System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人脸识别,尤其涉及一种训练年龄识别模型的方法、年龄识别方法及相关装置。
技术介绍
1、人脸识别是指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。目前人脸识别技术已经比较成熟并且应用广泛,可以根据现有的人脸识别技术检测出人脸年龄。现有的年龄识别算法常将年龄作为一个单独的标签信息,在模型训练过程,建立一个人脸图像与年龄一一对应的关系,然而每一个人的人脸特征具有唯一性,导致训练好的年龄预测模型,在测试的过程中,每测试一张人脸时,对于模型来说都属于新的一类,而要想识别出新的类别,还需要重新训练模型才能够识别。
2、专利技术人在实现本专利技术实施例的过程中,发现相关技术至少存在以下问题:现有的年龄识别模型很难适应人脸这种具有唯一性的特征,从而降低了年龄识别的准确率。
技术实现思路
1、本专利技术实施例提供了一种训练年龄识别模型的方法、年龄识别方法及相关装置,旨在解决现有技术中年龄识别准确率低的技术问题。
2、为解决上述技术问题,本专利技术实施方式采用的一个技术方案是:提供一种训练年龄识别模型的方法,所述方法包括:获取若干图像组,每一所述图像组包括同一年龄段的不同用户的人脸图像,每一所述人脸图像标注有真实年龄;基于所述若干图像组,获得每一图像组对应的聚类中心特征向量,所述聚类中心特征向量组成年龄聚类中心特征集;获取所述若干图像组中每一人脸图像对应的人脸特征向量;根据所述年龄聚类中心特征集和所述人脸特征向量,获得目标特征向量,所述目标特征向量组成目标
3、可选的,所述基于所述若干图像组,获得每一图像组对应的聚类中心特征向量包括:对每一所述图像组中的人脸图像进行特征提取,获得第一人脸特征向量;对每一所述图像组的第一人脸特征向量进行聚类,获得每一所述图像组对应的聚类中心特征向量。
4、可选的,所述对每一所述图像组的第一人脸特征向量进行聚类,获得每一所述图像组对应的聚类中心特征向量,包括:
5、将所述第一人脸特征向量分成j个类别,j为正整数;
6、获取每个类别的聚类中心,得到初始聚类中心特征向量;
7、根据所述初始聚类中心特征向量计算每个所述第一人脸特征向量的隶属度函数;
8、根据所述隶属度函数计算每个类别的聚类中心,得到当前聚类中心特征向量,根据所述当前聚类中心特征向量对所述第一人脸特征向量进行聚类,直至所述隶属度函数值收敛。
9、可选的,所述获取所述若干图像组中每一人脸图像对应的人脸特征向量,包括:对所述若干图像组中每一人脸图像分别进行处理,以使每一人脸图像为预设大小的人脸图像;将所述预设大小的人脸图像输入至卷积层进行卷积处理,获得卷积处理后的人脸特征图,其中,每个卷积层后均设有激活函数,所述激活函数用于对所述预设大小的人脸图像进行非线性变换,以使所述卷积处理后的人脸特征图具备非线性特性;将所述卷积处理后的人脸特征图输入至全连接层,获得所述人脸特征向量。
10、可选的,所述根据所述年龄聚类中心特征集和所述人脸特征向量,获得目标特征向量,包括:根据所述年龄聚类中心特征集和所述人脸特征向量,获得所述人脸特征向量对应的年龄估计特征向量;将所述人脸特征向量与所述年龄估计特征向量进行融合,获得目标特征向量。
11、可选的,所述根据所述年龄识别结果和所述真实年龄,对所述年龄识别模型进行迭代训练,直至达到预设条件,得到训练后的年龄识别模型,包括:根据交叉熵损失函数得到年龄识别结果和所述真实年龄之间的平均损失,并迭代调节所述年龄识别模型的参数,直至达到所述预设条件,得到训练后的年龄识别模型。
12、可选的,所述交叉熵损失函数的计算公式为:
13、
14、其中,yi表示所述真实年龄,n表示所述年龄识别结果,pi表示所述年龄识别结果的预测概率,i为正整数。
15、为解决上述技术问题,本专利技术实施方式采用的另一个技术方案是:提供一种年龄识别方法,所述方法包括:
16、获取待检测的人脸图像及年龄聚类中心特征集,所述年龄聚类中心特征集包括每个年龄的聚类中心;
