本发明专利技术公开了一种年龄预测模型的训练方法，该年龄预测模型包括三维形变统计模型、可微分渲染器、第一特征提取网络、第二特征提取网络和年龄预测层，首先通过三维形变统计模型和可微分渲染器将目标人脸图像转换为二维渲染图像，该二维渲染图像具备三维特征信息。然后将目标人脸图像输入第一特征提取网络并将二维渲染图像输入第二特征提取网络以进行特征提取，将第一特征提取网络和第二特征提取网络中对应同一特征尺度的两个特征提取层输出的特征图进行特征融合，以输出目标特征图；从而将三维特征信息融合到不同尺度的特征图中，进而约束同一个人因不同表情导致的特征变化，使得整个预测模型具有更高的准确度和适应性。使得整个预测模型具有更高的准确度和适应性。使得整个预测模型具有更高的准确度和适应性。
【技术实现步骤摘要】
年龄预测模型的训练方法、年龄预测方法及装置
[0001]本专利技术涉及图像分析
，尤其是涉及年龄预测模型的训练方法、年龄预测方法及装置。
技术介绍
[0002]人脸训练图像中包含有很多的人脸特征信息，其中年龄作为一项很重要的特征信息，在人脸识别领域中十分受到重视，然而人脸年龄预测是一项充满挑战的任务。人脸的衰老体现在皮肤的松弛程度、皱纹等细节上，但在人脸年龄的预测过程中，当脸部表情发生变化时，会导致这些细节也发生一定变化，从而影响年龄预测结果的准确性，这样训练出来的预测模型在实际应用中就会出现鲁棒性较差的问题。
技术实现思路
[0003]基于此，有必要针对上述问题，提供解决因脸部表情变化而导致年龄预测出现偏差的年龄预测模型的训练方法、年龄预测方法及装置。
[0004]一种年龄预测模型的训练方法，所述年龄预测模型包括三维形变统计模型、可微分渲染器、第一特征提取网络、第二特征提取网络和年龄预测层，所述第一特征提取网络与所述第二特征提取网络的结构相同，其中，所述第一特征提取网络与所述第二特征提取网络均包括依次连接的多个特征提取层，所述多个特征提取层分别用于输出不同特征尺度的特征图，所述方法包括：
[0005]获取训练数据集，所述训练数据集包括多个人脸训练图像，一个人脸训练图像有一个对应标注的真实年龄标签；
[0006]将目标人脸图像输入所述年龄预测模型，通过所述三维形变统计模型将所述目标人脸图像转换为三维人脸网格，通过所述可微分渲染器对所述三维人脸网格进行渲染，以得到二维渲染图像；所述目标人脸图像为所述多个人脸训练图像中的任意一个，所述二维渲染图像为将所述三维人脸网格投射在二维平面后得到的图像，所述目标人脸图像与所述二维渲染图像的尺寸相同；
[0007]将所述目标人脸图像输入所述第一特征提取网络并将所述二维渲染图像输入所述第二特征提取网络以进行特征提取，并将所述第一特征提取网络和所述第二特征提取网络中对应同一特征尺度的两个特征提取层输出的特征图进行特征融合，以输出目标特征图，所述目标特征图为所述第一特征提取网络和所述第二特征提取网络中的最后一个特征提取层输出的特征图的融合；
[0008]将所述目标特征图输入至所述年龄预测层，以预测所述目标人脸图像的预测年龄值，根据所述预测年龄值、所述目标人脸图像的真实年龄标签计算损失值，根据所述损失值调整所述年龄预测模型的参数，返回执行将目标人脸图像输入所述年龄预测模型的步骤，直至所述年龄预测模型收敛。
[0009]在其中一个实施例中，所述通过所述三维形变统计模型将所述目标人脸图像转换
为三维人脸网格，包括：
[0010]从三维形变统计数据库中获取正交基向量，所述正交基向量基于对预设数量的三维人脸样本进行主成分分析得到，所述正交基向量包括在所述三维人脸网格中表征位置特征的位置基向量和表征颜色特征的颜色基向量；
[0011]将所述目标人脸图像输入生成器，通过所述生成器生成所述目标人脸图像符合人脸顶点分布的人脸三维重构系数，其中所述生成器在对生成对抗网络进行对抗训练后得到，一个人脸三维重构系数与一个正交基向量对应；
[0012]通过所述三维形变统计模型将所述正交基向量与所述人脸三维重构系数进行线性组合，以得到所述三维人脸网格。
[0013]在其中一个实施例中，所述生成对抗网络还包括判别器；在所述将所述目标人脸图像输入生成器之前，还包括：
[0014]获取用于进行对抗训练的人脸图像样本，将所述人脸图像样本输入所述生成器，以对所述人脸图像样本对应的人脸三维重构系数进行预测，得到回归结果；
[0015]获取真实三维重构系数，将所述回归结果和所述真实三维重构系数输入所述判别器进行数据类别的判别，所述真实三维重构系数为对真实三维人脸的系数进行采样得到的值；
[0016]根据判别结果对所述生成器和所述判别器进行对抗生成学习，以使得所述生成器生成的回归结果接近所述真实三维重构系数，且增大所述判别器判别的准确性，得到训练后的生成对抗网络。
[0017]在其中一个实施例中，所述多个特征提取层的数量为N；所述将所述目标人脸图像输入所述第一特征提取网络并将所述二维渲染图像输入所述第二特征提取网络以进行特征提取，并将所述第一特征提取网络与所述第二特征提取网络中的相同特征提取层输出的特征图进行特征融合，以输出目标特征图，包括：
[0018]将第(n
‑
1)个融合特征图输入至所述第一特征提取网络中的第n个特征提取层，得到第n个第一特征图；
[0019]将第(n
‑
1)个第二特征图输入至所述第二特征提取网络中的第n个特征提取层，得到第n个第二特征图；
