基于高斯分布假设和MSE损失的人脸年龄估计方法及装置制造方法及图纸

本发明专利技术提出基于高斯分布假设和MSE损失的人脸年龄估计方法及装置，所述年龄估计方法搭建了基于高斯分布假设和MSE损失的人脸年龄估计模型，优化了损失函数的设计，采用了基于高斯分布假设的高斯损失函数与MAE loss进行联合训练，解决了训练目标与评价目标不一致而导致的次优化（sub

【技术实现步骤摘要】
基于高斯分布假设和MSE损失的人脸年龄估计方法及装置


[0001]本专利技术涉及人脸识别
，具体涉及一种基于高斯分布假设和MSE损失的人脸年龄估计方法及装置。

技术介绍

[0002]人脸年龄估计是指机器根据面部图像推测出人的大概年龄或者所属年龄范围（年龄段）。目前主流的人脸年龄估计方法之一是标签分布学习（LDL）法，但是，该方法的缺陷在于：通常情况下，标签分布不是明确可用的，而是将逻辑标签转换为以逻辑标签为均值的高斯分布问题，但是高斯分布的方差是不确定的，只能粗略的表示为以真实标签为中心的离散化高斯标签分布。这种方式所采用的评估指标与训练目标之间缺乏一致性，单纯的使用标签分布方法往往会引起评价指标偏低，无法客观的反映该方法的优劣。

