一种基于图像的年龄估计方法、装置、设备及存储介质制造方法及图纸

本公开涉及一种基于图像的年龄估计方法、装置、设备及存储介质。本公开通过训练完成的神经网络模型对目标图像中目标对象的年龄进行估计，该神经网络模型是根据带年龄标签的第一样本图像以及多个预设年龄段中每个预设年龄段对应的第二样本图像训练得到的，也就是说，在对神经网络模型进行训练时，不仅需要确切年龄的样本图像，还需要预设年龄段的样本图像，而预设年龄段的样本图像的收集成本远低于确切年龄的样本图像的收集成本，降低了神经网络模型的训练成本。通过加入大量的预设年龄段的样本图像进行辅助训练，可以增大用来训练神经网络模型的样本图像的数量，从而提升了训练出的神经网络模型的准确性，提升了神经网络模型预测年龄的准确性。

【技术实现步骤摘要】
一种基于图像的年龄估计方法、装置、设备及存储介质
本公开涉及信息
，尤其涉及一种基于图像的年龄估计方法、装置、设备及存储介质。
技术介绍
在计算机视觉领域中，基于人脸图像的年龄估计是一个重要的分支。具体的，根据一张人脸图像，估计出该图像中人物的准确年龄，在人机交互、用户画像、视频监控、信息推荐等领域中具有较为重要的应用价值。目前基于人脸图像的年龄估计方法需要大量的带标签的人脸图像数据来训练神经网络模型，其中，该标签具体可以是图像中人物的准确年龄。但是，带标签的人脸图像目前存量较少，而且收集的成本非常高，不容易获取。因此，导致神经网络模型训练的成本过高。另外，由于用来训练神经网络模型的人脸图像较少，导致训练出的神经网络模型的准确性较低，从而降低了年龄估计的准确性。
技术实现思路
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种基于图像的年龄估计方法、装置、设备及存储介质，以降低神经网络模型的训练成本，提高神经网络模型预测年龄的准确性。第一方面，本公开实施例提供一种基于图像的年龄估计方法，包括：本文档来自技高网...

【技术保护点】
1.一种基于图像的年龄估计方法，其特征在于，所述方法包括：/n获取目标图像，所述目标图像中包括目标对象；/n将所述目标图像输入到训练完成的神经网络模型中，所述神经网络模型是根据带年龄标签的第一样本图像以及多个预设年龄段中每个预设年龄段对应的第二样本图像训练得到的，所述神经网络模型包括主体卷积神经网络层、年龄段分类层和确切年龄分类层，所述主体卷积神经网络层用于对所述目标图像进行特征提取，得到所述目标图像对应的目标特征信息，所述年龄段分类层用于根据所述目标特征信息确定所述目标对象的年龄段概率信息，所述确切年龄分类层用于根据所述目标特征信息确定所述目标对象的年龄概率信息；/n根据所述目标对象的年龄段...

【技术特征摘要】
1.一种基于图像的年龄估计方法，其特征在于，所述方法包括：
获取目标图像，所述目标图像中包括目标对象；
将所述目标图像输入到训练完成的神经网络模型中，所述神经网络模型是根据带年龄标签的第一样本图像以及多个预设年龄段中每个预设年龄段对应的第二样本图像训练得到的，所述神经网络模型包括主体卷积神经网络层、年龄段分类层和确切年龄分类层，所述主体卷积神经网络层用于对所述目标图像进行特征提取，得到所述目标图像对应的目标特征信息，所述年龄段分类层用于根据所述目标特征信息确定所述目标对象的年龄段概率信息，所述确切年龄分类层用于根据所述目标特征信息确定所述目标对象的年龄概率信息；
根据所述目标对象的年龄段概率信息和所述目标对象的年龄概率信息，确定所述目标对象的年龄。


