[发明专利]一种基于卷积神经网络和隐变量分析的人脸年龄估计方法

摘要

本发明公开了一种基于卷积神经网络和隐变量分析的人脸年龄估计方法，其整体步骤为：S1：构建数据集并将数据集划分为训练集、验证集两部分；S2：训练卷积神经网络模型并用训练好的模型提取图片特征；S3：训练隐变量分析模型并使用该模型从S2提取的特征中过滤掉年龄无关的特征；S4：使用S3处理后的特征训练一个线性回归器，完成对被测人脸图像中人物年龄的估计。本发明将卷积神经网络和隐变量分析算法相结合，相比较原始的基于卷积神经网络的方法可以有针对性地分析图片特征，从而提高了年龄估计的准确性。

主权项

1.一种基于卷积神经网络和隐变量分析的人脸年龄估计方法，其特征在于：所述方法的整体步骤为：步骤一、数据预处理阶段：利用现有的人脸检测和人脸关键点定位算法对人脸图片进行人脸检测和关键点定位，裁剪出人脸区域并将图片缩放到64×64大小保存；步骤二、数据集划分：随机划分出年龄数据集中的80％数据作为训练集，剩下20％作为验证集，保证同一个人的数据仅出现在一个集合中；步骤三、训练集分组：将步骤二中划分出的训练集分别按照年龄段和身份信息分组并保存；步骤四、搭建神经网络模型：选用由3个密集连接块(DenseBlock)和3个转换块(TransBlock)组成的密集网络(DenseNet)作为卷积神经网络模型；步骤五、训练卷积神经网络：首先在大型数据集上预训练步骤四中搭建的卷积神经网络模型，使得网络具有一定的提取图片特征的能力；然后使用步骤二中划分的训练集和验证集，以平均绝对误差作为损失函数，采用基于小型批处理(Mini‑batch)梯度下降法训练卷积神经网络模型；损失函数表示为公式一：其中，N是批处理的样本个数，y_i是真实年龄，y_i是估计的年龄，训练阶段收敛后保存训练后的模型；步骤六、使用卷积神经网络提取图片特征：将步骤二中划分的训练集作为输入送入步骤五训练好的卷积神经网络模型中，提取网络中的计算结果作为提取的图片特征保存；步骤七、训练隐变量分析模型：将步骤六中提取的图片特征建模成年龄相关特征和身份相关特征以及其他无关噪声的线性组合，建模形式如公式二：t＝β+Ux+Vy+ε      公式二其中，t是提取的特征，β是训练集中特征的均值，Ux表示的是年龄相关的特征，Vy表示的是身份相关的特征，ε表示其他无关噪声，假设其服从正态分布：ε～N(0,δ²I)；首先计算出β，然后根据步骤三中按照年龄段和身份信息划分的样本组，利用最大期望(Expectation maximization)算法估计出参数U,V,δ；接着根据公式三从原特征中计算出年龄相关的特征并保存：f＝UU^TΣ^‑1(t‑β)       公式三其中，Σ＝δ²I+UU^T+VV^T；步骤八、训练线性回归器：将步骤七中提取的年龄相关的特征作为输入，训练一个线性回归器模型并保存，本发明采用的是现有的线性支撑向量回归(LinearSVR)函数库来完成回归器的训练；步骤九、方法测评：在上述步骤完成后，将验证集中的图片先经过步骤五中训练好的卷积神经网络模型，提取最后一个卷积层的输出作为图片特征；再使用步骤七中训练好的隐变量分析模型，根据公式三提取出年龄相关的特征；最后将年龄相关特征送入步骤八中训练好的线性回归器得到预测的年龄，并使用平均绝对误差作为评价指标评估算法性能，平均绝对误差的计算公式见公式一。