重；抬头纹权重单元用于对额头区的抬头纹的像素点数赋予权重；眼纹权重单元用于对眼角区的眼纹的像素点数赋予权重；法令纹权重单元用于对脸颊区的法令纹的像素点数赋予权重；眉间纹权重单元用于对眉间的皱纹的像素点数赋予权重；特征融合单元用于将赋予权重后的像素点数进行特征融合，得到融合特征；年龄预测单元用于根据融合特征，预测人类年龄。
在本实施例中，特征融合单元可采用最简单的加法方式，将所有赋予权重后的数据进行叠加，得到融合特征。
人脸轮廓权重单元、抬头纹权重单元、眼纹权重单元、法令纹权重单元和眉间纹权重单元的权重可设置为相同或不同，像素点数越多，年龄越大。
所述S2包括以下分步骤：
S21、将位置上连续的人脸轮廓皱纹数据进行连接，得到人脸轮廓和多条皱纹纹路；
在步骤S21中，皱纹纹路为一条一条的纹路，与人脸的轮廓和人脸上的五官存在明显区别，因此，在人脸轮廓皱纹数据连接后（坐标上是连续的），可以较好区分人脸轮廓和多条皱纹纹路。
S22、根据皱纹纹路的位置，得到皱纹纹路的分布区域；
所述S22包括以下分步骤：
S221、从人脸轮廓中找到所有闭合轮廓；
S222、计算闭合轮廓的面积；
S223、排除低于下限面积阈值的闭合轮廓和高于上限面积阈值的闭合轮廓，得到待定轮廓；
S224、将所有待定轮廓的面积两两相减，找到面积差值小于面积差阈值，且不相邻的两待定轮廓，作为眼睛轮廓；
S225、根据眼睛轮廓，得到坐标原点的位置，建立人脸坐标系；
步骤S225中坐标原点的位置的公式为：
Figure 567892DEST_PATH_IMAGE027
Figure 619287DEST_PATH_IMAGE028
其中，
Figure 890868DEST_PATH_IMAGE029
为坐标原点在图像坐标系上的横坐标，
Figure 184447DEST_PATH_IMAGE030
为坐标原点在图像坐标系上的纵 坐标，
Figure 428346DEST_PATH_IMAGE031
为左侧眼睛离右侧眼睛的最近像素点的横坐标，
Figure 241188DEST_PATH_IMAGE032
为右侧眼睛离左侧眼睛的最 近像素点的横坐标，
Figure 203328DEST_PATH_IMAGE033
为左侧眼睛离右侧眼睛的最远像素点的横坐标，
Figure 831755DEST_PATH_IMAGE034
为右侧眼睛 离左侧眼睛的最远像素点的横坐标，
Figure 697205DEST_PATH_IMAGE035
为左侧眼睛的中心横坐标，
Figure 867899DEST_PATH_IMAGE036
为右侧眼睛的中 心横坐标，
Figure 379652DEST_PATH_IMAGE037
左侧眼睛离右侧眼睛的最近像素点的纵坐标，
Figure 172290DEST_PATH_IMAGE038
为右侧眼睛离左侧眼睛的 最近像素点的纵坐标，
Figure 328464DEST_PATH_IMAGE039
为左侧眼睛离右侧眼睛的最远像素点的纵坐标，
Figure 187836DEST_PATH_IMAGE040
为右侧眼睛 离左侧眼睛的最远像素点的纵坐标，
Figure 419841DEST_PATH_IMAGE041
为左侧眼睛的中心纵坐标，
Figure 717967DEST_PATH_IMAGE042
为右侧眼睛的中 心纵坐标，
Figure 292430DEST_PATH_IMAGE043
为比例系数。在本实施例中，左和右是相对的。
S226、根据人脸坐标系，基于皱纹纹路的位置，得到皱纹纹路的分布区域。
在确定人脸坐标系的坐标原点的位置后，将图像坐标系上所有像素点横坐标平移
Figure 119441DEST_PATH_IMAGE044
，纵坐标平移
Figure 481152DEST_PATH_IMAGE045
，实现人脸摆正，找到皱纹纹路的位置的所在区域。
S23、统计人脸轮廓和每条皱纹纹路所具有的像素点，得到人脸轮廓的像素点数和每个分布区域的皱纹像素点数；
S24、对人脸轮廓的像素点数和每个分布区域的皱纹像素点数赋予权重；
S25、将赋予权重后的像素点数进行特征融合，得到融合特征；
S26、根据融合特征，预测人类年龄；
S27、根据预测的人类年龄，构建损失函数；
S28、根据损失函数，对权重进行更新，并跳转至步骤S24，直到损失函数的损失值小于损失阈值，年龄识别模型训练完成。
所述S28中对权重进行更新的公式为：
Figure 612663DEST_PATH_IMAGE046
Figure 743430DEST_PATH_IMAGE047
或
Figure 944604DEST_PATH_IMAGE048
其中，
Figure 590349DEST_PATH_IMAGE011
为第
Figure 403846DEST_PATH_IMAGE012
次迭代的权重，
Figure 248174DEST_PATH_IMAGE013
为第
Figure 823512DEST_PATH_IMAGE014
次迭代的权重，
Figure 314143DEST_PATH_IMAGE015
为第
Figure 633129DEST_PATH_IMAGE016
次迭代的 学习率，
Figure 535226DEST_PATH_IMAGE049
为第
Figure 78203DEST_PATH_IMAGE050
次迭代的损失函数，
Figure 793480DEST_PATH_IMAGE019
为第
Figure 336063DEST_PATH_IMAGE051
次迭代的学习率，
Figure 295929DEST_PATH_IMAGE021
为第
Figure 72124DEST_PATH_IMAGE051
次迭 代的损失函数。
S3、采用训练后的年龄识别模型对待识别的人脸轮廓皱纹数据进行识别，得到人类年龄。
一种基于面部识别的人类年龄识别方法的系统，包括：人脸轮廓皱纹数据采集提取子系统、年龄识别模型训练子系统和年龄预测子系统；
所述人脸轮廓皱纹数据采集提取子系统用于采集人脸图像，提取人脸轮廓皱纹数据；所述年龄识别模型训练子系统用于采用人脸轮廓皱纹数据训练年龄识别模型；所述年龄预测子系统用于采用训练后的年龄识别模型对待识别的人脸轮廓皱纹数据进行识别，得到人类年龄。

