[发明专利]基于GAN扩充多人种特征协同选择的人脸年龄估计方法

权利要求书

1.一种基于GAN扩充多人种特征协同选择的人脸年龄估计方法，其特征在于包含以下步骤：

步骤一：通过网络爬虫从Internet网上下载所缺人脸图像集；

步骤二：基于步骤一的人脸图像集进行GAN人脸多风格样本输出模型的训练，扩充完善现有人脸年龄数据库；

步骤三：在完成基于GAN对人脸年龄数据库模拟生成多风格不同人种人脸年龄图片后，针对每一组人种数据集设计一个CNN模型，总共设计四个串联形式的Sub-CNN，并借助LFW、CACD大型人脸库对Sub-CNN模型进行预训练，然后对其基于扩充得到的人脸年龄数据库进行进一步的精训练；

步骤四：基于组稀疏Group-lasso的联合特征选择，应用于神经网络训练权值向量的过程中；

所述步骤四具体为

在基于McCulloch-Pitts神经元模型的传统卷积神经网络中，各个神经元之间依靠权值向量进行信息传递，训练神经网络的实质即是在训练神经网络层的权值向量；

Group Lasso的约束方程如下所示

在将该约束方程具体运用到本模型的权值向量训练中后，将该约束方程进行简化，简化之后的公式为

其中，d表示神经网络的权值向量的维度，w_i表示w矩阵的第i行；公式将步骤三中所划分的四个人种的神经网络的权值向量相连接，完成了将该四个神经网络进行融合；

此时，四人种神经网络即是一个相互连接的完整的神经网络，之后根据group-lasso的算法，我们需要将计算结果嵌入到四人种神经网络的全连接层中的损失函数当中，重新定义全连接层中的损失函数，新的损失函数公式如下：

new loss function＝old loss function+λ||W||_2,1

新的损失函数相比之前的损失函数多了一个偏置项，该偏置项的作用即是实现GroupLasso算法的特征联合选择功能；其中，偏置项的参数λ由实验效果人为调整或者由先验信息决定；

步骤五：多人种年龄识别模型建立完成，通过模型进行人脸年龄估计。

2.按照权利要求1所述的基于GAN扩充多人种特征协同选择的人脸年龄估计方法，其特征在于：所述步骤二生成式对抗网络为

生成式对抗网络由生成模型Generative Model和判别模型Discriminative Model两个模块构成，生成模型G的目标是使其生成的伪数据G(z)在判别模型D上的表现和真实数据x在D上的表现一致，G和D互相博弈学习并迭代优化的过程使得它们的性能不断提升，随着D的判别能力提升，并且无法判别其数据来源时，则认为G已学到真实的数据分布，根据生成式对抗网络的特性，对通过网络爬虫从网上下载的所缺人脸图像集，进行快速扩充多风格的样本。

3.按照权利要求2所述的基于GAN扩充多人种特征协同选择的人脸年龄估计方法，其特征在于：所述生成模型的作用是学习真实的数据分布，输入随机变量z，则G生成服从真实数据分布的样本G(z)；判别模型的作用是判别其输入数据是来自生成模型G还是来自真实的数据x，如果输入来自G(z)，则标注为0并判别为伪，否则标注为1并判别为真。

4.按照权利要求1所述的基于GAN扩充多人种特征协同选择的人脸年龄估计方法，其特征在于：所述步骤三具体为世界人种可分为棕色、黄色、黑色、白色，不同人种间的人面部特征由于气候条件、地理位置、传统风俗、遗传因子因素的影响存在显著的差异性，而在相同人种间这种差异性小，在完成基于GAN对人脸年龄数据库模拟生成多风格不同人种人脸年龄图片后，针对每一组人种数据集，设计一个CNN模型，即总共设计四个串联形式的Sub-CNN，并借助LFW、CACD大型人脸库对Sub-CNN模型进行预训练，然后对其基于扩充得到的人脸年龄数据库进行进一步的精训练。

5.按照权利要求4所述的基于GAN扩充多人种特征协同选择的人脸年龄估计方法，其特征在于：所述借助LFW、CACD大型人脸库对Sub-CNN模型进行预训练具体过程为针对每一个Sub-CNN，首先借助LFW、CACD、Morph大型人脸库对其模型进行预训练，让Sub-CNN学习到基础人脸特征，构建起初始识别模型，然后在此基础之上，对步骤二中基于GAN扩充得到的人脸年龄数据库进一步精训练，使得Sub-CNN在初始模型的基础上学习到扩充人脸特征，从而构建起最终识别模型。