一种基于图像的年龄估计方法、装置及系统与流程

本发明涉及计算机生物识别技术领域，特别涉及一种基于图像的年龄估计方法、装置及系统。

背景技术：

随着人脸识别技术研究的深入，基于人脸图像的年龄估计已经成为计算机生物识别领域热门的研究课题之一。当前多数情况下采取的年龄估计或验证方式依赖于人的主观估计，或依赖于相关证件，如护照，身份证等。这些方式速度慢、花费高、不友好、易伪造等缺点。基于以上缺点，现有技术采用了一些基于人脸识别技术实现年龄估计，使得很多原来年龄估计不易实施的地方也可以应用该技术实现覆盖，比如商场监控中分析到店人员的年龄分布，以及针对不同年龄用户提供特色服务的自动服务终端等，因此该项技术具有广阔的市场前景。

有关现有技术中通过人脸识别技术实现年龄估计的方法具体实现过程如下：第一步，截取待检测人脸区域；第二步，检测所述人脸区域的关键点；第三步，提取待估计人脸图像的特征向量，生成候选年龄成长模式向量；第四步，判断成长模式子空间是否训练好；如果没有训练好所述成长模式子空间，则训练成长模式子空间；如果训练好所述成长模式子空间，则进入下一步；第五步，根据训练好的成长模式子空间，将待估计人脸图像的所有候选年龄成长模式向量投影到成长模式子空间中，再从投影向量重构出完整的候选年龄成长模式向量；第六步，通过比较重构图像与原始图像之间的重构误差找到最佳年龄成长模式，待估计人脸图像在最佳年龄成长模式中的位置即估计其当前年龄。

因此，在发明人设计人脸识别技术实现年龄估计的方法的过程中，发现现有技术中至少存在如下问题：

上述人脸识别技术实现年龄估计方案的缺点在于：第一，所述人脸表示是一种欠完备的表示，没有充分表达人脸图像中与年龄有关的信息；第二， 成长模式子空间的训练需要样本同时标记年龄和身份两种信息，通常情况下，这类样本是难以大量获取的；第三，年龄估计需要对近百个候选成长模式向量进行投射和重构，以寻找重构误差最小的成长模式，这个过程是繁杂而耗时的。

技术实现要素：

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的，本发明的技术方案是这样实现的：

一方面，本发明提供了一种基于图像的年龄估计方法，包括：

获取待检测人脸图像及对应关键点；所述关键点为主要部位的角点位置；

根据所述待检测人脸图像及对应关键点，提取待检测人脸原始特征；

将所述待检测人脸原始特征进行降维处理，获取待检测人脸低维度特征向量；

通过年龄估计模型对所述待检测人脸低维度特征向量进行年龄估计。

优选地，该方法还包括：

所述根据所述待检测人脸图像及对应关键点，提取待检测人脸原始特征步骤，具体包括：

根据所述待检测人脸图像及对应关键点，获取待检测人脸局部特征；

将所述待检测人脸局部特征串接起来，获取待检测人脸原始特征；

所述将所述待检测人脸原始特征进行降维处理，获取待检测人脸低维度特征向量步骤，具体包括：

获取特征降维矩阵以及所述待检测人脸原始特征；

通过所述特征降维矩阵，对所述待检测人脸原始特征进行降维处理，获取待检测人脸低维度特征向量。

优选地，该方法还包括：

获取人脸图像样本信息集合以及对应图像样本的年龄；

确定所述人脸图像样本信息集合中每个样本的关键点；所述关键点为主要部位的角点位置；

根据所述人脸图像样本信息集合中每个样本及其关键点，获取所述人脸 图像样本信息集合中每个样本的原始特征；

将所述人脸图像样本信息集合中每个样本的原始特征进行降维处理，获取每个样本的低维度特征向量；

通过所述每个样本的低维度特征向量与其对应的年龄值训练年龄估计模型，获取所述年龄估计模型，以备后续年龄估计所用。

优选地，所述根据所述人脸图像样本信息集合中每个样本及其关键点，获取所述人脸图像样本信息集合中每个样本的原始特征步骤包括：

根据所述人脸图像样本信息集合中每个样本的关键点，获取每个样本的局部特征；

将所述人脸图像样本信息集合中同一样本图像局部特征串接起来，获取每个样本原始特征。

优选地，所述将所述人脸图像样本信息集合中每个样本的原始特征进行降维处理，获取每个样本的低维度特征向量步骤，包括：

通过降维算法获取特征降维矩阵；

通过所述特征降维矩阵，对所述每个样本原始特征进行降维处理，获取每个样本的低维度特征向量。

优选地，所述训练年龄估计模型采用惩罚函数进行约束；

所述惩罚函数为：

其中，x⁽ⁱ⁾为第i个样本在所述输出层的多层神经网络最后一个隐层的输出，y⁽ⁱ⁾为第i个样本的实际年龄，m为训练样本数目，k为年龄类别数目，w_ij表示第i个样本年龄为j岁的可信度，当|y⁽ⁱ⁾-j|≤K时， 其他情况下，w_ij＝0。

