CN105678253B - 半监督人脸年龄估计装置及半监督人脸年龄估计方法 - Google Patents

半监督人脸年龄估计装置及半监督人脸年龄估计方法 Download PDF

Info

Publication number
CN105678253B
CN105678253B CN201610003658.7A CN201610003658A CN105678253B CN 105678253 B CN105678253 B CN 105678253B CN 201610003658 A CN201610003658 A CN 201610003658A CN 105678253 B CN105678253 B CN 105678253B
Authority
CN
China
Prior art keywords
age
face
face picture
distribution
semi
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610003658.7A
Other languages
English (en)
Other versions
CN105678253A (zh
Inventor
耿新
侯鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201610003658.7A priority Critical patent/CN105678253B/zh
Publication of CN105678253A publication Critical patent/CN105678253A/zh
Application granted granted Critical
Publication of CN105678253B publication Critical patent/CN105678253B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种半监督人脸年龄估计装置。该装置训练方法为：步骤1、获取人脸图片数据集，并进行图像特征提取；步骤2、对有年龄标记的每一幅人脸图片，为其初始化年龄分布，并作为训练集；步骤3、利用当前训练集训练LBFGS‑LLD模型，并对所有图片进行年龄分布预测；步骤4、计算无年龄标记人脸图片的伪年龄；步骤5、将所有图片进行年龄分组，优化求解各年龄组所对应的方差，并用得到的方差更新相应年龄组内人脸图片的年龄分布；步骤6、以更新后的所有图片作为新的训练集，转步骤3；直至满足迭代终止条件。本发明还公开了基于该装置的半监督人脸年龄估计方法。本发明仅需使用少量有年龄标记人脸图片结合更多的无年龄标记人脸图片，即可获得更好的年龄估计精度。

Description

半监督人脸年龄估计装置及半监督人脸年龄估计方法
技术领域
本发明涉及一种人脸年龄估计装置，尤其涉及一种半监督人脸年龄估计装置及半监督人脸年龄估计方法，属于机器学习和模式识别技术领域。
背景技术
年龄是人的重要属性之一，而且人们的行为和偏好在不同的年龄段都是不同的，这表明准确的年龄估计将会有非常重要的应用前景。目前很多与年龄相关的应用，如人机交互、电子客户关系管理、安全管理、监视监控等，都得到了极大的发展。而在众多年龄估计的方法中，基于人脸的年龄估计或许是日常生活中最常用的一种。
一篇中国发明专利(CN102567719)公开了一种“基于后验概率神经网络的人类年龄自动估计方法”，利用预先训练的后验概率神经网络作为人脸年龄估计模型，其在训练阶段使用一个年龄分布(用向量表示)表示该人脸图片所有可能年龄的概率分布。向量里的每一个元素表示对应人脸图片真实年龄为该年龄的可能性。该分布基于如下假设：人的外貌是随年龄逐渐变化的，且外貌变化的速度在每个年龄段都是不一样的，因此外貌的变化速度是可以反映年龄这一信息的，而变化的快慢是可以通过分布来体现的。如图1所示，人在少年，如0-20岁，以及老年，如50-76岁，其外貌变化较大，对应的年龄分布较为陡峭；而在中年，如20-50岁，其外貌变化不大，相对应的年龄分布则较为平缓。因此对于每一张人脸图片，其年龄分布应该包括所有可能的年龄段，如图1中的0-76岁，那么在***的训练过程中我们使用的年龄不再是一个单独的数值，而是所有年龄段的分布向量(注：年龄分布向量中所有元素均大于等于0，小于等于1，且总和为1)。同时，该年龄分布应该在真实年龄处的可能性最高，其次随着年龄与真实年龄的差距逐渐变大，其可能性逐渐变小，因此该分布可以表示为高斯分布。该高斯分布的均值为真实年龄，方差控制该年龄段的外貌变化趋势。
