CN104506778A - 一种基于年龄估计的闪光灯控制方法和装置 - Google Patents

Abstract

本发明公开了一种基于年龄估计的闪光灯控制方法和装置，其通过对捕获的当前预览的摄像头数据进行人脸识别，并获取识别到的人脸图像，然后对所述的人脸图像进行年龄估计，根据年龄估计结果判断所述的人脸图像是否为婴幼儿，若是则自动关闭闪光灯，父母无需担心拍照时忘记关闭闪光灯，从而避免闪光灯所发出的强光对婴幼儿的眼睛视网膜造成的伤害。

Description

一种基于年龄估计的闪光灯控制方法和装置

技术领域

本发明涉及一种拍照技术，特别是一种基于年龄估计的闪光灯控制方法和装置。

背景技术

数字视频和数字相机的摄像与拍照功能带给人们极大的便利和许多美好的记忆，许多父母喜欢在小孩出生、一周、十天、满月、一百天、周岁等一些重要的日子给婴儿拍摄照片，然后将照片收集起来记录小孩的成长过程，但我们在对刚出生的婴儿进行拍照时，往往忘记关闭闪光灯，特别是在室内拍摄时，由于光线不足，而导致拍照时闪光灯检测到光线不足而自动打开，闪光灯所发出的强光对婴儿的眼睛视网膜造成一定的伤害，从而影响其视觉发育。

发明内容

本发明为解决上述问题，提供了一种基于年龄估计的闪光灯控制方法和装置，其通过年龄估计对婴幼儿进行判断，并自动闪光灯，无需担心在拍照时忘记关闭闪光灯。

为实现上述目的，本发明采用的技术方案为：

一种基于年龄估计的闪光灯控制方法，其特征在于，包括以下步骤：

10.捕获当前预览的摄像头数据；

20.对所述的摄像头数据进行人脸识别，并获取识别到的人脸图像；

30.对所述的人脸图像进行年龄估计；

40.根据年龄估计结果判断所述的人脸图像是否为婴幼儿，若是则自动关闭闪光灯。

优选的，所述的步骤30中对所述的人脸图像进行年龄估计，主要是利用卷积神经网络的方法对所述的人脸图像进行年龄估计。

优选的，所述的步骤30中对所述的人脸图像进行年龄估计，进一步包括以下步骤：

31.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；

32.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***进行分类模型的训练；

33.获取从摄像头数据中识别到的人脸图像，比对该人脸图像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述的人脸图像进行关键点对齐和调整，再对调整后的人脸图像进行轮廓提取得到所述人脸图像的人脸轮廓图，并将人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类，得到所述人脸图像的年龄类型。

优选的，在进行分类模型的训练过程中，卷积神经网络***将分类错误的样本图像收集起来并依次执行步骤31及步骤32，直到超过预期结果时定为所述步骤32所训练出来的分类模型为最佳分类模型，并在所述的步骤33中采用该最佳分类模型对所述人脸图像的人脸轮廓图进行年龄分类，得到所述人脸图像的年龄类型。

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。

优选的，所述的年龄类型包括：两岁以下类型和两岁以上类型。

优选的，所述的步骤32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33中比对所述人脸图像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述人脸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人脸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人脸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人脸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人脸图像的人脸轮廓图。

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人脸图像进行小波变换，得到低频分量的频域图像，即所述的人脸轮廓图。

优选的，所述的步骤33中将所述人脸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所述人脸图像的年龄类型，主要是将所述的所述人脸图像的人脸轮廓图放入卷积神经网络***中进行计算所述人脸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所述人脸图像的年龄类型。

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。

另外，本发明基于上述方法还提供了一种基于年龄估计的闪光灯控制装置，其特征在于：其包括

相机模块，用于启动摄像头并捕获当前预览的摄像头数据；

人脸识别模块，对所述的摄像头数据进行人脸识别，并获取识别到的人脸图像；

年龄分类模块，其对所述的人脸图像进行年龄估计；

执行模块，其根据年龄估计结果判断所述的人脸图像是否为婴幼儿，若是则自动关闭闪光灯，并驱动摄像头进行拍照。

优选的，所述的年龄分类模块进一步包括：

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所述人脸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，对样本图像或人脸图像进行关键点对齐和调整，再对调整后的样本图像或人脸图像进行轮廓提取得到样本图像或人脸图像的人脸轮廓图；

归一化单元，将所述的样本图像或人脸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人脸图像的人脸轮廓图输入卷积神经网络***进行分类模型的训练；