[0020]将所述第n个第一特征图与所述第n个第二特征图进行特征融合，以得到第n个融合特征图；
[0021]将第N个融合特征图确定为目标特征图；其中，1≤n≤N，当n＝1时，所述第(n
‑
1)个融合特征图为所述目标人脸图像，所述第(n
‑
1)个第二特征图为所述二维渲染图像。
[0022]在其中一个实施例中，所述将所述第n个第一特征图与所述第n个第二特征图进行特征融合，以得到第n个融合特征图，包括：
[0023]将所述第n个第一特征图和所述第n个第二特征图在相同位置处的值进行相加，以得到所述第n个融合特征图。
[0024]在其中一个实施例中，所述根据所述预测年龄值、所述目标人脸图像的真实年龄标签计算损失值，包括：
[0025]根据所述真实年龄标签在所述训练数据集中占所有年龄标签的比值确定各个年龄的权重；
[0026]根据所述预测年龄值、所述真实年龄标签和带所述权重的损失函数计算公式计算所述损失值；其中，带所述权重的损失函数计算公式为：
[0027][0028]Wi为权重，Y
Ti
为真实年龄标签，P
i
预测年龄值为i时的概率。
[0029]在其中一个实施例中，在所述根据所述损失值调整所述年龄预测模型的参数，包括：
[0030]根据自适应矩阵估计算法和所述损失值调整所述年龄预测模型的参数。
[0031]一种年龄预测方法，应用上述年龄预测模型，所述方法包括：
[0032]获取待预测人脸图像，将所述待预测人脸图像输入所述年龄预测模型，以得到所述待预测人脸图像的预测年龄值。
[0033]一种年龄预测模型的训练装置，所述年龄预测模型包括三维形变统计模型、可微分渲染器、第一特征提取网络、第二特征提取网络和年龄预测层，所述第一特征提取网络与所述第二特征提取网络的结构相同，其中，所述第一特征提取网络与所述第二特征提取网络均包括依次连接的多个特征提取层，所述多个特征提取层分别用于输出不同特征尺度的特征图，所述装置包括：
[0034]数据集获取模块，用于获取训练数据集，所述训练数据集包括多个人脸训练图像，一个人脸训练图像有一个对应标注的真实年龄标签；
[0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种年龄预测模型的训练方法，其特征在于，所述年龄预测模型包括三维形变统计模型、可微分渲染器、第一特征提取网络、第二特征提取网络和年龄预测层，所述第一特征提取网络与所述第二特征提取网络的结构相同，其中，所述第一特征提取网络与所述第二特征提取网络均包括依次连接的多个特征提取层，所述多个特征提取层分别用于输出不同特征尺度的特征图，所述方法包括：获取训练数据集，所述训练数据集包括多个人脸训练图像，一个人脸训练图像有一个对应标注的真实年龄标签；将目标人脸图像输入所述年龄预测模型，通过所述三维形变统计模型将所述目标人脸图像转换为三维人脸网格，通过所述可微分渲染器对所述三维人脸网格进行渲染，以得到二维渲染图像；所述目标人脸图像为所述多个人脸训练图像中的任意一个，所述二维渲染图像为将所述三维人脸网格投射在二维平面后得到的图像，所述目标人脸图像与所述二维渲染图像的尺寸相同；将所述目标人脸图像输入所述第一特征提取网络并将所述二维渲染图像输入所述第二特征提取网络以进行特征提取，并将所述第一特征提取网络和所述第二特征提取网络中对应同一特征尺度的两个特征提取层输出的特征图进行特征融合，以输出目标特征图，所述目标特征图为所述第一特征提取网络和所述第二特征提取网络中的最后一个特征提取层输出的特征图的融合；将所述目标特征图输入至所述年龄预测层，以预测所述目标人脸图像的预测年龄值，根据所述预测年龄值、所述目标人脸图像的真实年龄标签计算损失值，根据所述损失值调整所述年龄预测模型的参数，返回执行将目标人脸图像输入所述年龄预测模型的步骤，直至所述年龄预测模型收敛。2.根据权利要求1所述的方法，其特征在于，所述通过所述三维形变统计模型将所述目标人脸图像转换为三维人脸网格，包括：从三维形变统计数据库中获取正交基向量，所述正交基向量基于对预设数量的三维人脸样本进行主成分分析得到，所述正交基向量包括在所述三维人脸网格中表征位置特征的位置基向量和表征颜色特征的颜色基向量；将所述目标人脸图像输入生成器，通过所述生成器生成所述目标人脸图像符合人脸顶点分布的人脸三维重构系数，其中所述生成器在对生成对抗网络进行对抗训练后得到，一个人脸三维重构系数与一个正交基向量对应；通过所述三维形变统计模型将所述正交基向量与所述人脸三维重构系数进行线性组合，以得到所述三维人脸网格。3.根据权利要求2所述的方法，其特征在于，所述生成对抗网络还包括判别器；在所述将所述目标人脸图像输入生成器之前，还包括：获取用于进行对抗训练的人脸图像样本，将所述人脸图像样本输入所述生成器，以对所述人脸图像样本对应的人脸三维重构系数进行预测，得到回归结果；获取真实三维重构系数，将所述回归结果和所述真实三维重构系数输入所述判别器进行数据类别的判别，所述真实三维重构系数为对真实三维人脸的系数进行采样得到的值；根据判别结果对所述生成器和所述判别器进行对抗生成学习，...
【专利技术属性】
技术研发人员：陈仿雄，
申请(专利权)人：深圳数联天下智能科技有限公司，
类型：发明
国别省市：
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。