一种人脸图像的年龄分类方法和系统的制作方法
【专利摘要】本发明公开了一种人脸图像的年龄分类方法，其通过收集样本图像和获取待检测图像，并进行人工标注各个样本图像的年龄类型和预设标准人脸图，然后比对样本图像或待检测图像的人脸特征关键点和标准人脸图的人脸特征关键点，然后对样本图像或待检测图像进行关键点对齐和调整，再对调整后的样本图像或待检测图像进行轮廓提取得到样本图像或待检测图像的人脸轮廓图，最后将待检测图像的人脸轮廓图采用所述的分类模型进行年龄分类得到待检测图像的年龄类型；由此通过人工和机器配合的方式进行标注年龄类型，提高了卷积神经网络的学习精度，并且利用关键点对齐和轮廓提取来进行样本图像的处理，使得到的训练数据都是比较统一的图像，从而提高训练模型的精度，使得年龄分类更加准确。
【专利说明】-种人脸图像的年龄分类方法和系统
【技术领域】
[0001] 本发明设及图像分类方法，特别是一种人脸图像的年龄分类方法和采用该方法的 系统。
【背景技术】
[0002] 图像分类是根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开 来的图像处理方法，它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区 域划归为若干个类别中的某一种，W代替人的视觉判读。
[0003] 人脸图像的年龄分类是人脸识别技术的一个相关技术。一个人从出生开始逐渐长 大成人的过程中，随着脸部骨骼的生长，脸型不断变长变大，相貌也在变化；而从青年不断 衰老进入老年的过程中，皮肤逐渐衰老，皱纹不断增多。因此，如果能够根据人脸图像进行 年龄分类从而准确地判别其所属年龄段，将有助于对人的身份的正确鉴别。
[0004] 此外，年龄判别在人机交互领域有着很多应用，例如网页浏览器可W根据用户的 年龄来决定是否允许用户查看某些网页；自动售货机可W拒绝向未成年人出售香烟和酒精 性饮料；公共场所可W根据不同年龄的需求提供相应的服务等；特别是，图像处理过程中， 尤其是在美颜处理时，我们需要对图像中的人脸估年龄，从而针对其进行合理的效果处理， 因此估计图像上人脸年龄对于人像美容来说是个关键性的问题。
【发明内容】
[0005] 本发明为解决上述问题，提供了一种分类较准确的人脸图像的年龄分类方法和系 统。
[0006] 为实现上述目的，本发明采用的技术方案为：
[0007] 一种人脸图像的年龄分类方法，其特征在于，包括W下步骤：
[000引 10.收集样本图像并进行人工标注各个样本图像的年龄类型，并预设标准人脸 图；
[0009] 20.比对样本图像的人脸特征关键点和标准人脸图的人脸特征关键点，对样本图 像进行关键点对齐和调整，再对调整后的样本图像进行轮廓提取得到样本图像的人脸轮廓 图，并将该样本图像的人脸轮廓图进行归一化处理并输入卷积神经网络系统进行分类模型 的训练；
[0010] 30.获取待检测图像，比对待检测图像的人脸特征关键点和标准人脸图的人脸特 征关键点，对待检测图像进行关键点对齐和调整，再对调整后的待检测图像进行轮廓提取 得到待检测图像的人脸轮廓图，并将待检测图像的人脸轮廓图采用所述的分类模型进行年 龄分类，得到待检测图像的年龄类型。
[0011] 优选的，在进行分类模型的训练过程中，卷积神经网络系统将分类错误的样本图 像收集起来并依次执行步骤10及步骤20,直到超过预期结果时定为所述步骤20所训练出 来的分类模型为最佳分类模型，并在所述的步骤30中采用该最佳分类模型对待检测图像 的人脸轮廓图进行年龄分类，得到待检测图像的年龄类型。
[0012] 优选的，所述的年龄类型包括；婴幼儿、儿童、少年、青年、中年、老年。
[0013] 优选的，所述的步骤20中比对样本图像的人脸特征关键点和标准人脸图的人脸 特征关键点，对样本图像进行关键点对齐和调整，或者，所述的步骤30中比对待检测图像 的人脸特征关键点和标准人脸图的人脸特征关键点，对待检测图像进行关键点对齐和调 整，主要是通过预设标准人脸图及其对应的人脸特征关键点，并根据获取的样本图像或待 检测图像的人脸区域及其对应的人脸特征关键点，利用仿射变换对样本图像或待检测图像 的人脸特征关键点进行对齐和调整，再对调整后的样本图像或待检测图像进行轮廓提取得 到调整后的人脸轮廓图，并将该调整后的人脸轮廓图作为所述样本图像或待检测图像的人 脸轮廓图。