技术实现思路

[0003]专利技术目的：为克服以上技术问题，本专利技术提出一种基于高斯分布假设和MSE损失的人脸年龄估计方法及装置。该方法搭建了基于高斯分布假设和MSE损失的人脸年龄估计模型，并优化了损失函数的设计，采用了基于高斯分布假设的高斯损失函数与MAE loss进行联合训练，解决了训练目标与评价目标不一致而导致的次优化（sub
‑
optimal）问题，提高了模型的准确性。
[0004]技术方案：第一方面，本公开实施例提出一种基于高斯分布假设和MSE损失的人脸年龄估计方法，包括步骤：S1、构建训练样本；S2、搭建基于高斯分布假设和MSE损失的人脸年龄估计模型；所述人脸年龄估计模型包括特征提取网络和标签分布学习网络；所述特征提取网络用于提取输入图像的人脸特征，所述标签分布学习网络用于基于所述人脸特征进行年龄估计；S3、将所述训练样本输入所述人脸年龄估计模型，在所述标签分布学习网络中进行全连接处理和基于损失函数的训练，所述损失函数为：；其中，为高斯损失函数，，表示样本图像的真实年龄标签，为年龄估计值，表示高斯分布的标准差；为期望回归损失函数，；是平衡高斯分布损失和期望回归损失函数之间重要性的权重参数；S4、基于训练好的所述人脸年龄估计模型对输入的人脸图像进行年龄估计。
[0005]作为本公开实施例所述人脸年龄估计方法的一种可选实施方式，所述训练样本的构建方法为包括步骤：
S11、首先收集包含人脸的图像，采用人脸识别及检测模型提取人脸图像；S12、将所述人脸图像进行对齐处理；S13、为对齐后的每张所述人脸图像添加年龄标签。
[0006]作为本公开实施例所述人脸年龄估计方法的一种可选实施方式，所述步骤S11中可以采用MTCNN模型提取所述人脸图像，得到人脸的5个关键点。
[0007]作为本公开实施例所述人脸年龄估计方法的一种可选实施方式，所述步骤S12中，可以基于所述5个关键点对提取出的所述人脸图像进行仿射变换处理，将所述人脸图像归一化为统一的尺寸，实现人脸对齐。
[0008]第二方面，本公开实施例提出一种基于高斯分布假设和MSE损失的人脸年龄估计装置，包括处理器和存储器；所述存储器存储有计算机程序，而所述处理器执行所述计算机程序，以实现所述的基于高斯分布假设和MSE损失的人脸年龄估计方法。
[0009]第三方面，本公开实施例还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序能够被处理器执行，以实现所述的基于高斯分布假设和MSE损失的人脸年龄估计方法。
[0010]有益效果：与现有技术相比，本专利技术具有以下优势：1.新的损失函数Guass loss采用了基于高斯分布假设的设计，与MAE loss进行联合训练，解决了训练目标与评价目标不一致而导致的次优化（sub
‑
optimal）问题；2.轻量化网络引入了1*1卷积来降低计算量，使用新的非线性激活函数EvoNorm
‑
B0替代常见的Relu，取得了更好的训练效果；3.新的损失函数与我们设计的轻量化网络结构相结合，仅有36.4K的网络参数和220K的模型大小，在rk3399芯片上的推理速度可以稳定在20fps（50ms左右）。与其他紧凑型模型相比，本专利技术在公开数据集和私有数据集都达到了业内领先的性能指标。
附图说明
[0011]图1为本公开实施例涉及的基于高斯分布假设和MSE损失的人脸年龄估计模型的结构图；图2为本公开实施例涉及的人脸年龄估计模型完成一次估计的示意图；图3为本公开实施例涉及的基于高斯分布假设和MSE损失的人脸年龄估计装置的结构图。
具体实施方式
[0012]下面将结合附图和具体实施例对本专利技术作更进一步的说明。但应当理解的是，本专利技术可以以各种形式实施，以下在附图中出示并且在下文中描述的一些示例性和非限制性实施例，并不意图将本专利技术限制于所说明的具体实施例。
[0013]应当理解的是，在技术上可行的情况下，以上针对不同实施例所列举的技术特征可以相互组合，从而形成本专利技术范围内的另外的实施例。此外，本专利技术所述的特定示例和实施例是非限制性的，并且可以对以上所阐述的结构、步骤、顺序做出相应修改而不脱离本专利技术的保护范围。
[0014]现有的基于标签分布学习的年龄估计方法，其具有评价指标偏低的缺陷。有鉴于
此，本实施例提出基于高斯分布假设和MSE损失的人脸年龄估计方法。该方法包括以下步骤：步骤S1、构建人脸图像样本S11、首先收集包含人脸的图像，采用人脸识别及检测算法提取人脸图像。目前，用于实现人脸识别及检测的方法有多种，本实施例中仅示意性地采用MTCNN(Multi
‑
task Cascaded Convolutional Neural Networks)模型实现这一目的，MTCNN是一种多任务级联卷积神经网络，用以同时处理人脸检测和人脸关键点定位问题，能够实现人脸检测和5个特征点的标定。
[0015]S12、人脸对齐。检测到的人脸，可能角度不是很正，需要使其对齐，将人脸变换到一个统一的状态。常见的人脸对齐操作有翻转、旋转、裁剪、缩放、平移、抖动等仿射变换处理。本实施例基于步骤S11中提取的人脸5个关键点，对提取出的人脸图像进行仿射变换处理，将人脸图像归一化为统一的尺寸，并实现人脸对齐。
[0016]S13、添加年龄标签。为每张人脸图像添加年龄标签，然后将所有人脸图像按照年龄标签分为不同的样本子集表示年龄标签总数。
[0017]步骤S2、用步骤S1构建好的训练样本训练基于高斯分布假设和MSE损失的人脸年龄估计模型。
[0018]请参考图1，图1为本公开实施例涉及的基于高斯分布假设和MSE损失的人脸年龄估计模型的结构图。人脸年龄估计模型主要包括特征提取网络和标签分布学习网络。
[0019]继续参考图1，本公开实施例示意性地给出一种轻量化CNN（Convolutional Neural Network）网络，用于从输入的图像中提取人脸特征。该CNN网络包含 5 个 3*3标准卷积层、3个1*1卷积层、以及 2 个全连接层，1*1卷积用来降低计算量。然后，对于每一层卷积层，使用激活函数EvoNorm
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于高斯分布假设和MSE损失的人脸年龄估计方法，其特征在于，包括步骤：S1、构建训练样本；S2、搭建基于高斯分布假设和MSE损失的人脸年龄估计模型；所述人脸年龄估计模型包括特征提取网络和标签分布学习网络；所述特征提取网络用于提取输入图像的人脸特征，所述标签分布学习网络用于基于所述人脸特征进行年龄估计；S3、将所述训练样本输入所述人脸年龄估计模型，在所述标签分布学习网络中进行全连接处理和基于损失函数的训练，所述损失函数为：；其中，为高斯损失函数，，表示样本图像的真实年龄标签，为年龄估计值，表示高斯分布的标准差；为期望回归损失函数，；是平衡高斯分布损失和期望回归损失函数之间重要性的权重参数；S4、基于训练好的所述人脸年龄估计模型对输入的人脸图像进行年龄估计。2.根据权利要求1所述的人脸年龄估计方法，其特征在于，所述训练样本的构建方法为包括步骤：S11、首先收集包含人脸的图像，采用人脸识别及检测模型提取人脸图像；S...

【专利技术属性】
技术研发人员：杨通，杜曦，张金宝，熊传旺，
申请(专利权)人：南京开为网络科技有限公司，
类型：发明
国别省市：