判断单元，将所述人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类，以判断所述人脸图像的年龄类型。

本发明的有益效果是：

本发明的一种基于年龄估计的闪光灯控制方法和装置，其通过对捕获的当前预览的摄像头数据进行人脸识别，并获取识别到的人脸图像，然后对所述的人脸图像进行年龄估计，根据年龄估计结果判断所述的人脸图像是否为婴幼儿，若是则自动关闭闪光灯，父母无需担心拍照时忘记关闭闪光灯，从而避免闪光灯所发出的强光对婴幼儿的眼睛视网膜造成的伤害。

附图说明

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：

图1为本发明第一实施例的一种基于年龄估计的闪光灯控制方法的流程简图；

图2为本发明第二实施例的一种基于年龄估计的闪光灯控制方法的流程简图；

图3为本发明第一实施例的一种基于年龄估计的闪光灯控制装置的示意框图；

图4为本发明第二实施例的一种基于年龄估计的闪光灯控制装置的示意框图。

具体实施方式

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，以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以解释本发明，并不用于限定本发明。

如图1所示，本发明的一种基于年龄估计的闪光灯控制方法，其包括以下步骤：

10.捕获当前预览的摄像头数据；

20.对所述的摄像头数据进行人脸识别，并获取识别到的人脸图像；

30.对所述的人脸图像进行年龄估计；

40.根据年龄估计结果判断所述的人脸图像是否为婴幼儿，若是则自动关闭闪光灯。

所述的步骤30中对所述的人脸图像进行年龄估计，主要是利用卷积神经网络的方法对所述的人脸图像进行年龄估计；具体来说，如图2所示，进一步包括以下步骤：

31.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；

32.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***进行分类模型的训练；

33.获取从摄像头数据中识别到的人脸图像，比对该人脸图像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述的人脸图像进行关键点对齐和调整，再对调整后的人脸图像进行轮廓提取得到所述人脸图像的人脸轮廓图，并将人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类，得到所述人脸图像的年龄类型。

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***将分类错误的样本图像收集起来并依次执行步骤31及步骤32，直到超过预期结果时定为所述步骤32所训练出来的分类模型为最佳分类模型，并在所述的步骤33中采用该最佳分类模型对所述人脸图像的人脸轮廓图进行年龄分类，得到所述人脸图像的年龄类型；所述的步骤32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***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***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***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***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。

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以及输出大小都是可以进行任意调节的，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。

其中，输入层的输入大小为Height x Weight x Channel，其中Weight、Height为输入层图像的宽和高，Channel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，Weight＝Height；输入图像的channel只能为1或者3。

卷积层：

1)核的大小必须是奇数，且不大于该层输入的宽或者高；

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；理论上可以为任意正整数，由于本发明使用GPU硬件实现的原因，这里为16的倍数。

激活层：

1)激活层不改变卷积层表示的宽、高或者通道数；

2)激活层所使用的激活函数包括但不限于以下函数类型：

f(x)＝1/(1+e^-x)

f(x)＝a*tanh(b*x),a,b为任意非零实数

f(x)＝max(0,x)

f(x)＝min(a,max(0,x))

f(x)＝log(1+e^x)

f(x)＝|x|

f(x)＝x²

$f\left(x\right)=\sqrt{x}$

f(x)＝ax+b

3)激活层跟在卷积层或者全连接之后。

下采样层：

1)下采样层不改变中间表示的通道数；

2)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(1/m)x(1/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的次幂，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。

归一化层：

1)归一化层不改变中间表示的任何尺寸；

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。

一般的组合是：卷积->激活->下采样->归一化。

以下情况特殊：

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，即采用以下组合：卷积->激活->下采样；

2)归一化层提前，效果基本相同，即采用以下组合：卷积->激活->归一化->下采样。

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棒性，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。

全连接层：

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；

2)全连接的输出可以任意；

3)一旦进过全连接，就无法进行卷积、下采样或归一化；

4)全连接后面可以接激活层，或者继续接全连接。

SoftMax层：

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。

本发明最后使用的网络结构如表1所示。

表1卷积神经网络结构

层数	类型	核大小	输出大小	注解
					1	输入层		32x32x3
2	卷积层	5x5	32x32x32
					3	激活层		32x32x32
4	下采样层	2x2	16x16x32	f(x)＝x2
					5	归一化层		16x16x32	使用局部归一化
6	卷积层	5x5	16x16x16
					7	激活层		16x16x16
8	下采样层	2x2	8x8x16	f(x)＝|x|
					9	归一化层		8x8x16	使用局部归一化

