年龄估计方法及装置、电子设备及计算机可读存储介质制造方法及图纸

本发明专利技术提供年龄估计方法及装置、电子设备及计算机可读存储介质，以提高年龄估算的准确性。该方法包括：目标神经网络接收目标图像；目标神经网络在训练过程中根据真实年龄值与各年龄分类的距离、真实年龄所对应的概率值以及各年龄分类的概率值计算分类损失值，基于分类损失值进行参数调整；目标图像是将不同的脸部图像按预设比例混合得到的混合脸部图像；目标神经网络对目标图像提取特征向量；目标神经网络基于特征向量，计算各年龄分类对应的概率值；将各年龄分类对应的概率值与年龄偏差值的乘积进行累加，得到年龄预测值；每一年龄分类对应的年龄偏差值是在训练过程中预测得到的，年龄偏差值属于参数。

【技术实现步骤摘要】
年龄估计方法及装置、电子设备及计算机可读存储介质
本专利技术涉及计算机领域，特别涉及年龄估计方法及装置、电子设备及计算机可读存储介质。
技术介绍
在一些场景需要使用神经网络基于人脸图像进行年龄估计。一种估计方式是将年龄估计作为分类任务，也即，预先设计年龄分类(比如0-100岁，每一整数年龄值为一个分类)，由神经网络计算各年龄分类的概率值，取最大的概率值所对应的年龄分类作为预测年龄值。举例来讲，假定25岁这一年龄分类的概率值为0.8，在0-100这101个年龄分类中其概率值最大，则会选择25岁作为预测的年龄值。其在训练过程中，采用了分类损失函数计算分类损失值进行参数调整，其使用的分类损失函数为Loss＝-log(pg)+∑(-log(1-pi))，其中，g表示真实年龄，Pg表示该真实年龄所对应的年龄分类由神经网络计算出的概率值，i表示任一年龄分类，Pi表示神经网络计算出的该年龄分类的概率值。在上述训练过程中，年龄分类之间是相互独立的，如张三的真实年龄是24岁，那么只有24这个类别为正类，其他比如0岁，23岁，25岁，99岁都为负类，并无任何差别。假定0岁和23岁对应的概率均为0.02，那么通过传统的分类损失函数计算的0岁对应的损失值，与23岁对应的损失值是相同的。但实际上将张三的年龄预测为23岁或25岁，比将其预测为0岁或99岁要更为贴近事实。专利技术人因而发现，上述年龄估算方式和神经网络训练方式无视了年龄并非整数值的特点，并且，也忽略了年龄彼此并非独立的特点。这使得传统的年龄估算方式的准确度相对不高。
技术实现思路
有鉴于此，本专利技术实施例提供年龄估计方法及装置、电子设备及计算机可读存储介质，以提高年龄估算的准确性。为实现上述目的，本专利技术实施例提供如下技术方案：一种年龄估计方法，包括：目标神经网络接收目标图像；所述目标神经网络在训练过程中根据真实年龄值与各年龄分类的距离、真实年龄所对应的概率值以及各年龄分类的概率值计算分类损失值，基于所述分类损失值进行参数调整；所述目标图像是将不同的脸部图像按预设比例混合得到的混合脸部图像；所述目标神经网络对所述目标图像提取特征向量；所述目标神经网络基于所述特征向量，计算各年龄分类对应的概率值；将各年龄分类对应的概率值与年龄偏差值的乘积进行累加，得到年龄预测值；每一年龄分类对应的年龄偏差值是在训练过程中预测得到的，所述年龄偏差值属于所述参数。可选的，所述训练过程包括：向神经网络模型输入图像样本由所述神经网络模型进行年龄预测；任一图像样本至少包括第二目标图像和年龄标签；所述第二目标图像是将包含不同年龄的脸部图像按预设比例混合，得到的混合脸部图像；计算图像样本的损失值；所述损失值至少包括根据所述第二目标图像的真实年龄值与各年龄分类的距离、真实年龄所对应的概率值以及各年龄分类的概率值计算的分类损失值；根据计算出的损失值进行参数调整，训练过程结束后，经参数调整后的神经网络模型为所述目标神经网络。可选的，所述损失值还包括：基于各年龄分类对应的概率值、年龄偏差值和真实年龄，计算得到的回归损失值。