另一方面，本发明提供了一种基于图像的年龄估计装置，包括：

信息获取单元，用于获取待检测人脸图像及对应关键点；所述关键点为主要部位的角点位置；

特征提取单元，用于根据所述待检测人脸图像及对应关键点，提取待检测人脸原始特征；

降维单元，用于将所述待检测人脸原始特征进行降维处理，获取待检测人脸低维度特征向量；

年龄估计单元，用于通过年龄估计模型对所述待检测人脸低维度特征向量进行年龄估计。

优选地，所述特征提取单元具体包括：

局部特征获取子单元，用于根据所述待检测人脸图像及对应关键点，获取待检测人脸局部特征；

原始特征获取子单元，用于将所述待检测人脸局部特征串接起来，获取待检测人脸原始特征；

所述降维单元，还用于获取特征降维矩阵以及所述待检测人脸原始特征；通过所述特征降维矩阵，对所述待检测人脸原始特征进行降维处理，获取待检测人脸低维度特征向量。

优选地，该装置还包括：

样本信息获取单元，用于获取人脸图像样本信息集合以及对应图像样本的年龄；

位置确定单元，用于确定所述人脸图像样本信息集合中每个样本的关键点；所述关键点为主要部位的角点位置；

样本原始特征获取单元，用于根据所述人脸图像样本信息集合中每个样本及其关键点，获取所述人脸图像样本信息集合中每个样本的原始特征；

样本降维单元，用于将所述人脸图像样本信息集合中每个样本的原始特征进行降维处理，获取每个样本的低维度特征向量；

模型获取单元，用于通过所述每个样本的低维度特征向量与其对应的年龄值训练年龄估计模型，获取所述年龄估计模型，以备后续年龄估计所用。

优选地，所述样本原始特征获取单元用于根据所述人脸图像样本信息集合中每个样本的关键点，获取每个样本的局部特征；将所述人脸图像样本信息集合中同一样本图像局部特征串接起来，获取每个样本原始特征。

优选地，所述样本降维单元，用于通过降维算法获取特征降维矩阵；通 过所述特征降维矩阵，对所述每个样本原始特征进行降维处理，获取每个样本的低维度特征向量。

再一方面，本发明提供了一种基于图像的年龄估计系统，包括：如上任意一项所述的基于图像的年龄估计装置。

本发明通过降维处理原始特征的人脸表示方法，以及年龄估计模型，使得年龄估计可以在动态场景的应用中达到小于5.5的平均估计误差，绝对误差小于10岁的准确率，此外，所述年龄估计模型的训练不需要知道样本的身份信息，大大方便了训练样本的获取。

附图说明

图1为本发明实施例提供的一种基于图像的年龄估计方法流程图；

图2为本发明实施例提供的一种基于图像的年龄估计装置结构示意图；

图3为本发明实施例提供的一种基于图像的年龄估计系统结构示意图；

图4为本发明实施例提供的一种基于图像的年龄估计方法中年龄估计模型的训练流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