Claims (6)

1.一种基于面部识别的人类年龄识别方法，其特征在于，包括以下步骤：
S1、采集人脸图像，提取人脸轮廓皱纹数据；
S2、采用人脸轮廓皱纹数据训练年龄识别模型；
所述S2中年龄识别模型包括：数据连接单元、皱纹分区单元、像素点统计单元、人脸轮廓权重单元、抬头纹权重单元、眼纹权重单元、法令纹权重单元、眉间纹权重单元、特征融合单元和年龄预测单元；
所述数据连接单元的输入端作为年龄识别模型的输入端，其输出端与皱纹分区单元的输入端连接；所述像素点统计单元的输入端与皱纹分区单元的输出端连接，其输出端分别与人脸轮廓权重单元的输入端、抬头纹权重单元的输入端、眼纹权重单元的输入端、法令纹权重单元的输入端和眉间纹权重单元的输入端连接；所述特征融合单元的输入端分别与人脸轮廓权重单元的输出端、抬头纹权重单元的输出端、眼纹权重单元的输出端、法令纹权重单元的输出端和眉间纹权重单元的输出端连接，其输出端与年龄预测单元的输入端连接；所述年龄预测单元的输出端作为年龄识别模型的输出端；
所述S2包括以下分步骤：
S21、将位置上连续的人脸轮廓皱纹数据进行连接，得到人脸轮廓和多条皱纹纹路；
S22、根据皱纹纹路的位置，得到皱纹纹路的分布区域；
所述S22包括以下分步骤：
S221、从人脸轮廓中找到所有闭合轮廓；
S222、计算闭合轮廓的面积；
S223、排除低于下限面积阈值的闭合轮廓和高于上限面积阈值的闭合轮廓，得到待定轮廓；
S224、将所有待定轮廓的面积两两相减，找到面积差值小于面积差阈值，且不相邻的两待定轮廓，作为眼睛轮廓；
S225、根据眼睛轮廓，得到坐标原点的位置，建立人脸坐标系；
S226、根据人脸坐标系，基于皱纹纹路的位置，得到皱纹纹路的分布区域；
S23、统计人脸轮廓和每条皱纹纹路所具有的像素点，得到人脸轮廓的像素点数和每个分布区域的皱纹像素点数；
S24、对人脸轮廓的像素点数和每个分布区域的皱纹像素点数赋予权重；
S25、将赋予权重后的像素点数进行特征融合，得到融合特征；
S26、根据融合特征，预测人类年龄；
S27、根据预测的人类年龄，构建损失函数；
S28、根据损失函数，对权重进行更新，并跳转至步骤S24，直到损失函数的损失值小于损失阈值，年龄识别模型训练完成；
S3、采用训练后的年龄识别模型对待识别的人脸轮廓皱纹数据进行识别，得到人类年龄。
2.根据权利要求1所述的基于面部识别的人类年龄识别方法，其特征在于，所述S1包括以下分步骤：
S11、对人脸图像进行灰度变换，得到灰度图；
S12、对灰度图进行滤波，得到滤波图；
S13、对滤波图进行灰度值增强处理，得到增强灰度值；
S14、选取一像素点；
S15、计算像素点的增强灰度值与邻近的像素点的增强灰度值的差值；
S16、判断是否存在差值大于边界阈值的像素点，若是，则记该像素点为边界点，并跳转至步骤S17，若否，则标记为非边界点，并跳转至步骤S18；
S17、从边界点邻域内选取下一像素点，并跳转至步骤S15，直到边界点邻域内的像素点遍历完；
S18、从非边界点的邻域外找到下一像素点，并跳转至步骤S15，直到非边界点的邻域外的像素点遍历完；
S19、提取所有边界点，得到人脸轮廓皱纹数据。
3.根据权利要求2所述的基于面部识别的人类年龄识别方法，其特征在于，所述S12中包括以下分步骤：
S121、从灰度图上取一像素点；
S122、判断该像素点与其邻近8个像素点是否均不同，若是，则采用其邻近8个像素点的灰度均值对该像素点的灰度进行赋值，并跳转至步骤S125，若否，跳转至步骤S123；
S123、根据邻近8个像素点的灰度均值和该像素点的灰度值，得到绝对差值；
S124、判断绝对差值是否大于灰度阈值，若是，则采用其邻近8个像素点的灰度均值对该像素点的灰度进行赋值，并跳转至步骤S125，若否，则直接跳转至步骤S125；
S125、判断灰度图上是否存在未被选取过的像素点，若是，从灰度图上取未被选取过的像素点，并跳转至步骤S122，若否，则结束分步骤，赋值后的灰度图为滤波图。