[0014] 优选的，所述的人脸特征关键点主要包括眼睛轮廓、嘴部、眉毛、脸部轮廓线、额 头。
[0015] 优选的，所述的轮廓提取主要是对所述调整后的样本图像或待检测图像进行小波 变换，得到低频分量的频域图像，即所述的人脸轮廓图。
[0016] 优选的，所述的步骤30中将待检测图像的人脸轮廓图采用所述的分类模型进行 年龄分类得到待检测图像的年龄类型，主要是将所述的待检测图像的人脸轮廓图放入卷积 神经网络系统中进行计算待检测图像每一种年龄类型的概率，并选择概率最大的年龄类型 作为待检测图像的年龄类型。
[0017] 另外，本发明还对应上述方法提供了一种人脸图像的年龄分类系统，其特征在 于：
[001引采样单元，用于收集样本图像W供人工标注各个样本图像的年龄类型；
[0019] 编辑单元，其通过比对所述的样本图像或获取的待检测图像的人脸特征关键点和 预设的标准人脸图的人脸特征关键点，对样本图像或待检测图像进行关键点对齐和调整， 再对调整后的样本图像或待检测图像进行轮廓提取得到样本图像或待检测图像的人脸轮 廓图；
[0020] 归一化单元，将所述的样本图像或待检测图像的人脸轮廓图进行归一化处理；
[0021] 学习单元，将归一化处理后的样本图像或待检测图像的人脸轮廓图输入卷积神经 网络系统进行分类模型的训练；
[0022] 判断单元，将所述待检测图像的人脸轮廓图采用所述的分类模型进行年龄分类， W判断所述待检测图像的年龄类型。
[0023] 本发明的有益效果是：
[0024] 本发明的一种人脸图像的年龄分类方法和系统，其通过收集样本图像并进行人工 标注各个样本图像的年龄类型，并预设标准人脸图，然后比对样本图像的人脸特征关键点 和标准人脸图的人脸特征关键点，对样本图像进行关键点对齐和调整，再对调整后的样本 图像进行轮廓提取得到样本图像的人脸轮廓图，并将该样本图像的人脸轮廓图进行归一化 处理并输入卷积神经网络系统进行分类模型的训练，获取待检测图像后，采用类似的方法 比对待检测图像的人脸特征关键点和标准人脸图的人脸特征关键点，对待检测图像进行关 键点对齐和调整，再对调整后的待检测图像进行轮廓提取得到待检测图像的人脸轮廓图， 最后将待检测图像的人脸轮廓图采用所述的分类模型进行年龄分类得到待检测图像的年 龄类型；由此通过人工和机器配合的方式进行标注年龄类型，实现有监督的学习，提高了卷 积神经网络的学习精度，并且利用关键点对齐和轮廓提取来进行样本图像的处理，使得得 到的训练数据都是比较统一的图像，从而提高训练模型的精度，使得年龄分类更加准确。
【专利附图】
【附图说明】
[0025] 此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发 明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0026] 图1为本发明一种人脸图像的年龄分类方法的流程简图；
[0027] 图2为本发明一种人脸图像的年龄分类系统的结构示意图。
【具体实施方式】
[002引为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，W下结 合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用 W解释本发明，并不用于限定本发明。
[0029] 如图1所示，本发明的一种人脸图像的年龄分类方法，其包括W下步骤：
[0030] 10.收集样本图像并进行人工标注各个样本图像的年龄类型，并预设标准人脸 图；
[0031] 20.比对样本图像的人脸特征关键点和标准人脸图的人脸特征关键点，对样本图 像进行关键点对齐和调整，再对调整后的样本图像进行轮廓提取得到样本图像的人脸轮廓 图，并将该样本图像的人脸轮廓图进行归一化处理并输入卷积神经网络系统进行分类模型 的训练；
[0032] 30.获取待检测图像，比对待检测图像的人脸特征关键点和标准人脸图的人脸特 征关键点，对待检测图像进行关键点对齐和调整，再对调整后的待检测图像进行轮廓提取 得到待检测图像的人脸轮廓图，并将待检测图像的人脸轮廓图采用所述的分类模型进行年 龄分类，得到待检测图像的年龄类型。