17、对所述待检测的人脸图像进行特征提取,获得人脸特征向量;
18、根据所述年龄聚类中心特征集和所述人脸特征向量,获得目标特征向量;将所述目标特征向量输入年龄识别模型,输出所述待检测的人脸图像对应的年龄识别结果,其中,所述年龄识别模型是采用如上所述的训练年龄识别模型的方法得到的。
19、为解决上述技术问题,本专利技术实施方式采用的又一个技术方案是:提供一种电子设备,所述电子设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方法。
20、为解决上述技术问题,本专利技术实施方式采用的又一个技术方案是:提供了一种非易失性计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,当所述计算机可执行指令被电子设备执行时,使所述电子设备执行如上所述的方法。
21、区别于相关技术的情况,本专利技术实施例提供的训练年龄识别模型的方法、年龄识别方法及相关装置,获取若干个图像组,每一所述图像组包括同一年龄段的不同用户的人脸图像,每一所述人脸图像标注有真实年龄;然后基于所述若干图像组,获得每一图像组对应的聚类中心特征向量,所述聚类中心特征向量组成年龄聚类中心特征集,从而弱化所属人脸图像的唯一性,并得到相同年龄中具有代表性的特征;接着获取所述若干图像组中每一人脸图像对应的人脸特征向量,根据所述年龄聚类中心特征集和所述人脸特征向量,获得目标特征向量,所述目标特征向量组成目标训练样本,最后输入所述目标训练样本至预设的年龄识别模型,获得所述目标训练样本的年龄识别结果,根据所述年龄识别结果和所述真实年龄,对所述年龄识别模型进行迭代训练,直至达到预设条件,得到训练后的年龄识别模型。
22、在本实施例中,各目标特征向量输入至所述年龄识别模型中,基于生成的预测年龄与真实年龄之间的差异,不断调整参数,收敛后得到的年龄识别模型学习了所述目标特征向量所对应的年龄与真实年龄之间的差异,从而能够更加准确的识别人脸图像所对应的年龄。
23、年龄识别模型通过模糊聚类和对特征进行融合,从而弱化了人脸的唯一性,能够实现任意年龄的年龄识别,从而能够更加准确的预测人脸年龄。
本文档来自技高网...【技术保护点】
1.一种训练年龄识别模型的方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述基于所述若干图像组,获得每一图像组对应的聚类中心特征向量包括:
3.根据权利要求2所述的方法,其特征在于,所述对每一所述图像组的第一人脸特征向量进行聚类,获得每一所述图像组对应的聚类中心特征向量,包括:
4.根据权利要求1所述的方法,其特征在于,所述获取所述若干图像组中每一人脸图像对应的人脸特征向量,包括:
5.根据权利要求1至4任一项所述的方法,其特征在于,所述根据所述年龄聚类中心特征集和所述人脸特征向量,获得目标特征向量,包括:
6.根据权利要求1所述的方法,其特征在于,所述根据所述年龄识别结果和所述真实年龄,对所述年龄识别模型进行迭代训练,直至达到预设条件,得到训练后的年龄识别模型,包括:
7.根据权利要求6所述的方法,其特征在于,所述交叉熵损失函数的计算公式为:
8.一种年龄识别方法,其特征在于,包括:
9.一种电子设备,其特征在于,所述电子设备包括:
10.一
...【技术特征摘要】
1.一种训练年龄识别模型的方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述基于所述若干图像组,获得每一图像组对应的聚类中心特征向量包括:
3.根据权利要求2所述的方法,其特征在于,所述对每一所述图像组的第一人脸特征向量进行聚类,获得每一所述图像组对应的聚类中心特征向量,包括:
4.根据权利要求1所述的方法,其特征在于,所述获取所述若干图像组中每一人脸图像对应的人脸特征向量,包括:
5.根据权利要求1至4任一项所述的方法,其特征在于,所述根据所述年龄聚类中心特征集和所述人脸特征向量,获得目标...
【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。