上述方法可以较准确地对人脸图片的年龄进行估计，但是其训练所使用的人脸图片只能是有年龄标记的人脸图片。一方面，在真实世界中，年龄分布是无法获取到的，能够得到的只有年龄，且由于年龄的获取成本太大，大部分人脸图片都是没有年龄标记的；另一方面，在实际应用中，获取充分的带有年龄标记的人脸数据是一项耗时耗力的工程，而随着相机、智能手机等电子设备的兴起，获取大量的无年龄标记的人脸数据变得容易起来。因此，如何充分利用大量的无标记人脸数据来更准确地进行年龄估计就变得至关重要。
发明内容
本发明所要解决的技术问题在于克服现有技术不足，提供一种半监督人脸年龄估计装置，仅需使用少量有年龄标记人脸图片结合更多的无年龄标记人脸图片，即可获得更好的年龄估计精度。
本发明具体采用以下技术方案解决上述技术问题：
一种半监督人脸年龄估计装置，该装置通过以下方法训练得到：
步骤1、获取人脸图片数据集，并对其中的各人脸图片进行图像特征提取；所述人脸图片数据集包括一组有年龄标记的人脸图片以及一组无年龄标记的人脸图片；
步骤2、对有年龄标记的每一幅人脸图片，根据其标记年龄为其初始化一个符合高斯分布的年龄分布，以这些人脸图片作为训练集；所述年龄分布的均值为其标记年龄，方差为预设的初始方差；
步骤3、利用当前训练集训练标记分布学习模型LBFGS-LLD，并用完成训练的LBFGS-LLD模型对人脸图片数据集中的所有人脸图片进行年龄分布预测，得到其预测年龄分布；
步骤4、计算每一幅无年龄标记的人脸图片的伪年龄；任一人脸图片的伪年龄计算方法具体如下：从所有有年龄标记的人脸图片中为该人脸图片选出一组与其综合相似度最高的人脸图片，然后以所选出的人脸图片的标记年龄的均值作为该人脸图片的伪年龄；所述综合相似度的度量为两幅人脸图片之间的图像特征相似度与年龄分布相似度的加权和；
步骤5、将人脸图片数据集中的所有人脸图片按照其标记年龄或者伪年龄进行分组，然后从每个年龄组里挑选出其预测年龄分布的均值与其标记年龄或伪年龄之间的偏差值小于预设年龄偏差阈值的一组人脸图片；对每个年龄组，以与所挑选出的各人脸图片之间综合相似度之和最大为优化目标，优化求解一个年龄分布的方差，该年龄分布的均值为该年龄组所对应年龄，并用优化求解得到的方差更新该年龄组中各人脸图片所对应的年龄分布；
步骤6、以年龄分布更新后的所有人脸图片作为新的训练集，转至步骤3；反复迭代，直至满足预设的迭代终止条件。
一种基于上述半监督人脸年龄估计装置的半监督人脸年龄估计方法，对待估计人脸图片进行图像特征提取，并将所提取的图像特征输入训练阶段得到的LBFGS-LLD模型，LBFGS-LLD模型所输出的年龄分布的均值即为该待估计人脸图片的估计年龄。
相比现有技术，本发明具有以下有益效果：
本发明仅需使用少量有年龄标记图片，通过年龄分布来充分地利用大量没有年龄标记的人脸图片；在学习过程中，本发明利用有年龄标记图片及其年龄分布来估计无年龄标记图片的伪年龄，并对年龄分布不断迭代更新。本发明充分利用了易于获取的无年龄标记人脸图片对年龄估计模型进行训练，仅需使用少量有年龄标记人脸图片结合更多的无年龄标记人脸图片，即可获得更好的年龄估计精度。
附图说明
图1为人脸图片的年龄分布示例；
图2为本发明一个具体实施例的流程示意图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明：
本发明的半监督人脸年龄估计方法包括两个阶段：估计模型的训练阶段以及年龄估计阶段。其中，估计模型的训练如图2所示，具体包括以下步骤：
步骤1、获取人脸图片数据集，并对其中的各人脸图片进行图像特征提取；所述人脸图片数据集包括一组有年龄标记的人脸图片以及一组无年龄标记的人脸图片。
本发明用于模型训练的人脸图片数据集中既包括有年龄标记的人脸图片又包括无年龄标记的人脸图片，从而可大幅扩充人脸图片数据集的规模，充分利用大量易于获得的无年龄标记的人脸图片。
