[发明专利]一种嵌入高阶信息的多尺度人脸年龄估计方法及系统

说明书

本发明涉及人脸年龄估计领域，具体涉及一种嵌入高阶信息的多尺度人脸年龄估计方法及系统，所述方法包括：输入人脸图像，对其进行预处理；将人脸图像输入到残差网络中进行全局特征提取以构建全局支路；在全局支路的不同位置插入用于提取高阶年龄信息的块；将ResNets的第一个卷积层的输出特征图作为长短期记忆网络的输入，获取年龄敏感区域的位置信息，通过剪裁得到局部特征图以构建局部支路；通过反向传播最小化损失函数，对两条支路进行联合优化，对神经网络进行迭代训练；将测试集输入到训练好的神经网络模型中，根据年龄特征计算输出最终预测年龄。本发明的网络模型计算成本较低，精度高，相关产品的适用性较强。

技术领域

本发明属于人脸年龄估计领域，特别涉及一种嵌入高阶信息的多尺度人脸年龄估计方法及系统。

背景技术

人脸年龄估计的目的是通过人脸图像自动输出生物年龄，广泛应用于基于年龄的人脸检索，精确广告，智能监视，人机交互(HCI)，互联网访问控制等领域，是计算机视觉中的一个活跃的研究课题。由于面部衰老的内部因素(如各种基因)和面部图像的复杂变化(如不同角度的面部姿态和相机视觉)等因素的共同作用，面部衰老过程呈不可控制且个性化，从面部图像准确可靠地自动估计年龄极具挑战性。

经典年龄估计算法由两个连续但相对独立的阶段组成：年龄特征提取和年龄估计。根据特征提取的方式，可将目前的人脸年龄估计方法分为两类：一是基于传统的机器学习的方法；二是基于深度学习的方法。传统机器学习方法主要是通过手动提取年龄特征，然后通过传统分类器分类，从而实现人脸年龄估计。近年来，随着深度学习技术的发展，深度神经网络在图像识别方面取得了最先进的性能，可以实现自动提取面部特征，被广泛应用于年龄估计，并取得了优于传统机器学习方法的成绩。

现有技术中，深度卷积神经网络的设计主要专注于更深或是更宽的网络以增强模型的非线性建模能力，但基于深度学习的人脸年龄估计方法存在不能很好的进行兼顾全局-局部细节的人脸年龄特征表达问题，使得CNN的特征表达能力得到一定程度的限制。因此，如何实现兼顾全局和局部细节的人脸年龄估计特征表达，是未来人脸年龄估计研究方向之一。

发明内容

鉴于上述提到的缺乏兼顾全局-局部的特征表达能力问题，本发明的目的在于提供一种嵌入高阶信息的多尺度人脸年龄估计方法及系统，能够较好的进行兼顾全局-局部的年龄特征表达，并通过在网络中插入用于提取高阶年龄特征的块，进一步增强了模型的非线性建模能力，可以有效提升人脸年龄估计的准确率，实现高精度的年龄估计。

在本发明的第一方面，本发明提供了一种嵌入高阶信息的多尺度年龄估计方法，包括以下步骤：

一种嵌入高阶信息的多尺度人脸年龄估计方法，包括以下步骤：

输入带有精确年龄标签的人脸图像集合作为数据集，并对人脸图像数据集进行预处理；

将预处理后的人脸图像输入到基线模型ResNet-50中，经过卷积层和最大池化层提取出浅层特征图；

在提取所述浅层特征图后连接有四组顺次相连的残差模块，并构成残差网络，将所述残差网络作为全局支路并提取出人脸图像的全局特征；

在第一组残差模块和第二组残差模块之间嵌入有全局二阶池化块，从而在全局支路中生成高维的全局图像表示；

将所述浅层特征图作为长短期记忆神经网络的输入，构建出局部支路并提取年龄敏感区域的局部特征；

联合优化求解两条支路的交叉熵损失函数，对由全局支路和局部支路所构成的卷积神经网络进行迭代训练至收敛，保存训练好的卷积神经网络模型；

将待测的人脸图像输入到训练好的卷积神经网络模型中，分类器根据年龄特征计算输出最终预测年龄。

在本发明的第二方面，本发明提供了一种嵌入高阶信息的多尺度人脸年龄估计系统，包括图像获取模块、数据预处理模块、数据增强模块、神经网络模块以及输出模块；