用于显著面部区域检测的学习模型制造技术

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。

【技术实现步骤摘要】
【国外来华专利技术】用于显著面部区域检测的学习模型
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。
技术介绍
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。
技术实现思路
【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。将参考下面的描述、所附权利要求和附图来理解一个或多个实施例的这些以及其他特征、方面和优点。【具体实施方式】下面的描述出于示出一个或多个实施例的一般原理的目的而做出，但不意味着限制本文中要求保护的专利技术构思。此外，本文中所描述的特定特征可以用各种可能的组合和排列中的每一种方式与其他描述的特征组合使用。除非本文中另外明确地定义，否则将给予所有术语它们最广泛的可能的解释，包括从说明书暗示的含义以及本领域技术人员理解和/或在字典、论文等中定义的含义。在本说明书中，术语“年龄标签”用于一般地指代以下信息：基于从个体的面部图像的一个或多个年龄敏感面部区域中提取的一个或多个特征来指示个体的年龄的信息。可以将年龄标签分类为基于观察数据的实际/已知的年龄标签或基于信念数据的估计/预测的年龄标签。在本说明书中，术语“面部验证”用于一般地指代比较个体的两个面部图像以确定面部图像是否捕捉相同个体的面部图像分析任务。在本说明书中，术语“年龄估计”用于一般地指代确定在面部图像中捕捉的个体的估计/预测的年龄的面部图像分析任务。在本说明书中，术语“跨面部年龄验证”用于一般地指代比较个体在不同年龄的两个面部图像以确定面部图像是否捕捉到相同个体的面部图像分析任务。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的面部区域检测的学习模型。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。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，所以一个实施例提供了一种可以用于冲突的面部图像分析任务的单个框架。该框架增强了不同面部图像分析任务(例如，面部验证、年龄估计、面部合成等)的性能。该框架提供端到端网络，用于从与给定的面部图像分析任务有关的一个或多个面部区域中提取具体的人口统计面部信息，并排除与该任务无关的一个或多个其他面部区域。端到端网络是被配置为执行不同的面部图像分析任务的自动流水线。例如，为了合成男性的面部图像，端到端网络专注于从男性的性别敏感面部区域中而不是从整个面部中提取面部信息。在一个示例实现方式中，端到端网络利用学习面部特征的联合深度神经网络。对联合深度神经网络进行训练以同时学习相关学习任务集合。在训练之后，可以使用联合深度神经网络来解决冲突的面部图像分析任务，因为从某个学习任务中学习到的特征也可能与另一个学习任务有关。例如，可以将面部验证设置为主要任务，并且可以将年龄估计设置为辅助任务。在一个实施例中，端到端网络包括连体(Siamese)深度神经网络，连体深度神经网络包括共享相同的参数(例如权重)的两个耦合的深度卷积神经网络(CNN)。可以将对比损失用于面部验证，并且可以将soft-max函数用于年龄估计。一个实施例提供了一种基于学习的模型，用于自动的显著面部区域检测。该基于学习的模型可以用于冲突的面部图像分析任务。基于学习的模型可以用于定位与具体的面部图像分析任务有关的显著的面部区域，由此增加人口统计面部信息感知的准确性。例如，对于面部验证，可以使用基于学习的模型从年龄不变面部区域中提取面部信息。相比之下，对于年龄估计，可以使用相同的基于学习的模型从年龄敏感面部区域(即，具有年龄变化的面部区域)中提取面部信息。一个实施例提供了一种用于年龄估计和身份估计这二者的多任务框架。该框架可以对不同的面部衰老基准数据集(例如MORPH和FG-NET)来应用。考虑年龄变化的面部验证(即，在表现出大年龄间隔的面部图像之间进行面部匹配)可以具有广泛的应用，例如(但不限于)寻找失踪人员(例如，在很长一段时间之后识别被拐卖的儿童)和其他司法领域。图1示出了一个或多个实施例中用于实现面部分析系统100的示例计算架构10。计算架构10包括初始化和训练系统40，该初始化和训练系统40包括计算硬件，例如(但不限于)一个或多个处理器设备41和一个或多个存储设备42。计算架构10还包括面部分析系统100，面部分析系统100包括计算硬件，例如(但不限于)一个或多个处本文档来自技高网...

【技术保护点】
1.一种方法，包括：接收第一输入图像和第二输入图像，其中，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所述面部图像的第一面部区域集合与所述面部图像的第二面部区域集合，其中，所述第一面部区域集合包括一个或多个年龄不变面部特征，以及所述第二面部区域集合包括一个或多个年龄敏感面部特征；以及通过基于每个输入图像的所述第一面部区域集合执行面部验证来确定所述第一输入图像和所述第二输入图像是否包括相同个体的面部图像。

【技术特征摘要】
【国外来华专利技术】2016.06.06 US 62/346,208;2017.03.03 US 15/449,2661.一种方法，包括：接收第一输入图像和第二输入图像，其中，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所述面部图像的第一面部区域集合与所述面部图像的第二面部区域集合，其中，所述第一面部区域集合包括一个或多个年龄不变面部特征，以及所述第二面部区域集合包括一个或多个年龄敏感面部特征；以及通过基于每个输入图像的所述第一面部区域集合执行面部验证来确定所述第一输入图像和所述第二输入图像是否包括相同个体的面部图像。2.根据权利要求1所述的方法，还包括：对于每个输入图像，通过基于所述第二面部区域集合执行年龄估计来估计在所述输入图像中捕捉的个体的年龄。3.根据权利要求2所述的方法，其中，并发执行所述年龄估计和所述面部验证。4.根据权利要求1所述的方法，其中，在训练阶段中，基于包括相同个体在不同年龄的面部图像在内的一对训练图像，同时训练所述基于学习的模型以学习一个或多个年龄敏感面部特征和一个或多个年龄不变面部特征。5.根据权利要求1所述的方法，其中，包括一个或多个年龄不变面部特征在内的面部区域包括面部的包括眼睛、鼻子或嘴之一在内的区域。6.根据权利要求1所述的方法，其中，包括一个或多个年龄敏感面部特征在内的面部区域包括面部的包括前额在内的区域。7.根据权利要求1所述的方法，其中，所述基于学习的模型包括深度神经网络。8.根据权利要求1所述的方法，其中，所述基于学习的模型包括一个或多个支持向量机。9.一种系统，包括：至少一个处理器；以及存储指令的非暂时性处理器可读存储器设备，所述指令在由所述至少一个处理器执行时使所述至少一个处理器执行包括以下各项在内的操作：接收第一输入图像和第二输入图像，其中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，区分所述面部图像的第一面部区域集合与所述面部图像的第二面部区域集合，其中，所述第一面部区域集合包括一个或多个年龄不变面部特征，以及所述第二面部区域集合包括一个或多个年...

【专利技术属性】
技术研发人员：王小龙，周茵，李博，乔纳森·J·柯里，
申请(专利权)人：三星电子株式会社，
类型：发明
国别省市：韩国,KR