2.根据权利要求1所述的方法，其特征在于，所述目标对象的年龄段概率信息包括第一目标向量，所述第一目标向量中的每个第一元素值表示所述目标对象的年龄段为预设年龄段的概率，每个第一元素值与一个预设年龄段对应；
所述目标对象的年龄概率信息包括第二目标向量，所述第二目标向量中的每个第二元素值表示所述目标对象的年龄为预设年龄的概率，每个第二元素值与一个预设年龄对应。


3.根据权利要求2所述的方法，其特征在于，根据所述目标对象的年龄段概率信息和所述目标对象的年龄概率信息，确定所述目标对象的年龄，包括：
根据所述第一目标向量，确定所述目标对象的目标年龄段，所述目标年龄段是所述第一目标向量中最大的第一元素值对应的预设年龄段；
根据所述目标年龄段，从所述第二目标向量中获取与所述目标年龄段对应的子向量；
根据所述子向量，确定所述目标对象的年龄。


4.根据权利要求3所述的方法，其特征在于，根据所述子向量，确定所述目标对象的年龄，包括：
将所述子向量中的第二元素值进行归一化处理；
根据归一化处理后的所述子向量中的第二元素值，对所述目标年龄段中的每个预设年龄进行加权平均，得到所述目标对象的年龄。


5.根据权利要求1所述的方法，其特征在于，所述目标图像为人脸图像，所述目标对象为人脸。


6.根据权利要求1所述的方法，其特征在于，获取目标图像之前，所述方法还包括：
获取第一样本图像以及所述第一样本图像中第一对象的年龄；
根据多个预设年龄段，获取每个预设年龄段对应的第二样本图像；
根据所述第一样本图像以及所述第一样本图像中第一对象的年龄，对所述神经网络模型中的主体卷积神经网络层、年龄段分类层和确切年龄分类层进行模型训练；
根据所述第二样本图像以及所述第二样本图像对应的预设年龄段，对所述神经网络模型中的主体卷积神经网络层和年龄段分类层进行模型训练。


7.根据权利要求6所述的方法，其特征在于，根据所述第一样本图像以及所述第一样本图像中第一对象的年龄，对所述神经网络模型中的主体卷积神经网络层、年龄段分类层和确切年龄分类层进行模型训练，包括：
将所述第一样本图像输入到所述神经网络模型中的主体卷积神经网络层，得到所述第一样本图像对应的第一特征信息；
将所述第一特征信息输入所述神经网络模型中的确切年龄分类层，得到第一预测向量；
将所述第一特征信息输入所述神经网络模型中的年龄段分类层，得到第二预测向量；
根据所述第一预测向量、所述第二预测向量和所述第一样本图像中第一对象的年龄，确定第一损失函数；
根据所述第一损失函数，更新所述主体卷积神经网络层的参数、所述年龄段分类层的参数和所述确切年龄分类层的参数。


8.根据权利要求7所述的方法，其特征在于，根据所述第一预测向量、所述第二预测向量和所述第一样本图像中第一对象的年龄，确定第一损失函数，包括：
根据所述第一样本图像中第一对象的年龄，确定第一样本向量，所述第一样本向量用于表示所述第一对象的年龄；
根据所述第一样本向量，确定第二样本向量，所述第二样本向量用于表示所述第一对象的年龄段；
根据所述第一预测向量、所述第二预测向量、所述第一样本向量和所述第二样本向量，确定第一损失函数。


9.根据权利要求7所述的方法，其特征在于，根据所述第一损失函数，更新所述主体卷积神经网络层的参数、所述年龄段分类层的参数和所述确切年龄分类层的参数，包括：
对所述第一损失函数中所述主体卷积神经网络层的参数、所述年龄段分类层的参数和所述确切年龄分类层的参数进行求导，得到第一导数结果；
根据所述第一导数结果，更新所述主体卷积神经网络层的参数、所述年龄段分类层的参数和所述确切年龄分类层的参数。


10.根据权利要求6所述的方法，其特征在...

【专利技术属性】
技术研发人员：王森，
申请(专利权)人：北京金山云网络技术有限公司，
类型：发明
国别省市：北京;11