[发明专利]基于桥式神经网络的人脸年龄估计方法及装置

说明书

本发明公开了一种基于桥式神经网络的人脸年龄估计方法及装置，其中，该方法包括：获取待估计输入图片；根据输入图片通过人脸检测技术获取人脸区域与人脸的多个关键点；根据多个关键点进行人脸对齐，以获取对齐后的人脸图片；将对齐后的人脸图片输入到深度卷积神经网络中进行特征提取，并将在进行特征提取的全连接层连接到桥式网络的局部回归器和门网络，生成回归结果和门函数，对回归结果和门函数进行加权和得到年龄估计结果。该方法可以解决现有年龄估计中低准确率问题，利用感知连续性的桥式网络，使得局部回归器间的连续性关系得到显式建模，从而充分利用这一信息提升最终的年龄估计性能，提升准确率。

技术领域

本发明涉及计算机视觉技术领域，特别涉及一种基于桥式神经网络的人脸年龄估计方法及装置。

背景技术

人脸年龄自动估计的任务是对于给定的一张人脸图片，自动估计出准确的年龄值。人脸年龄估计在视频监控、人机交互、社交媒体与人脸检索等方面都有着广泛的应用。虽然这一问题已经被研究了许多年，但是给出一个准确的年龄估计值仍然具有相当的挑战。

现有的人脸识别技术可以分为三类：基于回归的方法，基于分类的方法和基于序的方法。基于回归的方法将年龄标签看做数值然后使用一个回归器来直接回归年龄。然而人脸在不同的年龄段以不同的方式成熟，比如在幼年时人脸的变化主要体现在骨架的增长而在年老时人脸变化主要体现在皮肤衰老。这种非平稳的衰老过程意味着年龄估计的数据是异质的，因此通用的全局回归器在处理异质数据上存在困难，它们都很容易在这样的数据上过拟合。分治法被证明为是一个处理异质数据的好方法，分治法将整个数据空间划分为多个子空间分别对每个子空间使用一个回归器进行回归。然而人脸衰老的过程也是一个连续的过程，也就是说，人脸是随着年龄增长而逐渐变化的。比如人在31岁和32岁的面部外观是相近的。这样的一个连续性在现有的方法中没有被充分挖掘利用。基于分类的方法对待不同的年龄为独立的年龄标签，因而任何类型的分类错误是一样的，这就忽视了年龄标签之间的关联性。最近，也有很多基于序的方法被提出，这类方法通常使用一系列的二元分类器来决定年龄的序，将这些二元分类器的结果结合起来就可以得到最终的年龄估计值。然而这类方法同样忽略了二元分类器之间的关联关系，从而使得性能有限。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于桥式神经网络的人脸年龄估计方法，该方法可以解决现有年龄估计中低准确率问题。

本发明的另一个目的在于提出一种基于桥式神经网络的人脸年龄估计装置。

为达到上述目的，本发明一方面实施例提出了一种基于桥式神经网络的人脸年龄估计方法，包括：获取待估计输入图片；根据所述输入图片通过人脸检测技术获取人脸区域与人脸的多个关键点；根据所述多个关键点进行人脸对齐，以获取对齐后的人脸图片；将所述对齐后的人脸图片输入到深度卷积神经网络中进行特征提取，并将在进行特征提取的全连接层连接到桥式网络的局部回归器和门网络，生成回归结果和门函数，对所述回归结果和所述门函数进行加权和得到年龄估计结果。

本发明实施例的基于桥式神经网络的人脸年龄估计方法，通过提出感知连续性的桥式网络，使得局部回归器间的连续性关系得到显式建模，从而充分利用这一信息提升最终的年龄估计性能，提升准确率。

另外，根据本发明上述实施例的基于桥式神经网络的人脸年龄估计方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述对所述回归结果和所述门函数进行加权和得到年龄估计结果，进一步包括：

通过所述局部回归器将训练数据划分为k个有重叠的子集以处理异质数据，每个子集训练一个所述局部回归器，记第l个局部回归器的回归结果值为u_l(x)，所述门网络对每一个局部回归器产生一个所述门函数，记第l个门网络生成的所述门函数为π_l(x)，所述年龄估计结果的公式为：