[发明专利]一种基于卷积神经网络进行分布学习的人脸年龄估计方法

说明书

本发明公开了一种基于卷积神经网络进行分布学习的人脸年龄估计方法，其整体步骤为：提取数据，形成年龄数据集；将年龄数据集划分为训练集、验证集；采用深度神经网络的最后一个全连接层后紧跟一个softmax层；进行年龄估计网络训练；使用softmax loss和mean‑variance loss共同作为监督信号对网络进行调整；对训练后的网络模型进行测评，选出性能最好的模型；根据所得模型进行年龄预测。本发明通过引入新的监督信号mean‑variance loss，有效地利用了年龄之间相互关联的性质，并且避免了人工引入方差等操作，实现了除预处理外不需要任何人工干预的技术。

技术领域

本发明涉及一种估计方法，尤其涉及一种基于卷积神经网络进行分布学习的人脸年龄估计方法。

背景技术

通过人脸进行年龄估计的技术目前主要分为两类，一种是利用传统机器学习方法进行特征提取，然后针对提取的特征设计优化目标函数进行优化，从而得到待估计的年龄。目前的传统机器学习的方法，更多地是探索不同的特征对于年龄估计的影响，从而实现更好的特征提取；另一种方法则是利用深度学习技术，端到端地实现特征提取和目标函数优化的整个任务。深度学习方面是利用不同的网络结构进行训练，其本质依然是通过不同网络结构得到不同的特征，利用端到端的优势进行优化。

除了大部分基于特征提取的方法以外，有少数工作在对年龄的特殊性质上进行了研究。通过利用年龄的有序性，提出基于ranking(序列)的思想，将回归问题转化为分类问题进行求解，但是该方法忽略了年龄的有序性以及年龄之间存在的关联，使得特征难以包含这些对于估计年龄非常有用的信息。还有利用年龄分布的性质，通过假设一个方差生成一个分布，对分布进行优化，该法需要假设一个方差才能进行后续的工作，造成了人为干预，因此其年龄分布依然不够理想。

发明内容

为了解决上述技术所存在的不足之处，本发明提供了一种基于卷积神经网络进行分布学习的人脸年龄估计方法。

为了解决以上技术问题，本发明采用的技术方案是：一种基于卷积神经网络进行分布学习的人脸年龄估计方法，其整体步骤为：

步骤一、数据提取阶段：利用现有的人脸检测引擎对人脸RGB图像进行人脸检测和关键点定位；然后裁切出人脸区域将人脸图像保存为256×256像素大小，使多张人脸图像组成年龄数据集；

步骤二、年龄数据集划分：将年龄数据集按照80％作为训练集、20％作为验证集进行随机划分，保证同一个人的数据仅出现在一个集合中；

步骤三、年龄估计网络结构：采用含13个卷积层和3个全连接层的VGG-16网络结构作为年龄估计网络模型；为了增加网络高层特征的感受野，在第2个、第4个、第7个、第10个和第13个卷积层后连接一个MaxPooling层，最后一个全连接层后紧跟一个softmax层，softmax的输出分别送入softmax loss层和mean-variance loss层中，用于分别计算softmax loss和mean-variance loss；

步骤四、年龄估计网络训练：在进行年龄数据集训练之前，利用大规模数据对深度学习网络模型进行预训练，使得网络模型具有一定的识别能力；然后利用划分得到的训练集对网络模型进行训练；

步骤五、网络调整：在网络训练过程中，使用softmax loss和mean-variance loss共同作为监督信号对网络进行调整，保证最终生成的概率分布的均值尽可能接近真实值，同时有着更小的方差；因此，将最终的损失函数loss表示为公式一；然后通过该损失函数对网络模型进行步骤四中的预训练；