如图1为所示为本发明实施例提供的一种基于图像的年龄估计方法；该方法包括：

101：获取待检测人脸图像及对应关键点；所述关键点为主要部位的角点位置；

102：根据所述待检测人脸图像及对应关键点，提取待检测人脸原始特征；

103：将所述待检测人脸原始特征进行降维处理，获取待检测人脸低维度特征向量；

104：通过年龄估计模型对所述待检测人脸低维度特征向量进行年龄估计。

需要说明的是，所述根据所述待检测人脸图像及对应关键点，提取待检 测人脸原始特征步骤，具体包括：

根据所述待检测人脸图像及对应关键点，获取待检测人脸局部特征；

将所述待检测人脸局部特征串接起来，获取待检测人脸原始特征；

所述将所述待检测人脸原始特征进行降维处理，获取待检测人脸低维度特征向量步骤，具体包括：

获取特征降维矩阵以及所述待检测人脸原始特征；

通过所述特征降维矩阵，对所述待检测人脸原始特征进行降维处理，获取待检测人脸低维度特征向量。

基于以上实施例，如图4所示为一种基于图像的年龄估计方法中年龄估计模型的训练流程图；该训练流程如下：

401：获取人脸图像样本信息集合以及对应图像样本的年龄；

402：确定所述人脸图像样本信息集合中每个样本的关键点；所述关键点为主要部位的角点位置；需要说明的是，所述关键点也可以直接获取到；

403：根据所述人脸图像样本信息集合中每个样本及其关键点，获取所述人脸图像样本信息集合中每个样本的原始特征；

404：将所述人脸图像样本信息集合中每个样本的原始特征进行降维处理，获取每个样本的低维度特征向量；

405：通过所述每个样本的低维度特征向量与其对应的年龄值训练年龄估计模型，获取所述年龄估计模型，以备后续年龄估计所用。

优选地，所述根据所述人脸图像样本信息集合中每个样本及其关键点，获取所述人脸图像样本信息集合中每个样本的原始特征步骤包括：

根据所述人脸图像样本信息集合中每个样本的关键点，获取每个样本的局部特征；

将所述人脸图像样本信息集合中同一样本图像局部特征串接起来，获取每个样本原始特征。

优选地，所述将所述人脸图像样本信息集合中每个样本的原始特征进行降维处理，获取每个样本的低维度特征向量步骤，包括：

通过降维算法获取特征降维矩阵；

通过所述特征降维矩阵，对所述每个样本原始特征进行降维处理，获取 每个样本的低维度特征向量。

优选地，所述训练年龄估计模型采用惩罚函数进行约束；

所述惩罚函数为：

其中，x⁽ⁱ⁾为第i个样本在所述输出层的多层神经网络最后一个隐层的输出，y⁽ⁱ⁾为第i个样本的实际年龄，m为训练样本数目，k为年龄类别数目，w_ij表示第i个样本年龄为j岁的可信度，当|y⁽ⁱ⁾-j|≤K时， 其他情况下，w_ij＝0。

基于以上实施例，如图2所示，为本发明实施例提供的一种基于图像的年龄估计装置结构示意图；该装置包括：

信息获取单元201，用于获取待检测人脸图像及对应关键点；所述关键点为主要部位的角点位置；

特征提取单元202，用于根据所述待检测人脸图像及对应关键点，提取待检测人脸原始特征；

降维处理单元203，用于将所述待检测人脸原始特征进行降维处理，获取待检测人脸低维度特征向量；

年龄估计单元204，用于通过年龄估计模型对所述待检测人脸低维度特征向量进行年龄估计。

优选地，所述特征提取单元具体包括：

局部特征获取子单元，用于根据所述待检测人脸图像及对应关键点，获取待检测人脸局部特征；

原始特征获取子单元，用于将所述待检测人脸局部特征串接起来，获取 待检测人脸原始特征；

所述降维单元，还用于获取特征降维矩阵以及所述待检测人脸原始特征；通过所述特征降维矩阵，对所述待检测人脸原始特征进行降维处理，获取待检测人脸低维度特征向量。

优选地，该装置还包括：

样本信息获取单元，用于获取人脸图像样本信息集合以及对应图像样本的年龄；

位置确定单元，用于确定所述人脸图像样本信息集合中每个样本的关键点；所述关键点为主要部位的角点位置；

样本原始特征获取单元，用于根据所述人脸图像样本信息集合中每个样本及其关键点，获取所述人脸图像样本信息集合中每个样本的原始特征；

样本降维单元，用于将所述人脸图像样本信息集合中每个样本的原始特征进行降维处理，获取每个样本的低维度特征向量；

模型获取单元，用于通过所述每个样本的低维度特征向量与其对应的年龄值训练年龄估计模型，获取所述年龄估计模型，以备后续年龄估计所用。

优选地，所述样本原始特征获取单元用于根据所述人脸图像样本信息集合中每个样本的关键点，获取每个样本的局部特征；将所述人脸图像样本信息集合中同一样本图像局部特征串接起来，获取每个样本原始特征。

优选地，所述样本降维单元，用于通过降维算法获取特征降维矩阵；通过所述特征降维矩阵，对所述每个样本原始特征进行降维处理，获取每个样本的低维度特征向量。

基于以上实施例，以下对年龄估计模型的训练原理以及年龄估计原理进行详细描述。

所述年龄估计模型的训练原理具体实现过程如下：

第一步获取人脸图像样本信息集合以及对应图像样本的年龄；

第二步确定所述人脸图像样本信息集合中每个样本的关键点；所述关键点也可以同时通过第一步直接获取到；

第三步根据所述人脸图像样本信息集合中每个样本及其关键点，计算局部特征；将所述同一样本图像局部特征串接起来，获取原始特征。所述原始 特征为完整的人脸表示。

因为不再从整体上对人脸做归一化，姿态、表情和脸型差异等因素导致的问题可以得到有效的避免，同时，在关键点的局部域上提取局部特征也可以得到更加精细和完备的人脸表示，有益于最终的年龄估计。所述原始特征描述可以采用HOG、LBP、Gabor等，各个关键点局部域的尺寸、网格化参数等可以根据实际情况自由设定。

