[发明专利]一种基于自步学习的人脸年龄估计方法

说明书

该发明公开了一种基于自步学习的人脸年龄估计方法，属于计算机视觉和机器学习领域。它在深度回归森林框架的基础上，将人脸图片划分为简单图片(预测年龄与实际年龄之间的绝对误差小)和困难图片(预测年龄与实际年龄之间的绝对误差大)，并在自步学习框架下，采取“从简单图片到困难图片”的策略去训练深度回归网络来建立人脸面部特征与目标年龄的非线性映射关系，最后由随机森林对人脸图像进行年龄估计，提高了现有方法的准确度和鲁棒性。该方法可以应用于人机交互、基于年龄的安全性控制、社交网络娱乐等方面。

技术领域

本发明属于计算机视觉技术领域，涉及人脸年龄估计技术，主要应用于人机交互、基于年龄的安全性控制、社交网络娱乐等方面。

背景技术

人脸年龄估计技术是指通过计算机算法对人脸面部特征进行分析后，自动估计人脸年龄的技术。由于该技术可广泛应用在人机交互、基于年龄的安全性控制、社交网络娱乐等方面，因此它是近年来计算机视觉和机器学习研究的热点。目前，人脸年龄估计算法可分为两大类：(1) 基于浅层模型的年龄估计算法；(2)基于深度学习的年龄估计算法。

基于浅层模型的年龄估计方法作为最常见的一种年龄估计方法，其基本原理是将任务分解为面部特征提取和年龄估计模型设计两个独立的步骤。第一个步骤是从面部图像中提取有效的年龄特征，第二个步骤则是根据得到的年龄特征去设计有效的年龄估计模型。由于这类方法只有从输入图像特征到预测年龄之间的单层映射，故该方法的优点在于模型简单，不受训练样本数量的影响；而其缺点在于估计的精确性较差，原因是单层模型很难描述面部特征和年龄之间的复杂性，同时步骤一中提取的特征并不是最适合于后续年龄估计模型的。参考文献：A.Lanitis, C.J.Taylor,and T.F.Cootes,AutomaticInterpretation and Coding of Face Images using Flexible Models,IEEETransactions on Pattern Analysis and Machine Intelligence,vol.19,no.7,pp.743–756,1997。

基于深度学习的年龄估计算法是近年来该领域研究的热点，其基本原理是将人脸图像通过卷积神经网络提取面部特征，根据具体任务设计相应的损失函数，损失函数产生的残差通过梯度反向传导对网络中的参数进行更新优化。卷积神经网络将原本相对独立的特征提取与任务学习有机地结合在一起，使得产生的面部特征包含的信息更加丰富，与任务更加契合。这类算法的优点在于可以更好地拟合已有面部特征和对应的年龄之间的映射关系，预测精准性高，并且不需要复杂的图像归一化矫正。其缺点在于需要较高的硬件配置要求，如GPU服务器等，并且对于小的数据集的预测效果较差。参考文献：Z.Niu,M.Zhou,L.Wang,X.Gao,and G.Hua, Ordinal Regression with Multiple Output CNN for AgeEstimation,IEEE Conference on Computer Vision and Pattern Recognition,pp.4920-4928,2016。

发明内容

本发明是一种基于自步学习的深度回归森林的人脸年龄估计方法。该方法首先对人脸图像进行简单的矫正并归一化到224*224*3像素，由于人脸面部特征和年龄之间的关系是很复杂的，它们之间的映射不是一种均匀映射，所以将人脸图片划分为简单图片(预测年龄与实际年龄之间的绝对误差小)和困难图片(预测年龄与实际年龄之间的绝对误差大)，在自步学习框架下，采取“从简单图片到困难图片”的策略去训练深度回归森林来建立人脸面部特征与目标年龄的非线性映射关系，最后由训练好的网络模型对实际人脸图像进行年龄估计。通过上述方法，充分利用了自步学习和深度回归森林，提高了现有方法的准确度和鲁棒性,算法示意图参见图1。

为了方便地描述本发明内容，首先对一些术语进行定义。

定义1：鲁棒性。是指控制系统在一定(结构，大小)的参数摄动下，维持其它某些性能的特性。