所述图像特征可采用现有的各种人脸图像特征，例如Active Appearance Model(AAM)、Aging pattern Subspace(AGES)、Age Manifold、HOG、BIF特征等。在本实施例中，首先提取人脸图片的BIF特征，然后利用MFA算法对提取的BIF特征进行降维。BIF特征是人脸年龄估计方法中常用的一种特征，其具体内容可参考文献[G.Guo,G.Mu,Y.Fu,andT.S.Huang,“Human age estimation using bio-inspired features,”in Proc.IEEEConf.Computer Vision and Pattern Recognition,Miami,FL,2009,pp.112–119]。为了降低算法复杂度，提高算法实时性，进一步利用MFA算法进行特征降维。MFA是一种常用的降维方法，其具体内容可参考文献[S.Yan,D.Xu,B.Zhang,H.Zhang,Q.Yang,and S.Lin,“Graphembedding and extensions:A general framework for dimensionality reduction,”IEEE Trans.Pattern Anal.Mach.Intell.,vol.29,no.1,pp.40–51,2007]。
步骤2、对有年龄标记的每一幅人脸图片，根据其标记年龄为其初始化一个符合高斯分布的年龄分布，以这些人脸图片作为训练集；所述年龄分布的均值为其标记年龄，方差为预设的初始方差。
常规的人脸年龄估计对于每张人脸图片只有唯一的一个年龄标记，而本发明对于每张已标记年龄的人脸图片赋予一个年龄分布，该年龄分布为高斯分布，其均值为真实的年龄(标记年龄)，方差为预设的初始值σ0。然后将带有初始年龄分布的有年龄标记人脸图片作为训练集。其中初始方差σ0的值可灵活设定，根据经验，将其设置为3时效果较好。年龄分布的具体计算方法可用式(1)表示：
其中σ0为初始方差，xi为第i张有标记的人脸图片实例，yj表示第j个年龄标记，ui为第i张人脸图片对应的标记年龄，d为对应的年龄分布。
步骤3、利用当前训练集训练标记分布学习模型LBFGS-LLD，并用完成训练的LBFGS-LLD模型对人脸图片数据集中的所有人脸图片进行年龄分布预测，得到其预测年龄分布。
本发明利用标记分布学习模型LBFGS-LLD来训练估计模型。假设当前为第k次迭代，其目标为最小化模型预测的年龄分布与训练集中标记的年龄分布之间的KL散度，从而得到最优的参数。其优化目标函数为：
其中θk为第k次迭代需要求解的模型参数向量，且(θk)T为其转置向量，i为图像索引，j为年龄标记，xi为第i个人脸图像实例；dij为关于xi的年龄分布在第j个年龄标记上的取值，g(xi)为表示xi的图像特征向量。关于LBFGS-LLD模型的更详细内容可参考文献[X.Geng,C.Yin,and Z.-H.Zhou.Facial Age Estimation by Learning from LabelDistributions.IEEE Transactions on Pattern Analysis and Machine Intelligence(IEEE TPAMI),2013,35(10):2401-2412]。在得到最优的参数θk后，用取该最优参数的LBFGS-LLD模型对人脸图片数据集中的所有人脸图片进行年龄估计，预测每张人脸图片对应的预测年龄分布。
步骤4、计算每一幅无年龄标记的人脸图片的伪年龄；任一人脸图片的伪年龄计算方法具体如下：从所有有年龄标记的人脸图片中为该人脸图片选出一组与其综合相似度最高的人脸图片，然后以所选出的人脸图片的标记年龄的均值作为该人脸图片的伪年龄；所述综合相似度的度量为两幅人脸图片之间的图像特征相似度与年龄分布相似度的加权和。
由于步骤3中对无年龄标记人脸图片估计的年龄相对不可靠，为了得到更可靠的估计年龄，本发明进一步对无年龄标记人脸图片重新计算其对应的年龄，并称其为伪年龄。伪年龄的计算方法具体为：从所有有年龄标记的人脸图片中为该人脸图片选出一组与其综合相似度最高的人脸图片，然后以所选出的人脸图片的标记年龄的均值作为该人脸图片的伪年龄。本发明利用两幅人脸图片之间的图像特征相似度与年龄分布相似度的加权和来度量无年龄标记人脸图片与有年龄标记人脸图片之间的相似性。其中，两幅人脸图片之间的图像特征相似度可采用现有的欧氏距离、曼哈顿距离、相关系数、信息熵等度量形式；两幅人脸图片之间的年龄分布相似度可采用欧式距离、Sorensen距离、KL散度、Jeffrey散度等度量形式，本发明优选采用KL散度(又称相对熵)。两者的权值可根据实际需要自行设定。
本实施例中是利用K近邻方法并根据式(3)的综合相似度表达式从所有有年龄标记人脸图片中搜索出第m张无年龄标记人脸图片的K近邻集合Nm：
其中xm，xn分别为第m、n张人脸图片的图像特征向量，C为平衡因子，yj为第j个年龄，θk为第k次迭代时的参数向量，p(yj|xm；θk)，p(yj|xn；θk)分别为由步骤3中求得的模型对第m、n张人脸图片预测的年龄分布。注意，此时第m张图片为无年龄标记的人脸图片，而第n张图片为有年龄标记的人脸图片。然后第m张无年龄标记人脸图片的伪年龄通过式(4)确定：
