[发明专利]基于分布学习的自适应方差和权重的人脸年龄估计方法

说明书

本发明属于计算机视觉和模式识别领域，具体涉及一种基于分布学习的自适应方差和权重的人脸年龄估计方法、系统、装置，旨在解决现有人脸年龄数据集类别不均衡及现有方法使用固定方差不足，导致人脸年龄估计结果跟真实值差距较大的问题。本方法包括对输入图像进行预处理，得到预处理图像；通过预训练的人脸年龄估计模型得到预处理图像中人脸的预测年龄；所述人脸年龄估计模型基于深度残差网络构建。本发明减小了人脸年龄估计结果跟真实值的差距。

技术领域

本发明属于计算机视觉和模式识别领域，具体涉及一种基于分布学习的自适应方差和权重的人脸年龄估计方法、系统、装置。

背景技术

人脸作为人类最重要的生物特征之一，它蕴含了大量的信息，如身份、种族、性别、表情和年龄等。随着人工智能技术的发展，人脸相关技术的研究已成为计算机视觉领域的研究热点。年龄估计作为人脸属性识别中一项重要任务，即从输入的面部图像中预测年龄。它有许多潜在的应用价值，包括人口统计收集，商业用户管理，视频安全监测等。相比于传统的基于手工特征和统计建模的方法，近年来基于卷积神经网络的方法取得了更优的性能。

人脸年龄估计最棘手的问题之一是标签的模糊性，即同一个人年龄相近的面部图像往往难以区分。现有的一些方法采用标签分布学习方法（LDL），利用年龄标签之间的语义相关性来解决这一问题。该方法假设人脸的真实年龄可以用离散分布来表示，然后通过使用K-L散度来衡量预测分布和真实分布之间的相似性。对于标签分布学习这个方法，其年龄标签分布的均值为真实年龄值，然而对于人脸图像其分布方差通常是未知的。这些方法通常将方差当作超参数，直接地将其设置为某个固定值。然而，方差与相邻年龄之间的相关性密切相关，不同的人的方差应该是不一样的，同一个人在不同年龄的方差也是不一样的，假设所有图像具有相同的方差可能会降低模型的性能。

人脸年龄估计的另一个棘手的问题是现存的公开数据集存在严重的类别不均衡问题，制约着年龄估计的性能。这具体表现为少年及青年的年龄段样本过多和老年的年龄段样本过少。机器学习中经典假设中往往假定训练样本各类别是同等数量即各类样本数目是均衡的，但是实际问题却常常不符合这个假设。一般来说，不平衡样本会导致训练模型侧重样本数目较多的类别，而“轻视”样本数目较少类别，这样模型在测试数据上的泛化能力就会受到影响。

发明内容

为了解决现有技术中的上述问题，即为了解决现有人脸年龄数据集类别不均衡及现有方法使用固定方差不足，导致人脸年龄估计结果跟真实值差距较大的问题，本发明第一方面，提出了一种基于分布学习的自适应方差和权重的人脸年龄估计方法，该方法包括：

步骤S10，获取待估计年龄的人脸图像，作为输入图像；

步骤S20，对所述输入图像进行预处理，得到预处理图像；通过预训练的人脸年龄估计模型得到所述预处理图像中人脸的预测年龄；

所述人脸年龄估计模型基于深度残差网络构建；其训练方法为：

A10，将人脸年龄估计模型在IMDB-WIKI数据库上预训练，将预训练后的模型作为第一模型；

A20，获取人脸样本图像及其对应人脸年龄的真值标签，构建训练集；将人脸样本图像输入第一模型，得到人脸年龄的预测概率分布及对应的预测值标签；

A30，以人脸年龄的真值标签作为均值，结合预设的方差，构建正态分布，并结合各人脸样本图像对应的预测概率分布，计算K-L损失；

A40，对各人脸样本图像，根据其对应的预测值标签、真值标签，计算交叉熵损失值，并结合其预设的权重进行加权求和，得到权重损失；

A50，将所述权重损失、K-L损失求和，得到总损失，并通过SGD优化方法更新第一模型的模型参数，将更新后的模型作为第二模型；