基于人脸图像的年龄估计模型构建方法及估计方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109002755A(43)申请公布日2018.12.14(21)申请号201810563826.7(22)申请日2018.06.04(71)申请人西北大学地址710069陕西省西安市太白北路229号(72)发明人彭进业李帆李展王珺章勇勤祝轩唐文华(74)专利代理机构西安恒泰知识产权代理事务所61216代理人张明(51)Int.Cl.G06K9/00(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)权利要求书2页说明书9页附图4页(54)发明名称基于人脸图像的年龄估计模型构建方法及估计方法(57)摘要本发明公开了一种基于人脸图像的年龄估计模型构建方法及估计方法，本发明采用了基于肤色分类和深度标签分布学习的方法，对MORPH数据库人脸图像进行年龄估计，将个体肤色差异的影响考虑到年龄估计方法之内，与已有的方法相比较能够有效的减少肤色差异带来的影响，将Inception-V3深度卷积神经网络最后的全局平均池化层改为全局最大池化层，能够减小卷积层参数误差造成估计值均值偏移的问题，更多的保留了纹理信息，并采用深度标签分布学习算法和Inception-V3深度卷积神经网络，使用迁移学习对数据进行网络微调，通过理论分析和实验验证了该方法的可行性和有效性。CN109002755ACN109002755A权利要求书1/2页1.一种基于人脸图像的年龄估计模型构建方法，其特征在于，方法包括：步骤1、对多幅具有人脸的图像进行人脸检测，截取仅有人脸部分的图像作为人脸图像，将多幅人脸图像保存为原始人脸图像集；步骤2、将所述原始人脸图像集中所有人脸图像分为两组，其中所有黑色皮肤的人脸图像组成第一图像集，所有非黑色皮肤的人脸图像组成第二图像集；将所述第一图像集中的每幅人脸图像的真实年龄值作为各自的年龄标签，获得第一年龄标签集，将所述第二图像集中的每幅人脸图像的真实年龄值作为各自的年龄标签，获得第二年龄标签集；步骤3、对所述的第一图像集中的每幅人脸图像提取LBP特征，获得每幅人脸图像的第一LBP特征；对所述的第一图像集中的每幅人脸图像采用深度卷积神经网络提取DCNN特征，获得每幅人脸图像的第一DCNN特征；将每幅人脸图像的第一LBP特征与第一DCNN特征进行融合，获得每幅人脸图像的第一图像特征，收集第一图像集中所有人脸图像的第一图像特征，获得第一图像特征集；对所述的第二图像集中的每幅人脸图像提取LBP特征，获得每幅人脸图像的第二LBP特征；对所述的第二图像集中的每幅人脸图像采用深度卷积神经网络提取DCNN特征，获得每幅人脸图像的第二DCNN特征；将每幅人脸图像的第二LBP特征与第二DCNN特征进行融合，获得每幅人脸图像的第二图像特征，收集第二图像集中所有人脸图像的第二图像特征，获得第二图像特征集；步骤4、将第一图像特征集作为输入，第一年龄标签集作为输出，训练XGBoost回归模型，获得第一年龄估计模型；将第二图像特征集作为输入，第二年龄标签集作为输出，训练XGBoost回归模型，获得第二年龄估计模型。2.如权利要求1所述的基于人脸图像的年龄估计模型构建方法，其特征在于，将所述原始人脸图像集中所有人脸图像分为两组，具体包括：步骤21、从原始人脸图像集中取出多幅人脸图像作为分组图像集，为分组图像集中的每幅人脸图像分别对应各自的肤色标签，所述的肤色标签包括[0]黑色皮肤以及[1]非黑色皮肤，收集分组图像集中所有人脸图像的肤色标签，获得肤色标签集；步骤22、提取所述的分组图像集中每幅人脸图像的颜色特征以及LBP特征，并将每幅人脸图像的颜色特征以及LBP特征进行融合，获得每幅人脸图像肤色特征，收集分组图像集中所有人脸图像的肤色特征，获得肤色特征集；步骤23、将所述的肤色特征集作为输入，肤色标签集作为输出，训练XGBoost分类模型，获得人脸分类模型；步骤24、利用步骤23中获得的人脸分类模型对经过步骤22处理的原始人脸图像集中人脸图像进行分组，获得黑色皮肤的人脸图像或非黑色皮肤的人脸图像。3.如权利要求2所述的基于人脸图像的年龄估计模型构建方法，其特征在于，所述XGBoost分类模型中的损失函数为logisticloss。4.如权利要求1所述的基于人脸图像的年龄估计模型构建方法，其特征在于，采用Inception-v3网络提取DCNN特征。5.如权利要求4所述的基于人脸图像的年龄估计模型构建方法，其特征在于，采用2CN109002755A权利要求书2/2页Inception-v3网络提取DCNN特征时，将Inception-v3网络中的顶层全局平均池化层替换为全局最大池化层，在所述全局最大池化层后添加多层高斯分布初始化的全连接层，将KL损失层的标签分布替换为