第四步将所述原始特征进行降维处理；所述特征降维处理，采用的降维方法可使用PCA、LDA等。所述第三步得到的人脸原始特征通常维度很高，降维处理可以减少特征维度，并起到降噪作用，以利于后续处理。以下通过PCA降维方法为例对降维处理过程进行说明：具体分两个步骤：1，通过PCA算法获取特征降维矩阵，此处所述特征降维矩阵为降维模型，该降维模型仅仅在年龄估计模型的训练流程中获得；2.通过所述特征降维矩阵，对所述原始特征进行降维处理，获取低维度特征向量。

第五步通过所述每个样本的低维度特征向量与其对应的年龄值训练年龄估计模型，获取所述年龄估计模型，以备后续年龄估计所用。

需要说明的是，所述年龄估计模型的过程中采用了惩罚函数进行约束；所述惩罚函数如下：

其中，x⁽ⁱ⁾为第i个样本在所述输出层的多层神经网络最后一个隐层的输出，y⁽ⁱ⁾为第i个样本的实际年龄，m为训练样本数目，k为年龄类别数目，w_ij表示第i个样本年龄为j岁的可信度，当|y⁽ⁱ⁾-j|≤K时， 其他情况下，w_ij＝0。

所述基于图像的年龄估计方法的年龄估计过程具体如下：

第一步获取待检测人脸图像及对应关键点；所述关键点为主要部位的角点位置；例如：眼、鼻、口等器官的角点位置。

第二步根据所述检测人脸图像及对应关键点，提取待检测人脸原始特征；该步骤，具体包括：

根据所述待检测人脸图像及对应关键点，获取待检测人脸局部特征；

将所述待检测人脸局部特征串接起来，获取待检测人脸原始特征；

第三步将所述待检测人脸原始特征进行降维处理，获取待检测人脸低维度特征向量；该步骤，具体包括：

获取特征降维矩阵以及所述待检测人脸原始特征；

通过所述特征降维矩阵，对所述待检测人脸原始特征进行降维处理，获取待检测人脸低维度特征向量。

第四步通过年龄估计模型对所述待检测人脸低维度特征向量进行年龄估计。

需要说明的是，所述年龄估计模型为多层神经网络；所述多层神经网络，将所述待检测人脸属性信息按照当前样本属于各个年龄值的概率输出；将所述概率输出最大的年龄值作为所述待检测人脸的最终年龄估计值。

需要说明的是，本发明的目的是基于人脸图像估计年龄，而年龄估算是一个涉及生理学、社会学和心理学等问题的复杂概念，并不等同于生理年龄，其类别是模糊的，并且产生错误估计的风险也是不均衡的，将10岁的儿童错估为15岁和50岁带给用户的感受有着巨大的区别，所以不能简单地将年龄估计视作一个多分类问题。针对这些情况，本发明设计了一种以Softmax Regression为输出层的多层神经网络，直接判别样本属于不同年龄值的概率，并且针对年龄估计模型的训练过程的错误估计风险的不均衡性设计了特殊的惩罚函数。该惩罚函数为

x⁽ⁱ⁾为第i个样本在网络最后一个隐层的输出，y⁽ⁱ⁾为第i个样本的实际年龄，m为训练样本数目，k为年龄类别数目，w_ij表示第i个样本年龄为j岁的可信度，当|y⁽ⁱ⁾-j|≤K时，其他情况下，w_ij＝0。

网络训练采用反向传播梯度下降算法。

如图3所示，为本发明实施例提供的一种基于图像的年龄估计系统结构示意图；该系统包括：如上任一所述基于图像的年龄估计装置。

本发明通过降维处理的原始特征，精细和完备的人脸表示方法，以及针对年龄估计问题专门设计的分类器，建立了一个精确的年龄估计系统，该系统可以在动态场景的应用中达到小于5.5的平均估计误差，绝对误差小于10岁的准确率达到了88％。此外，该分类器的训练不需要知道样本的身份信息，大大方便了训练样本的获取。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。