10	全连接层		6个数据
					11	SoftMax层		6个数据

所述的步骤33中将所述人脸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所述人脸图像的年龄类型，主要是将所述的所述人脸图像的人脸轮廓图放入卷积神经网络***中进行计算所述人脸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所述人脸图像的年龄类型。具体主要是通过在所述人脸图像中的人脸区域进行关键点对齐和轮廓提取得到人脸轮廓图，放入神经网络的输入层，进行全连接后，在最后的SoftMax层得到每一种标签的概率，即在区间[0,1]中的实值；本实施例中根据年龄类型分为：婴幼儿、儿童、少年、青年、中年、老年，共6种类型的年龄标签，即6个数据，这6个数据的和等于1；选择概率最大的标签作为该人脸图像的年龄类型的标签。步骤32中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***进行分类模型的训练，其年龄类型的判断方法与上述类似。

所述的年龄类型包括：婴幼儿(0到2岁)、儿童(3到6岁)、少年(7到14岁)、青年(15到35岁)、中年(36到60岁)、老年(61岁以上)，若判断结果为婴幼儿，则自动关闭闪光灯；或者，所述的年龄类型包括：两岁以下类型和两岁以上类型，若判断结果的年龄类型为两岁以下类型，则认为是婴幼儿，并自动关闭闪光灯。

所述的步骤32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33中比对所述人脸图像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述人脸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人脸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人脸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人脸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人脸图像的人脸轮廓图。

所述的仿射变换仿射变换(Affine Transform)是空间直角坐标变换的一种，它是一种二维坐标到二维坐标之间的线性变换，保持二维图形的“平直性”(straightness，即变换后直线还是直线不会打弯，圆弧还是圆弧)和“平行性”(parallelism，即保持二维图形间的相对位置关系不变，平行线还是平行线，相交直线的交角不变)；利用仿射变换对标准人脸图的人脸特征关键点进行对齐和调整，主要是通过移动、缩放、翻转、旋转等一系列的变换，将样本图像或人脸图像与标准人脸图中眼睛、鼻子、嘴巴等人脸特征关键点调整到与标准人脸图相对应的位置。

本实施例中，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。所述的人脸特征关键点的检测主要是利用ASM(ActiveShape Model)算法，其分为训练和搜索两步：训练时，建立各个特征点的位置约束，构建各个特定点的局部特征；搜索时，迭代的匹配；该算法为现有技术在此不进行赘述。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、额头等。

人脸网格生成的基本思想是先设计出符合基本人脸形状和器官分布的标准三角网格，通过定义每个三角形的顶点序号，来得到网格点的相对位置与三角网格面片之间的拓扑关系；然后用人脸特征点提取算法得到的控制点坐标对标准网格进行校准变形，从而实现不同人脸照片的个性化面部网格生成。

曲线间点的拟合点采用拉格朗日插值计算出来。

网格点的生成算法描述如下：

眼睛轮廓：88个特征点中关于眼睛轮廓的有16个点，而在标准网格之中我们需要对20个点进行校准定位。我们根据左眼角点、右眼角点和上边中点生成眼睛上抛物线；通过左眼角点、右眼角点和下边中点生成眼睛下抛物线。在四条抛物线上等水平距离取点获得所有20个点。

嘴部：88个特征点中嘴部轮廓有22个点，标准网格中需要对34个点进行校准定位。生成抛物线9～12进行拟合，获取所有34个点。

眉毛：88个特征点中眉毛有16个点，标准网格中需要对20个点进行校准定位。生成抛物线1、2、3和4进行拟合，获取所有20个点。

脸部轮廓线：88个特征点中有21个点表示脸部轮廓线。而在网格图中共有33个点表示轮廓线。将轮廓线分为4段，分别用抛物线13～16拟合。

额头：通过实际脸和标准脸的额头发际中点，两边脸颊最高点计算仿射变换矩阵。额头部分在人脸表情动作中起到的作用较少，因此额头部分的网格采用了仿射变换的方法进行近似生成。

其他点：如额头、脸颊、嘴部***等处的点，它们的坐标根据已经定好位置的网格点按比例算出。

所述的轮廓提取主要是对所述调整后的样本图像或人脸图像进行小波变换，得到低频分量的频域图像，即所述的人脸轮廓图。其中小波变换是空间(时间)和频率的局部变换，因而能有效地从信号中提取信息。小波变换是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征。

另外，如图3所示，本发明基于上述方法还提供了一种基于年龄估计的闪光灯控制装置，其特征在于：其包括

相机模块A，用于启动摄像头并捕获当前预览的摄像头数据；

人脸识别模块B，对所述的摄像头数据进行人脸识别，并获取识别到的人脸图像；

年龄分类模块C，其对所述的人脸图像进行年龄估计；

执行模块D，其根据年龄估计结果判断所述的人脸图像是否为婴幼儿，若是则自动关闭闪光灯，并驱动摄像头进行拍照。

如图4所示，所述的年龄分类模块进一步包括：

采样单元C1，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C2，其通过比对所述的样本图像或获取的所述人脸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，对样本图像或人脸图像进行关键点对齐和调整，再对调整后的样本图像或人脸图像进行轮廓提取得到样本图像或人脸图像的人脸轮廓图；