4.根据权利要求2所述的基于面部识别的人类年龄识别方法，其特征在于，所述S13中增强处理的公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为增强灰度值，
Figure DEST_PATH_IMAGE006
为滤波图中最小灰度值，
Figure DEST_PATH_IMAGE008
为滤波图中最大灰度值，
Figure DEST_PATH_IMAGE010
为白色灰度值，
Figure DEST_PATH_IMAGE012
为黑色灰度值，
Figure DEST_PATH_IMAGE014
为待增强灰度值。
5.根据权利要求1所述的基于面部识别的人类年龄识别方法，其特征在于，所述S28中对权重进行更新的公式为：
Figure DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE018
或
Figure DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE022
为第
Figure DEST_PATH_IMAGE024
次迭代的权重，
Figure DEST_PATH_IMAGE026
为第
Figure DEST_PATH_IMAGE028
次迭代的权重，
Figure DEST_PATH_IMAGE030
为第
Figure DEST_PATH_IMAGE032
次迭代的学习率，
Figure DEST_PATH_IMAGE034
为第
Figure DEST_PATH_IMAGE028A
次迭代的损失函数，
Figure DEST_PATH_IMAGE036
为第
Figure DEST_PATH_IMAGE038
次迭代的学习率，
Figure DEST_PATH_IMAGE040
为第
Figure DEST_PATH_IMAGE041
次迭代的损失函数。
6.一种根据权利要求1~5任一项所述的基于面部识别的人类年龄识别方法的系统，其特征在于，包括：人脸轮廓皱纹数据采集提取子系统、年龄识别模型训练子系统和年龄预测子系统；
所述人脸轮廓皱纹数据采集提取子系统用于采集人脸图像，提取人脸轮廓皱纹数据；
所述年龄识别模型训练子系统用于采用人脸轮廓皱纹数据训练年龄识别模型；
所述年龄预测子系统用于采用训练后的年龄识别模型对待识别的人脸轮廓皱纹数据进行识别，得到人类年龄。
CN202211290114.5A 2022-10-21 2022-10-21 基于面部识别的人类年龄识别方法及系统 Active CN115359546B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211290114.5A CN115359546B (zh) 2022-10-21 2022-10-21 基于面部识别的人类年龄识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211290114.5A CN115359546B (zh) 2022-10-21 2022-10-21 基于面部识别的人类年龄识别方法及系统

Publications (2)

Publication Number Publication Date
CN115359546A CN115359546A (zh) 2022-11-18
CN115359546B true CN115359546B (zh) 2023-01-20

Family

ID=84008915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211290114.5A Active CN115359546B (zh) 2022-10-21 2022-10-21 基于面部识别的人类年龄识别方法及系统

Country Status (1)