可选的，所述图像样本还包括：X张参考图像和相应的年龄标签；任一年龄标签包含真实年龄；X为正整数；所述损失值还包括绝对值损失；所述绝对值损失的计算方式包括：计算所述第二目标图像的年龄预测值与任一参考图像的年龄预测值之间的第一差值，以及，所述第二目标图像的真实年龄与所述任一参考图像的真实年龄的第二差值；计算所述第一差值与所述第二差值之间的差值的绝对值，得到X个差值绝对值；将X个差值绝对值累加，得到所述绝对值损失。可选的，所述根据计算出的损失值进行参数调整包括：计算绝对值损失与回归损失值、分类损失差的和值，作为总损失值；根据所述总损失值优化参数。可选的，所述分类损失值通过如下分类损失函数计算得到：Loss1＝-log(pg)+∑(|i-g|/M)*(-log(1-pi))；所述回归损失值通过如下回归损失函数计算得到：Loss2＝(∑pi*(i+Δi)–g)2；其中，g表示所述第二目标图像的真实年龄，i表示任一年龄分类，pg表示将所述第二目标图像的年龄预测为g的概率值，pi表示任一年龄分类对应的概率值，Δi表示所述任一年龄分类对应的年龄偏差值，M表示年龄分类的总数量。一种年龄估计装置，包括预处理模块、目标神经网络和后处理模块；所述目标神经网络在训练过程中根据真实年龄值与各年龄分类的距离、真实年龄所对应的概率值以及各年龄分类的概率值计算分类损失值，基于所述分类损失值进行参数调整；所述预处理模块用于：将不同的脸部图像按预设比例混合得到的目标图像；所述目标神经网络包括：输入单元，用于：接收目标图像；特征提取单元，用于：对所述目标图像提取特征向量；基于所述特征向量，计算各年龄分类对应的概率值；后处理模块，用于：将各年龄分类对应的概率值与年龄偏差值的乘积进行累加，得到年龄预测值；每一年龄分类对应的年龄偏差值是在训练过程中预测得到的，所述年龄偏差值属于所述参数。可选的，还包括训练模块，用于：向神经网络模型输入图像样本由所述神经网络模型进行年龄预测；任一图像样本至少包括第二目标图像和年龄标签；所述第二目标图像是将包含不同年龄的脸部图像按预设比例混合，得到的混合脸部图像；计算图像样本的损失值；所述损失值至少包括根据所述第二目标图像的真实年龄值与各年龄分类的距离、真实年龄所对应的概率值以及各年龄分类的概率值计算的分类损失值；根据计算出的损失值进行参数调整，训练过程结束后，经参数调整后的神经网络模型为所述目标神经网络。一种电子设备，至少包括处理器和存储器；其特征在于，处理器通过执行存储器中存放的程序以及调用其他设备实现上述任一项的方法。一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述任一项所述的方法。可见，在本专利技术实施例中，在训练神经网络的过程中，引入了真实年龄值与各年龄分类的距离计算分类损失值，假定真实年龄为24岁，0岁和23岁对应的相同概率，但由于0岁与真实年龄的距离，要大于23岁与真实年龄的距离，那么根据距离计算分类损失值时，预测为0岁对应的损失值，要大于预测为23岁对应的损失值，这也更为贴近事实，训练出的目标神经网络的预测结果也更为准确。同时，在预测过程中，在得到年龄分类对应的概率值，本专利技术实施例并没有直接将最大的概率值所对应的年龄分类作为预测的年龄值。而是将各年龄分类对应的概率值与年龄偏差值的乘积进行累加，得到的累积值一般不是整数值，符合年龄并非整数值的特点。附图说明图1为本专利技术实施例提供的年龄估计装置的一种示例性结构；图2a为本专利技术实施例提供的年龄估计方法的一种示例性流程；图2b为本专利技术实施例提供的全连接值向量示意图；图3为本专利技术实施例提供的迭代训练的示例性流程；图4为本专利技术实施例提供的迭代本文档来自技高网...

