[发明专利]年龄预测方法及装置

权利要求书

1.一种年龄预测方法，其特征在于，所述方法包括：

获取在多个时刻采集的同一用户的人脸图像；

提取每张所述人脸图像的人脸特征；

根据所述多个时刻中，每两个相邻时刻中的在先时刻采集的人脸图像的人脸特征以及在后时刻采集的人脸图像的人脸特征，提取人脸动态变化特征；

根据多个时刻采集的人脸图像分别对应的所述人脸特征、提取的所述人脸动态变化特征以及预训练的年龄预测模型，输出所述人脸图像对应的年龄预测结果，其中，所述年龄预测模型基于多个历史时刻采集的历史人脸图像样本的人脸特征、人脸动态变化特征、真实年龄信息作为待训练网络的输入训练而成；

所述根据所述多个时刻中，每两个相邻时刻中的在先时刻采集的人脸图像的人脸特征以及在后时刻采集的人脸图像的人脸特征，提取人脸动态变化特征，包括：将每两个相邻时刻中的在先时刻采集的人脸图像的人脸特征以及在后时刻采集的人脸图像的人脸特征，作为预先训练的动态变化特征生成模型的输入，确定人脸动态变化特征，其中，所述动态变化特征生成模型基于历史上的每两个相邻时刻中的在先时刻采集的人脸图像的人脸特征以及在后时刻采集的人脸图像的人脸特征作为训练样本，以及训练样本对应的人脸动态变化特征作为目标结果，输入至长短期记忆网络中训练而成。

2.根据权利要求1所述的方法，其特征在于，所述提取每张所述人脸图像的人脸特征，包括：

将每张人脸图像转换为无向图矩阵，其中，所述无向图矩阵用于表示所述人脸图像中的每个像素点相对于其他像素点的位置关系；

根据所述无向图矩阵提取人脸特征。

3.根据权利要求2所述的方法，其特征在于，所述根据所述无向图矩阵提取人脸特征，包括：

将所述无向图矩阵输入级联的多层图卷积神经网络，以获取无向图特征；

其中，每层所述卷积神经网络对无向图矩阵的处理过程为：

对输入的第一目标向量滤波，获取所述无向图矩阵中的所有顶点像素点构成的顶点向量矩阵；

根据激活函数对所述顶点向量矩阵进行非线性处理；

对非线性处理后的顶点向量矩阵粗化操作；

其中，在所述级联的多层图卷积神经网络中，第一层图卷积神经网络的输入的第一目标向量为所述无向图矩阵，最后一层图卷积神经网络的输出为无向图特征，且上一层的图卷积神经网络的输出为相邻的下一层图卷积网络的输入。

4.根据权利要求1所述的方法，其特征在于，所述年龄预测模型包括双向长短期记忆网络、全连接层以及softmax函数，其中，所述双向长短期记忆网络用于根据所述人脸特征、人脸动态变化特征的融合特征，输出第二目标向量，其中，所述第二目标向量用于指示所述融合特征与年龄的关系；所述全连接层用于将所述第二目标向量映射到预设的年龄区间中；所述softmax函数用于确定所述第二目标向量在预设的年龄区间中的每个年龄上的概率，选择概率最大的年龄作为输出的年龄预测结果。

5.一种年龄预测模型训练方法，其特征在于，所述方法包括：

基于待训练网络根据多个历史时刻采集的历史人脸图像样本的人脸特征、人脸动态变化特征，确定年龄预测结果；所述人脸动态变化特征为，将每两个相邻时刻中的在先时刻采集的人脸图像的人脸特征以及在后时刻采集的人脸图像的人脸特征，作为预先训练的动态变化特征生成模型的输入进行确定的；其中，所述动态变化特征生成模型基于历史上的每两个相邻时刻中的在先时刻采集的人脸图像的人脸特征以及在后时刻采集的人脸图像的人脸特征作为训练样本，以及训练样本对应的人脸动态变化特征作为目标结果，输入至长短期记忆网络中训练而成；

根据所述年龄预测结果、所述历史人脸图像样本对应的真实年龄信息，确定损失函数；

确定所述损失函数是否小于预设的阈值；

若大于预设的阈值，则更新历史人脸图像样本以及基于所述损失函数更新所述待训练网络的网络参数，返回执行所述基于待训练网络将多个历史时刻采集的历史人脸图像样本的人脸特征、人脸动态变化特征，获取年龄预测结果的步骤；

若小于预设的阈值，则基于所述待训练网络当前的网络参数，建立年龄预测模型。