【技术实现步骤摘要】
一种基于卷积神经网络的多标签年龄估计方法
本专利技术属于图像处理和深度学习
，更具体地，涉及一种基于卷积神经网络的多标签年龄估计方法。
技术介绍
目前，人脸年龄估计在侦查监控、信息管理、智能人机交互、社交娱乐等领域得到了非常广泛的应用。然而，人脸年龄估计技术在真实应用场景中估计不够准确，容易受到表情、姿势、以及光照条件的影响。在人脸年龄估计方法种，绝大部分都是采用传统的年龄估计算法。传统的年龄估计方法主要分为特征提取和年龄估计两个阶段。在特征提取阶段，大都是显式的特征提取，得到的是基于手工设计的年龄特征，而由于手工设计特征的局限性，提取的年龄特征并不一定是最优的。即使将卷积神经网络应用在年龄估计上，但大多仍应用在特征提取阶段。在年龄估计阶段，无论是年龄分类还是年龄回归模式，大部分方法是将年龄标签作为相互独立的类别，忽略了年龄面貌变化是一个非常缓慢且有序的过程，相近年龄之间的人脸特征差别非常之小，即人脸年龄特征具有微变性和有序性。因此，现有的人脸年龄估计方法年龄估计准确率不高，且鲁棒性不好，难以实用，有较大的改善空间。
技术实现思路
针对现有技术的以上缺陷或改进需...
【技术保护点】
1.一种基于卷积神经网络的多标签年龄估计方法，其特征在于，包括以下步骤：(1)获取输入样本数据集；(2)对每个输入样本进行人脸检测、对齐，并根据人脸大小及位置将输入图像进行变形、切割为指定大小的归一化图像；(3)将每个输入样本标注的年龄标签进行多标签处理，使得每个样本映射到相同数量的标签，以得到多标签训练样本集；(4)将步骤(2)中得到的所有归一化图像作为多输出卷积神经网络的输入，将步骤(3)中得到的所有样本的多标签集作为输出，对卷积神经网络进行训练，得到卷积神经网络年龄估计模型；(5)将得到的模型的一系列二分类输出，以及步骤(3)中的多标签处理原则，结合年龄的有序特性，完...
【技术特征摘要】
1.一种基于卷积神经网络的多标签年龄估计方法，其特征在于，包括以下步骤：(1)获取输入样本数据集；(2)对每个输入样本进行人脸检测、对齐，并根据人脸大小及位置将输入图像进行变形、切割为指定大小的归一化图像；(3)将每个输入样本标注的年龄标签进行多标签处理，使得每个样本映射到相同数量的标签，以得到多标签训练样本集；(4)将步骤(2)中得到的所有归一化图像作为多输出卷积神经网络的输入，将步骤(3)中得到的所有样本的多标签集作为输出，对卷积神经网络进行训练，得到卷积神经网络年龄估计模型；(5)将得到的模型的一系列二分类输出，以及步骤(3)中的多标签处理原则，结合年龄的有序特性，完成人脸估计年龄的计算。2.根据权利要求1所述的基于卷积神经网络的多标签年龄估计方法，其特征在于，步骤(1)中所述的输入样本数据集是从互联网上直接下载的人脸年龄图像、以及人为拍摄的人脸图像，其中包括不同种族的人脸图像、不同光照效果的图像、不同姿势的人脸图像、以及不同性别的人脸图像。3.根据权利要求1所述的基于卷积神经网络的多标签年龄估计方法，其特征在于，步骤(2)具体包括以下子步骤：(2-1)利用原始人脸图像，采用人脸检测方法对人脸人脸图像进行检测，以获取图像中人脸双眼的位置；(2-2)利用步骤(2-1)得到的双眼位置，将人脸图像进行旋转、缩放、以及分割，以得到归一化后的人脸图像。4.根据权利要求1所述的基于卷积神经网络的多标签年龄估计方法，其特征在于，步骤(3)具体包括以下子步骤：(3-1)获取原始人脸图像的真实年龄标签，采用相同的多标签处理原则，得到对应的多标签集合，记为Yi；计算公式如下：Yi＝{yi-n,...,yi,...,yi+n}其中，yi表示原始人脸图像的真实年龄标签，n表示多标签范围值；(3-2)利用步骤(3-1)得到的图像样本对应的多标签集合，根据年龄范围，按年龄顺序进行0-1映射，以得到输入样本的期望输出数据。5.根据权利要求1所述的基于卷积神经网络的多标签年龄估计方法，其特征在于，步骤(4)具体包括以下子步骤：(4-1)利用步骤(3)得到的多标签集合...
【专利技术属性】
技术研发人员：刘新华，林国华，谢程娟，马小林，旷海兰，张家亮，周炜，林靖杰，
申请(专利权)人：武汉嫦娥医学抗衰机器人股份有限公司，
类型：发明
国别省市：湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。