[发明专利]一种人脸图像年龄估算方法、装置及其终端设备

说明书

本发明属于卷积神经网络技术领域，提供了一种人脸图像年龄估算方法、装置以及终端设备，所述方法包括：构建包括潜在因子分解层的卷积神经网络模型；初始化所述卷积神经网络模型；将预处理后的图像输入初始化后的卷积神经网络模型，根据所述预处理后的图像基于年龄损失函数通过反向传播法训练所述初始化后的卷积神经网络模型；将待检测人脸图像输入训练后的所述卷积神经网络模型，输出所述待检测人脸图像中人脸的年龄。潜在因子分解层可以将图像的特征分解为需要获取的与年龄相关的分量和与年龄无关的相关分量，所以能够基于与年龄相关的分量进行训练以及检测，使得所述卷积神经网络模型具有较好的鲁棒性。

技术领域

本发明属于卷积神经网络技术领域，尤其涉及一种人脸图像年龄估算方法、装置及其终端设备。

背景技术

人脸年龄估计在安全监控、人机交互、视频检索等领域有着巨大的应用价值。但是人脸年龄估计受到基因、生活环境、健康状况等众多因素的影响。卷积神经网络由于对大型图像处理有出色的表现，近年来成为研究的一个热点。在现有的基于卷积神经网络的人脸年龄估算方法中，主要有主动外观模型(AAM)、特征子空间模型(AGES)、外观模型(以BIF仿生特征为主)、流型模型。

但是主动外观模型将形状和纹理特征分开训练，丢失了形状和纹理特征共有部分的信息，而且主动外观模型依赖于各个关键点，一旦关键点检测不到位将影响最终的性能。特征子空间模型的缺点在于建立特征子空间模型时，需要同一个人多幅不同年龄的图像来建立子空间，因此该模型将不适用于只有单幅年龄图像的数据。流型模型的缺点在于年龄特征的流形学习方法对数据库的数量要求较多，只适合于大型的年龄数据库，且要求每个年龄段的数据分布比较均匀。外观模型是用的最多的模型，然而外观模型提取的特征还只是手工设计特征，人脸年龄估计的性能很有限。现有的基于卷积神经网络模型的人脸年龄估算方法鲁棒性较差，缺乏对人脸特征和其它特征的直接建模，网络模型的学习能力有限。

发明内容

鉴于此，本发明提供一种人脸图像年龄估算方法、装置及其终端设备，提高基于卷积神经网络的人脸图像年龄估算方法的鲁棒性。

本发明的第一方面，提供一种人脸图像年龄估算方法，所述方法包括：

构建包括潜在因子分解层的卷积神经网络模型；

初始化所述卷积神经网络模型；

将预处理后的图像输入初始化后的卷积神经网络模型，根据所述预处理后的图像基于年龄损失函数通过反向传播法训练所述初始化后的卷积神经网络模型；

将待检测人脸图像输入训练后的所述卷积神经网络模型，输出所述待检测人脸图像中人脸的年龄。

本发明的第二方面，提供一种人脸图像年龄估算装置，所述装置包括：

模型构建模块，用于构建包括潜在因子分解层的卷积神经网络模型；

初始化模块，用于初始化所述卷积神经网络模型；

训练模块，用于将预处理后的图像输入初始化后的卷积神经网络模型，根据所述预处理后的图像基于年龄损失函数通过反向传播法训练所述初始化后的卷积神经网络模型；

年龄估算模块，用于将待检测人脸图像输入训练后的所述卷积神经网络模型，输出所述待检测人脸图像中人脸的年龄。

本发明的第三方面，提供一种终端设备，所述终端设备包括：

存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面提供的所述方法的步骤。

本发明的第四方面，提供一种计算机存储介质，所述计算机存储介质可以是非易失性的，所述计算机存储介质上存储有计算机程序，所述计算机程序在被一个或多个处理器读取并执行时可实现上述第一方面提供的所述方法的步骤。