[发明专利]一种基于人脸属性的年龄识别方法及系统

说明书

本发明提供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，将预处理识别图像输入年龄预测模型获取年龄期望值作为预测年龄数值。

技术领域

本发明属于机器学习领域，涉及人脸识别方法及系统，具体涉及一种对人脸图像进行年龄预测的识别方法及系统。

背景技术

年龄信息作为人类的一种重要生物特征，在人机交互领域中有着众多应用需求，并且对人脸识别系统的性能有着重要影响。基于人脸图像的年龄估计是指应用计算机技术对人脸图像随年龄变化的规律进行建模，从而使机器能够根据面部图像推测出人的大概年龄或所属的年龄范围。如果基于人脸图像的年龄估计问题得到解决，那么在日常生活中，基于年龄信息的各种人机交互系统将在现实生活中产生极大的应用需求。例如，通过年龄估计系统自动判断人的年龄，实现安全网络或安全门禁控制，这对保护未成年人的健康成长尤其重要；在电子顾客管理系统中，通过摄像头采集人脸图像并自动进行年龄估计，可以实现对各年龄段顾客的消费特点和产品喜好进行自动、无干扰地收集与分析，从而便于对不同年龄段的顾客进行产品开发并提供有针对性的营销服务；年龄变化所带来的人脸外貌变化对人脸别系统的性能有着非常重要的影响，年龄信息作为一种生物特征，除了会对使用者的身份认证提供有效的信息外，也将大大提高多年龄人脸识别系统的性能。

为了对人脸图像的年龄进行判断，现有的一些年龄识别系统采用了训练后的神经网络对人脸的年龄属性进行识别，然而在实际应用过程中，由于年龄的变化在人脸上没有明显的特征，因此使用神经网络对年龄属性会产生较大的误差。

同时，神经网络需要大量的数据集进行训练才能够减少在预测过程中的误差，而现有的人脸图像数据集中，具有确切年龄数值的人脸图像的不足以让神经网络的误差减小，这就无法对人脸的年龄精确的预测。

发明内容

为解决上述问题，提供一种能够大幅度提升年龄预测精度，从而解决当前人脸年龄属性预测误差大的年龄识别方法，本发明采用了如下技术方案：

本发明提供了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，将预处理识别图像输入年龄预测模型获取年龄期望值作为预测年龄数值，其中，步骤S1包括如下子步骤：步骤S1-1，对用于作为训练集的多个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，将分类回归模块根据年龄类别进行分类并初始化对应各个年龄类别的年龄计算概率；步骤S1-5，将待训练图像作为训练集从输入层输入深度神经网络模型，并进行前向传播至分类回归模块完成年龄期望值的计算；步骤S1-6，根据训练集所对应的实际年龄值、年龄期望值以及年龄计算概率计算损失误差；步骤S1-7，将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年龄预测模型。

本发明提供的基于人脸属性的年龄识别方法，还可以具有这样的技术特征，其中，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，分类回归模块包括Softmax层、SoftmaxWithLoss层以及L1Loss层。