归一化单元C3，将所述的样本图像或人脸图像的人脸轮廓图进行归一化处理；

学习单元C4，将归一化处理后的样本图像或人脸图像的人脸轮廓图输入卷积神经网络***进行分类模型的训练；

判断单元C5，将所述人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类，以判断所述人脸图像的年龄类型。

本发明提出一种基于年龄估计的拍照方法，在拍照时，对预览的图像先进行年龄估计，并且估计当前拍摄对象的年龄为婴幼儿时，自动关闭闪光灯，然后再对其进行拍摄，从而避免闪光灯所发出的强光对婴幼儿的眼睛视网膜造成的伤害，父母无需担心拍照时忘记关闭闪光灯。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于分类***的实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。并且，本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成。

上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (12)

1.一种基于年龄估计的闪光灯控制方法，其特征在于，包括以下步骤：

10.捕获当前预览的摄像头数据；

20.对所述的摄像头数据进行人脸识别，并获取识别到的人脸图像；

30.对所述的人脸图像进行年龄估计；

40.根据年龄估计结果判断所述的人脸图像是否为婴幼儿，若是则自动关闭闪光灯。

2.根据权利要求1所述的一种基于年龄估计的闪光灯控制方法，其特征在于：所述的步骤30中对所述的人脸图像进行年龄估计，主要是利用卷积神经网络的方法对所述的人脸图像进行年龄估计。

3.根据权利要求2所述的一种基于年龄估计的闪光灯控制方法，其特征在于：所述的步骤30中对所述的人脸图像进行年龄估计，进一步包括以下步骤：

31.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；

32.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***进行分类模型的训练；

33.获取从摄像头数据中识别到的人脸图像，比对该人脸图像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述的人脸图像进行关键点对齐和调整，再对调整后的人脸图像进行轮廓提取得到所述人脸图像的人脸轮廓图，并将人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类，得到所述人脸图像的年龄类型。

4.根据权利要求3所述的一种基于年龄估计的闪光灯控制方法，其特征在于：在进行分类模型的训练过程中，卷积神经网络***将分类错误的样本图像收集起来并依次执行步骤31及步骤32，直到超过预期结果时定为所述步骤32所训练出来的分类模型为最佳分类模型，并在所述的步骤33中采用该最佳分类模型对所述人脸图像的人脸轮廓图进行年龄分类，得到所述人脸图像的年龄类型。

5.根据权利要求3所述的一种基于年龄估计的闪光灯控制方法，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。

6.根据权利要求3所述的一种基于年龄估计的闪光灯控制方法，其特征在于：所述的年龄类型包括：两岁以下类型和两岁以上类型。

7.根据权利要求3所述的一种基于年龄估计的闪光灯控制方法，其特征在于：所述的步骤32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33中比对所述人脸图像的人脸特征关键点和标准人脸图的人脸特征关键点，对所述人脸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人脸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人脸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人脸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人脸图像的人脸轮廓图。

8.根据权利要求3所述的一种基于年龄估计的闪光灯控制方法，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人脸图像进行小波变换，得到低频分量的频域图像，即所述的人脸轮廓图。

9.根据权利要求3所述的一种基于年龄估计的闪光灯控制方法，其特征在于：所述的步骤33中将所述人脸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所述人脸图像的年龄类型，主要是将所述的所述人脸图像的人脸轮廓图放入卷积神经网络***中进行计算所述人脸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所述人脸图像的年龄类型。

10.根据权利要求3至9中任一项所述的一种基于年龄估计的闪光灯控制方法，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。

11.一种基于年龄估计的闪光灯控制装置，其特征在于：其包括

相机模块，用于启动摄像头并捕获当前预览的摄像头数据；

人脸识别模块，对所述的摄像头数据进行人脸识别，并获取识别到的人脸图像；

年龄分类模块，其对所述的人脸图像进行年龄估计；

执行模块，其根据年龄估计结果判断所述的人脸图像是否为婴幼儿，若是则自动关闭闪光灯，并驱动摄像头进行拍照。

12.根据权利要求11所述的一种基于年龄估计的闪光灯控制装置，其特征在于：所述的年龄分类模块进一步包括：

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所述人脸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，对样本图像或人脸图像进行关键点对齐和调整，再对调整后的样本图像或人脸图像进行轮廓提取得到样本图像或人脸图像的人脸轮廓图；

归一化单元，将所述的样本图像或人脸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人脸图像的人脸轮廓图输入卷积神经网络***进行分类模型的训练；

判断单元，将所述人脸图像的人脸轮廓图采用所述的分类模型进行年龄分类，以判断所述人脸图像的年龄类型。