[0033] 作为优选的实施例，在进行分类模型的训练过程中，卷积神经网络系统将分类错 误的样本图像收集起来并依次执行步骤10及步骤20,直到超过预期结果时定为所述步骤 20所训练出来的分类模型为最佳分类模型，并在所述的步骤30中采用该最佳分类模型对 待检测图像的人脸轮廓图进行年龄分类，得到待检测图像的年龄类型。所述的步骤20中将 样本图像的人脸轮廓图进行归一化处理并输入卷积神经网络系统进行分类模型的训练，主 要是将人工分类好的样本图像的人脸轮廓图带入卷积神经网络系统进行学习；并且，将分 类错误的样本图像收集起来重新进行标注，即，对于系统自动分类的年龄类型与人工分类 的年龄类型不一致时，表示人工标注错误或者系统分类错误，需重新进行人工标注并调整 网络结构，再将重新标注后的样本图像再次进行训练学习，如此重复"训练-〉调整网络结 构-〉再训练"的过程直到分类正确为止。
[0034] 本实施例中网格结构顺序为输入层-〉K个小组层-〉全连接层-〉SoftMax层，其中 K大于等于1 ;小组层包括卷积层、激活层、下采样层、归一化层；卷积层、激活层、下采样层、 归一化层中每个层的核大小W及输出大小都是可W进行任意调节的，并且每个层都有一个 输入且产生一个输出，每一层的输出作为下一层的输入。
[0035] 其中，输入层的输入大小为化i曲t X Wei曲t X化annel，其中Wei曲t、化i曲t为 输入层图像的宽和高，化annel为输入层图像的颜色通道；由于本发明使用GPU硬件实现的 原因，Wei曲t = Hei曲t ;输入图像的channel只能为1或者3。
[0036] 卷积层；
[0037] 1)核的大小必须是奇数，且不大于该层输入的宽或者高；
[003引 2)中间表示通过卷积层时不改变宽和高，通道数可变可不变；理论上可W为任意 正整数，由于本发明使用GPU硬件实现的原因，该里为16的倍数。
[00训激活层：
[0040] 1)激活层不改变卷积层表示的宽、高或者通道数；
[0041] 2)激活层所使用的激活函数包括但不限于W下函数类型：
[0042] f(x) = l/a+e-x)
[0043] f (X) = a*tanh (b*x)，a, b 为任意非零实数
[0044] f (X) = max (0, X)
[0045] f (X) = min (a, max (0, X))
[0046] f (x) = log (l+e〇
[0047] f(x) = |x
[0048] f(X)=又2
[00例 /(尤)二八
[0050] f (X) = ax+b
[0化1 ] 3)激活层跟在卷积层或者全连接之后。
[00巧下采样层：
[0化3] 1)下采样层不改变中间表示的通道数；
[0054]。下采样层对图像的缩小比即为核的大小；即核为m X n的下采样层会造成中间 表示缩小为上一层的（l/m)x(l/n)，理论上m和n可为任意自然数，由于本发明使用GPU硬 件实现的原因，m = n。例如，15x 15x 32通过3x 3的下采样后，变成5x 5x 32;15x 15x 32通过5x 5的下采样后，变成3x 3x 32;但是15x 15x 32不能进行2x 2的下采样，因为 15不能被2整除；并不是说，输入尺寸必须是2的次幕，即16、32、64等，输入尺寸只要保证 能被所有下采样层采样即可。
[005引 归一化层：
[0化6] 1)归一化层不改变中间表示的任何尺寸；
[0057] 2)归一化层不是必须的，可要可不要，添加归一化层通常会提高精度并增加计算 量；是否添加归一化层，要看添加后实际提升的精度和损失的速度。
[0化引一般的组合是：卷积-〉激活-〉下采样-〉归一化。
[0059] W下情况特殊：
[0060] 1)添加归一化层对精度提升较小却增大了很多运算量时，取消归一化层，即采用 W下组合：卷积-〉激活-〉下采样；
[0061] 2)归一化层提前，效果基本相同，即采用W下组合：卷积-〉激活-〉归一化-〉下 采样。
[0062] 3)取消下采样层：卷积-〉激活；或者卷积-〉激活-〉归一化；下采样本质是为了 增加鲁椿性，同时顺便有减少后续层的运算量的作用；一个网络中通常会有几层下采样，但 并不是所有的"卷积-〉激活"后面都要跟下采样。
[006引全连接层；
[0064] 1)通过全连接层后的中间表示会变成1维的，不再是3维的；
[0065] 2)全连接的输出可W任意；
