人员年龄估算方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术实施例公开了人员年龄估算方法、装置、计算机设备及存储介质。所述方法包括：获取待估算的人脸图像，以得到初始图像；将所述初始图像输入至Tensorflow Lite格式的年龄估算模型中进行年龄估算，以得到估算结果；输出所述估算结果；其中，所述年龄估算模型是通过若干个带有年龄标签的人脸图像作为样本集对神经网络进行训练后，将训练后的神经网络转换为Tensorflow Lite格式所得的。通过实施本发明专利技术实施例的方法可实现快速对人员年龄在离线的情况下进行估算，提高效率和准确率。提高效率和准确率。提高效率和准确率。

【技术实现步骤摘要】
人员年龄估算方法、装置、计算机设备及存储介质


[0001]本专利技术涉及年龄估算方法，更具体地说是指人员年龄估算方法、装置、计算机设备及存储介质。

技术介绍

[0002]在进行广告发布之后，都会对广告的受众人群进行统计和分析，需要知道已经发布的广告的主要受众人群的年龄；哪个广告受年轻人关注，哪个广告受中年人关注；哪个地段的广告观看者是年轻人，哪个地段的广告是中年人，因此，需要将观看广告的人员进行年龄估算。
[0003]现有的人员年龄估算方式是通过在线估算的方式，即上传当前人员的照片去估算平台，然后平台分析后将人员年龄返回给前端系统，通常平台估算都是采用人工估算的方式，但是这种方式存在效率低，且准确率低的问题。
[0004]因此，有必要设计一种新的方法，实现可快速对人员年龄在离线的情况下进行估算，提高效率和准确率。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的缺陷，提供人员年龄估算方法、装置、计算机设备及存储介质。
[0006]为实现上述目的，本专利技术采用以下技术方案：人员年龄估算方法，包括：
[0007]获取待估算的人脸图像，以得到初始图像；
[0008]将所述初始图像输入至Tensorflow Lite格式的年龄估算模型中进行年龄估算，以得到估算结果；
[0009]输出所述估算结果；
[0010]其中，所述年龄估算模型是通过若干个带有年龄标签的人脸图像作为样本集对神经网络进行训练后，将训练后的神经网络转换为Tensorflow Lite格式所得的。
[0011]其进一步技术方案为：所述年龄估算模型是通过若干个带有年龄标签的人脸图像作为样本集对神经网络进行训练后，将训练后的神经网络转换为Tensorflow Lite格式所得的，包括：
[0012]获取若干个带有年龄标签的人脸图像，以得到样本集；
[0013]对所述样本集进行预处理，以得到处理结果；
[0014]构建神经网络模型；
[0015]利用所述处理结果对所述神经网络模型进行训练，以得到训练结果；
[0016]计算训练结果对应的损失值；
[0017]判断所述损失值是否趋于稳定；
[0018]若所述损失值趋于稳定，则将训练后的神经网络模型保存为Keras模型；
[0019]将所述Keras模型转换成Tensorflow Lite格式的模型，以得到年龄估算模型；
[0020]若所述损失值不趋于稳定，则调整所述神经网络模型的参数，并执行所述利用所述处理结果对所述神经网络模型进行训练，并计算损失值。
[0021]其进一步技术方案为：所述神经网络模型包括依序连接的输入层、卷积层、全连接层以及输出层，其中，所述全连接层的个数为三个。
[0022]其进一步技术方案为：所述计算训练结果对应的损失值，包括：
[0023]采用MAE作为损失函数，计算训练结果对应的损失值。
[0024]其进一步技术方案为：所述利用所述处理结果对所述神经网络模型进行训练，以得到训练结果，包括；
[0025]在进行设定数量的训练迭代后，降低学习率，并利用所述处理结果对所述神经网络模型进行训练，以得到训练结果。
[0026]其进一步技术方案为：所述将所述Keras模型转换成Tensorflow Lite格式的模型，以得到年龄估算模型，包括：
[0027]使用tf.lite.TFLiteConverter将所述Keras模型转换成Tensorflow Lite格式的模型，以得到年龄估算模型。
[0028]本专利技术还提供了人员年龄估算装置，包括：
[0029]图像获取单元，用于获取待估算的人脸图像，以得到初始图像；
