[发明专利]用于显著面部区域检测的学习模型

说明书

一个实施例提供了一种方法，该方法包括：接收第一输入图像和第二输入图像。每个输入图像包括个体的面部图像。对于每个输入图像，基于“基于学习的模型”来区分面部图像的第一面部区域集合与面部图像的第二面部区域集合。第一面部区域集合包括年龄不变面部特征，以及第二面部区域集合包括年龄敏感面部特征。该方法还包括：通过基于每个输入图像的第一面部区域集合执行面部验证来确定第一输入图像和第二输入图像是否包括相同个体的面部图像。

技术领域

一个或多个实施例总体上涉及面部分析，且具体地涉及用于显著面部区域检测的学习模型。

背景技术

个体的面部图像传达了大量的人口统计面部信息，例如情绪、表情、身份、年龄、性别、种族等。因此，面部图像分析在多个领域的各种各样的应用中是重要的，例如安保、执法、娱乐、人机交互(HCI)系统和人工智能(AI)系统。

存在不同类型的面部图像分析任务，例如面部验证和年龄估计。与其他面部区域相比，一些面部区域对于一些面部图像分析任务可能更重要。例如，对于年龄估计，分析随年龄变化的面部区域。相比之下，对于面部验证，分析年龄不变面部区域(例如眼睛、鼻子、嘴等)。然而，随年龄变化的面部区域(例如，具有皱纹的前额等)对于面部验证是没有帮助的，因为在年龄和身份之间可能出现冲突的面部图案。在某些面部区域中表现出年龄变化的面部图像通常导致面部容貌的差异增加，由此增加了执行具有年龄变化的面部验证(即表现出较大年龄间隔的面部图像之间的面部匹配)的难度。用于改善跨年龄面部识别的一种传统解决方案是面部合成(即面部建模)。在面部合成中，输入的面部图像被合成到目标年龄。然而，如果衰老图案未知，则很难准确地合成和模拟不可预测的衰老进程。用于改善跨年龄面部识别的另一种传统解决方案是自动识别年龄不变面部区域。

发明内容

【技术问题】

传统上，由于某些面部区域的重要性对于不同的面部图像分析任务发生变化，所以利用不同的独特框架来执行不同的面部图像分析任务。不存在可以处理多个冲突的面部图像分析任务的现有框架。

附图说明

图1示出了一个或多个实施例中用于实现面部分析系统的示例计算架构；

图2A详细示出了一个或多个实施例中的初始化和训练系统；

图2B详细示出了一个或多个实施例中的面部分析系统；

图3示出了一个或多个实施例中的面部分析系统的示例深度神经网络；

图4示出了一个或多个实施例中的深度神经网络的示例配置；

图5示出了一个或多个实施例中的深度神经网络的另一示例配置；

图6示出了一个或多个实施例中的深度神经网络的另一示例配置；

图7示出了一个或多个实施例中的面部分析系统的另一示例框架；

图8是一个或多个实施例中用于执行冲突的面部图像分析任务的示例过程的流程图；以及

图9是示出了包括用于实现所公开的实施例的计算机系统在内的信息处理系统的高级框图。

具体实施方式

【最佳实施方式】

一个实施例提供了一种方法，该方法包括：接收第一输入图像和第二输入图像。每个输入图像包括个体的面部图像。对于每个输入图像，基于“基于学习的模型”来区分面部图像的第一面部区域集合与面部图像的第二面部区域集合。第一面部区域集合包括年龄不变面部特征，以及第二面部区域集合包括年龄敏感面部特征。该方法还包括：通过基于每个输入图像的第一面部区域集合执行面部验证来确定第一输入图像和第二输入图像是否包括相同个体的面部图像。