[0066] 3) -旦进过全连接，就无法进行卷积、下采样或归一化；
[0067] 4)全连接后面可W接激活层，或者继续接全连接。
[0068] SoftMax 层；
[0069] 接在全连接层之后，作用是把全连接产生的实值变成[0, 1]之间的概率。
[0070] 本发明最后使用的网络结构如表1所示。
[0071] 表1卷积神经网络结构
[0072]
[0073]
【权利要求】
1. 一种人脸图像的年龄分类方法，其特征在于，包括以下步骤：
10.收集样本图像并进行人工标注各个样本图像的年龄类型，并预设标准人脸图；
20.比对样本图像的人脸特征关键点和标准人脸图的人脸特征关键点，对样本图像进 行关键点对齐和调整，再对调整后的样本图像进行轮廓提取得到样本图像的人脸轮廓图， 并将该样本图像的人脸轮廓图进行归一化处理并输入卷积神经网络系统进行分类模型的 训练；
30.获取待检测图像，比对待检测图像的人脸特征关键点和标准人脸图的人脸特征关 键点，对待检测图像进行关键点对齐和调整，再对调整后的待检测图像进行轮廓提取得到 待检测图像的人脸轮廓图，并将待检测图像的人脸轮廓图采用所述的分类模型进行年龄分 类，得到待检测图像的年龄类型。
2. 根据权利要求1所述的一种人脸图像的年龄分类方法，其特征在于：在进行分类模 型的训练过程中，卷积神经网络系统将分类错误的样本图像收集起来并依次执行步骤10 及步骤20,直到超过预期结果时定为所述步骤20所训练出来的分类模型为最佳分类模型， 并在所述的步骤30中采用该最佳分类模型对待检测图像的人脸轮廓图进行年龄分类，得 到待检测图像的年龄类型。
3. 根据权利要求1所述的一种人脸图像的年龄分类方法，其特征在于：所述的年龄类 型包括：婴幼儿、儿童、少年、青年、中年、老年。
4. 根据权利要求1所述的一种人脸图像的年龄分类方法，其特征在于：所述的步骤20 中比对样本图像的人脸特征关键点和标准人脸图的人脸特征关键点，对样本图像进行关键 点对齐和调整，或者，所述的步骤30中比对待检测图像的人脸特征关键点和标准人脸图的 人脸特征关键点，对待检测图像进行关键点对齐和调整，主要是通过预设标准人脸图及其 对应的人脸特征关键点，并根据获取的样本图像或待检测图像的人脸区域及其对应的人脸 特征关键点，利用仿射变换对样本图像或待检测图像的人脸特征关键点进行对齐和调整， 再对调整后的样本图像或待检测图像进行轮廓提取得到调整后的人脸轮廓图，并将该调整 后的人脸轮廓图作为所述样本图像或待检测图像的人脸轮廓图。
5. 根据权利要求1或2或3或4所述的一种人脸图像的年龄分类方法，其特征在于： 所述的人脸特征关键点主要包括眼睛轮廓、嘴部、眉毛、脸部轮廓线、额头。
6. 根据权利要求1或2或3或4所述的一种人脸图像的年龄分类方法，其特征在于： 所述的轮廓提取主要是对所述调整后的样本图像或待检测图像进行小波变换，得到低频分 量的频域图像，即所述的人脸轮廓图。
7. 根据权利要求1或2或3或4所述的一种人脸图像的年龄分类方法，其特征在于： 所述的步骤30中将待检测图像的人脸轮廓图采用所述的分类模型进行年龄分类得到待检 测图像的年龄类型，主要是将所述的待检测图像的人脸轮廓图放入卷积神经网络系统中进 行计算待检测图像每一种年龄类型的概率，并选择概率最大的年龄类型作为待检测图像的 年龄类型。
8. -种人脸图像的年龄分类系统，其特征在于： 采样单元，用于收集样本图像以供人工标注各个样本图像的年龄类型； 编辑单元，其通过比对所述的样本图像或获取的待检测图像的人脸特征关键点和预 设的标准人脸图的人脸特征关键点，对样本图像或待检测图像进行关键点对齐和调整，再 对调整后的样本图像或待检测图像进行轮廓提取得到样本图像或待检测图像的人脸轮廓 图； 归一化单元，将所述的样本图像或待检测图像的人脸轮廓图进行归一化处理； 学习单元，将归一化处理后的样本图像或待检测图像的人脸轮廓图输入卷积神经网络 系统进行分类模型的训练； 判断单元，将所述待检测图像的人脸轮廓图采用所述的分类模型进行年龄分类，以判 断所述待检测图像的年龄类型。
【文档编号】G06K9/00GK104504376SQ201410803541
【公开日】2015年4月8日 申请日期:2014年12月22日 优先权日:2014年12月22日
【发明者】张伟, 傅松林, 曾志勇, 李骈臻 申请人:厦门美图之家科技有限公司