【技术保护点】
1.一种年龄估计方法，其特征在于，包括：/n目标神经网络接收目标图像；所述目标神经网络在训练过程中根据真实年龄值与各年龄分类的距离、真实年龄所对应的概率值以及各年龄分类的概率值计算分类损失值，基于所述分类损失值进行参数调整；所述目标图像是将不同的脸部图像按预设比例混合得到的混合脸部图像；/n所述目标神经网络对所述目标图像提取特征向量；/n所述目标神经网络基于所述特征向量，计算各年龄分类对应的概率值；/n将各年龄分类对应的概率值与年龄偏差值的乘积进行累加，得到年龄预测值；每一年龄分类对应的年龄偏差值是在训练过程中预测得到的，所述年龄偏差值属于所述参数。/n

【技术特征摘要】
1.一种年龄估计方法，其特征在于，包括：
目标神经网络接收目标图像；所述目标神经网络在训练过程中根据真实年龄值与各年龄分类的距离、真实年龄所对应的概率值以及各年龄分类的概率值计算分类损失值，基于所述分类损失值进行参数调整；所述目标图像是将不同的脸部图像按预设比例混合得到的混合脸部图像；
所述目标神经网络对所述目标图像提取特征向量；
所述目标神经网络基于所述特征向量，计算各年龄分类对应的概率值；
将各年龄分类对应的概率值与年龄偏差值的乘积进行累加，得到年龄预测值；每一年龄分类对应的年龄偏差值是在训练过程中预测得到的，所述年龄偏差值属于所述参数。


2.如权利要求1所述的方法，其特征在于，所述训练过程包括：
向神经网络模型输入图像样本由所述神经网络模型进行年龄预测；任一图像样本至少包括第二目标图像和年龄标签；所述第二目标图像是将包含不同年龄的脸部图像按预设比例混合，得到的混合脸部图像；
计算图像样本的损失值；所述损失值至少包括根据所述第二目标图像的真实年龄值与各年龄分类的距离、真实年龄所对应的概率值以及各年龄分类的概率值计算的分类损失值；
根据计算出的损失值进行参数调整，训练过程结束后，经参数调整后的神经网络模型为所述目标神经网络。


3.如权利要求2所述的方法，其特征在于，所述损失值还包括：基于各年龄分类对应的概率值、年龄偏差值和真实年龄，计算得到的回归损失值。


4.如权利要求3所述的方法，其特征在于，
所述图像样本还包括：X张参考图像和相应的年龄标签；任一年龄标签包含真实年龄；X为正整数；
所述损失值还包括绝对值损失；
所述绝对值损失的计算方式包括：
计算所述第二目标图像的年龄预测值与任一参考图像的年龄预测值之间的第一差值，以及，所述第二目标图像的真实年龄与所述任一参考图像的真实年龄的第二差值；
计算所述第一差值与所述第二差值之间的差值的绝对值，得到X个差值绝对值；
将X个差值绝对值累加，得到所述绝对值损失。


5.如权利要求4所述的方法，其特征在于，所述根据计算出的损失值进行参数调整包括：
计算绝对值损失与回归损失值、分类损失差的和值，作为总损失值；
根据所述总损失值优化参数。


6.如权利要求3所述...

【专利技术属性】
技术研发人员：黄泽元，
申请(专利权)人：深圳集智数字科技有限公司，
类型：发明
国别省市：广东;44