[发明专利]一种基于自步学习的人脸年龄估计方法

摘要

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。

主权项

1.一种基于自步学习的人脸年龄估计方法，该方法包括：/n步骤1：对数据集进行预处理；/n获取人脸数据集，并标定对应的实际年龄；并对获得的人脸数据集中所有图像进行识别，提取出人脸部分并对齐，再将提取出人脸归一化，得到预处理后的带年龄标签的人脸样本图像；/n步骤2：构建深度回归森林；/n所述深度回归森林输入为卷积神经网络最后的全连接层输出的特征值，其后包括多个二叉树模型，每个二叉树包括三层：第一层为根节点，后两层为子节点；/n 和分别表示深度回归森林的输入和输出空间，θ表示该卷积神经网络结构的参数信息，F(x；θ)表示输入x经过该卷积神经网络后得到的特征值，表示决策树，该决策树由叶节点和分离节点组成，σ是Sigmoid函数，是索引函数，使函数F(x；θ)的第个输出与分离节点n对应，这个对应关系是随机获取的，s_n(x；Θ)确定了样本x送入到该分离节点的左子树的概率，为叶节点在输出空间的高斯分布，其中和分别表示均值矩阵和协方差矩阵；表示以分离节点n为根节点的树，n_l和n_r分别表示分离节点n的左右孩子，和分别表示以n_l和n_r为根节点的左右子树，和分别表示左右子树和的叶节点的集合；/n步骤2.1：分离节点函数s_n(x；Θ)：采用VGG-16结构作为深度回归森林的前端部分来提取特征；输入层为卷积神经网络最后的全连接层输出的特征值，将该特征值通过一个sigmoid函数归一化到0～1之间，然后随机分配到各个树的分离节点上作为分裂概率s_n(x；Θ)，对于每一个分离节点都有一个分离节点函数：/n /n步骤2.2：输入样本x被送到某一个叶节点的概率每张人脸图像在每棵树的分离节点处以分裂概率被划分到左右子树，最终落入叶节点中；再将人脸图像所经过路径上的各个概率相乘，得到了一个输入样本x被送到某一个叶节点的概率为：/n /n其中表示指示函数，当为真时，当为假时，/n步骤2.3：叶节点的高斯分布落入到各个叶节点中的人脸图像对应的年龄数据符合不同的高斯分布表示不同的年龄分布结构，N代表数据集中总的图像数量，对于每一个叶节点在输出空间都拥有一个高斯分布的概率密度函数：/n /n步骤2.4：在决策树下的条件概率函数叶节点中的高斯分布与输入样本x被送到某一个叶节点的概率构成一个混合高斯模型的结构：/n /n步骤2.5：和表示为输入图片x基于该深度回归网络的估计年龄：决策树的输出由各个高斯分布与概率加权得到，再对多棵决策树产生的结果进行平均得到最后的年龄估计所以x和y之间的映射函数表示为：/n /n步骤2.6：训练过程：给定一个经过预处理后的人脸数据集图像xi表示第i张图像，y_i表示其对应的年龄标签，则深度回归森林的损失函数为：/n /n步骤2.7：数据集的平均绝对误差为：/n /n其中是第i张人脸图片的预测年龄，y_i是第i张人脸图片的实际年龄；/n步骤3：将所有的经过步骤1后的训练图片根据步骤2训练；/n设共有N张训练图像，全都经过步骤1处理，随后将这N张训练图像输入步骤2中训练，将得到每张图像的绝对误差按从小到大进行排序；/n步骤4：基于自步学习框架下的目标损失函数；/n根据步骤3得到的绝对误差AE由小到大的顺序对训练集重新排列，表示重新排序后的训练集，x_i′表示第i张图像，y_i′表示其对应的年龄标签，令L(y_i′，g(x_i′，w))表示深度回归森林的损失函数，其中表示对第i张的图像x_i′的估计年龄，则深度回归森林的损失函数L()表示为：/n /nf()是二元自步正则项，参数λ控制每次加入网络训练的数量，f()表示为：/n /n其中：/n /n隐变量v只有0和1两个取值，0代表着该图像不被送入深度回归网络训练，1代表该图像被送入深度回归网络训练，则基于自步学习框架下的目标损失函数为：/n /n即是：/n /n步骤5：根据步骤4得到的目标损失函数建立基于自步学习的深度回归森林的人脸年龄估计模型；/n步骤6：根据步骤3得到的重新排序后的数据集图像对步骤5得到的人脸年龄估计模型进行训练；/n步骤7：根据最后训练好的caffemodol_10模型对实际人脸图像的年龄进行预测，完成人脸图像的年龄预测过程。/n