Country Link
CN (1) CN115359546B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101877054A (zh) * 2009-11-23 2010-11-03 北京中星微电子有限公司 一种针对人脸图像的年龄判别方法和装置
CN104504376A (zh) * 2014-12-22 2015-04-08 厦门美图之家科技有限公司 一种人脸图像的年龄分类方法和系统
CN106529378A (zh) * 2015-09-15 2017-03-22 中国科学院声学研究所 一种亚裔人脸的年龄特征模型生成方法及年龄估计方法
CN112115859A (zh) * 2020-09-18 2020-12-22 深圳市迈航信息技术有限公司 智慧图书馆的管理方法、装置、系统以及可读存储介质
CN112307894A (zh) * 2020-09-27 2021-02-02 青岛邃智信息科技有限公司 一种社区监控场景下基于皱纹特征和姿态特征的行人年龄识别方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3503023B1 (en) * 2017-12-22 2022-11-23 Chanel Parfums Beauté Improved age modelling method
CN110110663A (zh) * 2019-05-07 2019-08-09 江苏新亿迪智能科技有限公司 一种基于人脸属性的年龄识别方法及系统
CN111709305B (zh) * 2020-05-22 2023-08-11 东南大学 一种基于局部图像块的人脸年龄识别方法
CN112560823B (zh) * 2021-02-23 2021-06-08 中国科学院自动化研究所 基于分布学习的自适应方差和权重的人脸年龄估计方法
CN114267060A (zh) * 2021-11-19 2022-04-01 哈尔滨工业大学（深圳） 基于不确定抑制网络模型的人脸年龄识别方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101877054A (zh) * 2009-11-23 2010-11-03 北京中星微电子有限公司 一种针对人脸图像的年龄判别方法和装置
CN104504376A (zh) * 2014-12-22 2015-04-08 厦门美图之家科技有限公司 一种人脸图像的年龄分类方法和系统
CN106529378A (zh) * 2015-09-15 2017-03-22 中国科学院声学研究所 一种亚裔人脸的年龄特征模型生成方法及年龄估计方法
CN112115859A (zh) * 2020-09-18 2020-12-22 深圳市迈航信息技术有限公司 智慧图书馆的管理方法、装置、系统以及可读存储介质
CN112307894A (zh) * 2020-09-27 2021-02-02 青岛邃智信息科技有限公司 一种社区监控场景下基于皱纹特征和姿态特征的行人年龄识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Accurate Wrinkle Representation Scheme for Skin Age ，Estimation;Young-Hwan Choi 等;《2011 Fifth FTRA International Conference on Multimedia and Ubiquitous Engineering》;20110818;第226-231页 *
Choon-Ching Ng 等.Will Wrinkle Estimate the Face Age?.《2015 IEEE International Conference on Systems, Man, and Cybernetics》.2016,第2418-2423页. *
Will Wrinkle Estimate the Face Age?;Choon-Ching Ng 等;《2015 IEEE International Conference on Systems, Man, and Cybernetics》;20160114;第2418-2423页第II-V节 *
一种基于梯度极值的边缘检测算法;苑玮琦等;《信息与控制》;19970423(第02期);第117-120页第3节 *
改进的图像序列运动目标检测与跟踪算法;陈云丽;《中国优秀硕士学位论文全文数据库信息科技辑》;20170215;第I138-2796页 *
融合人脸几何和皱纹信息的年龄分组;郝宁波等;《计算机工程与设计》;20161016(第10期);第2798-2803页 *

Also Published As

Publication number Publication date
CN115359546A (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN110363182B (zh) 基于深度学习的车道线检测方法
CN103839250B (zh) 用于面部图像处理的方法和设备
CN107808132A (zh) 一种融合主题模型的场景图像分类方法
CN108268859A (zh) 一种基于深度学习的人脸表情识别方法
CN111582086A (zh) 基于多特征的疲劳驾驶识别方法及系统
CN112950477B (zh) 一种基于双路径处理的高分辨率显著性目标检测方法
CN101359365A (zh) 一种基于最大类间方差和灰度信息的虹膜定位方法
CN109815864B (zh) 一种基于迁移学习的人脸图像年龄识别方法
CN104008364B (zh) 人脸识别方法
CN102324025A (zh) 基于高斯肤色模型和特征分析的人脸检测与跟踪方法
CN106056064A (zh) 一种人脸识别方法及人脸识别装置
CN110705468B (zh) 基于图像分析的眼动范围识别方法和系统
CN106503644B (zh) 基于边缘投影及颜色特征的眼镜属性检测方法
CN110298297A (zh) 火焰识别方法和装置
CN109063619A (zh) 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统
CN113449606B (zh) 一种目标对象识别方法、装置、计算机设备及存储介质
CN110889332A (zh) 一种基于面试中微表情的说谎检测方法
CN110728185B (zh) 一种判别驾驶人存在手持手机通话行为的检测方法
CN112329683A (zh) 一种基于注意力机制融合的多通道卷积神经网络人脸表情识别方法
CN110245620B (zh) 一种基于注意力的非最大化抑制方法
CN106650574A (zh) 基于PCANet的人脸识别方法
CN109740721A (zh) 麦穗计数方法及装置
CN111476178A (zh) 一种基于2d-3d cnn的微表情识别方法
CN109448019B (zh) 一种变分光流模型平滑参数的自适应方法
CN113420703A (zh) 基于多尺度特征提取和多注意力机制建模的动态面部表情识别方法

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