[发明专利]一种基于人脸属性的年龄识别方法及系统

权利要求书

1.一种基于人脸属性的年龄识别方法，用于对待识别图像进行人脸识别从而判断出与该待识别图像对应的人物的预测年龄数值，其特征在于，包括如下步骤：

步骤S1，构建基于分类回归的深度神经网络模型并采用多个具有对应的实际年龄值的现有人脸图像作为训练集对该深度神经网络模型进行训练，从而得到训练后的深度神经网络模型作为年龄预测模型；

步骤S2，对所述待识别图像进行预处理从而获得预处理识别图像；

步骤S3，将所述预处理识别图像输入所述年龄预测模型获取年龄期望值作为所述预测年龄数值，

其中，所述步骤S1包括如下子步骤：

步骤S1-1，对用于作为所述训练集的多个所述现有人脸图像进行预处理从而获得同一尺寸的预处理现有图像；

步骤S1-2，将所述预处理现有图像水平翻转并随机添加高斯噪声形成的处理图像以及所述预处理现有图像作为待训练图像；

步骤S1-3，构建含有输入层、卷积模块、下采样层以及分类回归模块的深度神经网络模型；

步骤S1-4，将所述分类回归模块根据年龄类别进行分类并初始化对应各个所述年龄类别的年龄计算概率；

步骤S1-5，将所述待训练图像作为训练集从所述输入层输入所述深度神经网络模型，并进行前向传播至所述分类回归模块完成年龄期望值的计算；

步骤S1-6，根据所述训练集所对应的所述实际年龄值、所述年龄期望值以及所述年龄计算概率计算损失误差；

步骤S1-7，将所述损失误差反向传播并更新模型参数；

步骤S1-8，重复步骤S1-5至步骤S1-7直至达到训练完成条件，得到训练后的深度神经网络模型作为所述年龄预测模型。

2.根据权利要求1所述的基于人脸属性的年龄识别方法，其特征在于：

其中，所述卷积模块包括多个依次连接的残差结构层以及并行的一个原始数据层构成，

所述分类回归模块包括Softmax层、SoftmaxWithLoss层以及L1Loss层。

3.根据权利要求2所述的基于人脸属性的年龄识别方法，其特征在于：

其中，所述损失误差包括交叉熵损失以及绝对值损失，

所述交叉熵损失由所述Softmax loss层根据所述年龄计算概率以及所述实际年龄值计算获得，

所述绝对值损失由所述L1 loss层根据所述年龄期望值以及所述实际年龄值计算获得。

4.根据权利要求1所述的基于人脸属性的年龄识别方法，其特征在于：

其中，所述年龄类别具有分别对应各个年龄阶段的101个类别。

5.根据权利要求1所述的基于人脸属性的年龄识别方法，其特征在于：

其中，所述预处理为将所述现有人脸图像或所述待识别图像进行人脸识别，并根据识别出的人脸位置进行裁剪和对齐处理，进一步归一化至224×224的大小。

6.根据权利要求1所述的基于人脸属性的年龄识别方法，其特征在于：

其中，所述训练完成条件为完成了预定的循环次数、参数已经收敛或消除了训练误差。

7.一种基于人脸属性的年龄识别系统，用于对待识别图像进行人脸识别从而判断出与该待识别图像对应的人物的预测年龄数值，其特征在于，包括：

预处理部，对所述待识别图像进行预处理从而获得预处理识别图像；以及

年龄计算部，对所述预处理识别图像进行处理从而计算所述预测年龄数值，该年龄计算部含有经过采用多个现有人脸图像作为训练集训练得到的特征提取模型，

其中，所述年龄预测模型采用如下方法获得：

步骤1，对用于作为所述训练集的多个所述现有人脸图像进行预处理从而获得同一尺寸的预处理现有图像；

步骤2，将所述预处理现有图像水平翻转并随机添加高斯噪声作为待训练图像；

步骤3，构建含有输入层、卷积模块、下采样层以及分类回归模块的深度神经网络模型；

步骤4，将所述分类回归模块根据年龄类别进行分类并初始化对应各个所述年龄类别的年龄计算概率；

步骤5，将所述待训练图像作为训练集从所述输入层输入所述深度神经网络模型并进行前向传播；

步骤6，将所述前向传播的数据通过所述分类回归层进行年龄期望值的计算，进一步根据所述年龄期望值以及所述年龄计算概率计算损失误差；

步骤7，将所述损失误差反向传播并更新模型参数；

步骤8，重复步骤5至步骤7直至达到训练完成条件，得到训练后的深度神经网络模型作为所述年龄预测模型。