[0030]估算单元，用于将所述初始图像输入至Tensorflow Lite格式的年龄估算模型中进行年龄估算，以得到估算结果；
[0031]输出单元，用于输出所述估算结果。
[0032]其进一步技术方案为：还包括模型生成单元；
[0033]所述模型生成单元，用于通过若干个带有年龄标签的人脸图像作为样本集对神经网络进行训练后，将训练后的神经网络转换为Tensorflow Lite格式，以得到年龄估算模型。
[0034]本专利技术还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
[0035]本专利技术还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
[0036]本专利技术与现有技术相比的有益效果是：本专利技术通过获取待估算的人脸图像，将该图像输入至Tensorflow Lite格式的年龄估算模型内进行年龄估算，该Tensorflow Lite格式的年龄估算模型是通过若干个带有年龄标签的人脸图像作为样本集对神经网络进行训练后，将训练后的神经网络转换为Tensorflow Lite格式所得的，适用于RK3399的Android平台，实现可快速对人员年龄在离线的情况下进行估算，提高效率和准确率。
[0037]下面结合附图和具体实施例对本专利技术作进一步描述。
附图说明
[0038]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]图1为本专利技术实施例提供的人员年龄估算方法的应用场景示意图；
[0040]图2为本专利技术实施例提供的人员年龄估算方法的流程示意图；
[0041]图3为本专利技术实施例提供的人员年龄估算方法的子流程示意图；
[0042]图4为本专利技术实施例提供的人员年龄估算方法的估算结果示意图一；
[0043]图5为本专利技术实施例提供的人员年龄估算方法的估算结果示意图二；
[0044]图6为本专利技术实施例提供的人员年龄估算方法的估算结果示意图三；
[0045]图7为本专利技术实施例提供的人员年龄估算装置的示意性框图；
[0046]图8为本专利技术实施例提供的计算机设备的示意性框图。
具体实施方式
[0047]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0048]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0049]还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.人员年龄估算方法，其特征在于，包括：获取待估算的人脸图像，以得到初始图像；将所述初始图像输入至Tensorflow Lite格式的年龄估算模型中进行年龄估算，以得到估算结果；输出所述估算结果；其中，所述年龄估算模型是通过若干个带有年龄标签的人脸图像作为样本集对神经网络进行训练后，将训练后的神经网络转换为Tensorflow Lite格式所得的。2.根据权利要求1所述的人员年龄估算方法，其特征在于，所述年龄估算模型是通过若干个带有年龄标签的人脸图像作为样本集对神经网络进行训练后，将训练后的神经网络转换为Tensorflow Lite格式所得的，包括：获取若干个带有年龄标签的人脸图像，以得到样本集；对所述样本集进行预处理，以得到处理结果；构建神经网络模型；利用所述处理结果对所述神经网络模型进行训练，以得到训练结果；计算训练结果对应的损失值；判断所述损失值是否趋于稳定；若所述损失值趋于稳定，则将训练后的神经网络模型保存为Keras模型；将所述Keras模型转换成Tensorflow Lite格式的模型，以得到年龄估算模型；若所述损失值不趋于稳定，则调整所述神经网络模型的参数，并执行所述利用所述处理结果对所述神经网络模型进行训练，并计算损失值。3.根据权利要求2所述的人员年龄估算方法，其特征在于，所述神经网络模型包括依序连接的输入层、卷积层、全连接层以及输出层，其中，所述全连接层的个数为三个。4.根据权利要求2所述的人员年龄估算方法，其特征在于，所述计算训练结果对应的损失值，包括：采用MAE作为损失函数，计算训练结果...

【专利技术属性】
技术研发人员：李东晖，王一科，贾林，涂静一，
申请(专利权)人：深圳科卫机器人科技有限公司，
类型：发明
国别省市：