其中，为在第k次迭代(即当前迭代)中对第m张人脸图片估计的伪年龄，μn为第n张图片的真实标记年龄，Nm为通过式(3)确定的第m张无年龄标记人脸图片的K张近邻图片，K为近邻数。
步骤5、将人脸图片数据集中的所有人脸图片按照其标记年龄或者伪年龄进行分组，然后从每个年龄组里挑选出其预测年龄分布的均值与其标记年龄或伪年龄之间的偏差值小于预设年龄偏差阈值的一组人脸图片；对每个年龄组，以与所挑选出的各人脸图片之间综合相似度之和最大为优化目标，优化求解一个年龄分布的方差，该年龄分布的均值为该年龄组所对应年龄，并用优化求解得到的方差更新该年龄组中各人脸图片所对应的年龄分布。
将人脸图片数据集中的所有人脸图片按照其标记年龄或者伪年龄进行分组，每个具有相同标记年龄或者伪年龄的人脸图片分入同一组；然后从每个年龄组里挑选出置信度较高的一组图片。本实施例中所采用的具体挑选方法为：挑选所有根据分布预测的年龄(可能性最高的)与真实的标记年龄或伪年龄的差值的绝对值小于平均绝对误差(MeanAbsolute Error，简称MAE)的人脸图片，其中MAE的计算方法为
其中l、u分别为有年龄标记的人脸图片和无年龄标记的人脸图片的数量，ei为第i张人脸图片的年龄预测误差的绝对值。
在得到置信度较高的图片后，需要重新确定更新每个年龄对应的高斯分布的方差，其方法为：对每个年龄组，以与所挑选出的各人脸图片之间综合相似度之和最大为优化目标，优化求解一个年龄分布的方差，该年龄分布的均值为该年龄组所对应年龄。其数学表达如式(6)所示：
其中为第k次迭代μ年龄组中挑选出的置信度较高的图片集合，p(yj|xr；θk)为通过当前参数模型对图片xr预测的年龄分布，的计算方法为：
其中Zμ为分布的归一化项。
这样，对每一个年龄组，均得到一个相对应的新的高斯分布方差，用该方差更新该年龄组中各人脸图片对应的年龄分布。
步骤6、以年龄分布更新后的所有人脸图片作为新的训练集，转至步骤3；反复迭代，直至满足预设的迭代终止条件。
为了能够自适应地学习到更好的年龄分布，算法需要多次迭代，因此以完成预测年龄分布的方差更新后的所有人脸图片作为新的训练集，然后转至步骤3进行下一次迭代；直至满足预设的迭代终止条件，退出。此时的LBFGS-LLD模型即为最终的人脸年龄预测模型。本实施例中的迭代终止条件模型在验证集上的预测误差达到最低。其中对验证集上人脸图片年龄的估计方法为
其中x为验证集中待预测的人脸图片的图像特征，θk为第k次迭代时的参数向量。
再利用训练好的人脸年龄预测模型进行人脸年龄预测时，首先对待估计人脸图片进行图像特征提取，并将所提取的图像特征输入训练阶段得到的LBFGS-LLD模型，LBFGS-LLD模型会输出一个年龄分布，该年龄分布的均值即为待估计人脸图片的估计年龄。
为了验证本发明方法的效果，将其与现有的几种人脸年龄估计方法进行了对比验证实验，实验所用的数据集为MORPH数据库，其约有55000张人脸图片。采用十倍交叉验证的方法，将全部图片数据随机分成均等的十份，每次取其中一份做测试集，一份做验证集，剩余八份做训练集，共训练十次，取十次的平均结果作为本发明方法性能的评价标准。同时为了模拟半监督的应用场景，将训练集中部分数据的年龄标记去除来代表没有标记的数据。表1显示了本发明方法与几种现有方法的测试结果。
表1测试结果对比
该实验采用平均绝对误差MAE作为年龄估计效果的衡量指标。其中，KPLS为文献[G.Guo and G.Mu.Simultaneous dimensionality reduction and human ageestimation via kernel partial least squares regression.In Computer Vision andPattern Recognition(CVPR),2011IEEE Conference on,pages 657–664.IEEE,2011]中的方法；OHRank为文献[K.-Y.Chang,C.-S.Chen,and Y.-P.Hung.Ordinal hyperplanesranker with cost sensitivities for age estimation.In Computer Vision andPattern Recognition(CVPR),2011IEEE Conference on,pages 585–592.IEEE,2011]中的方法；LDL为文献[X.Geng,C.Yin,and Z.-H.Zhou.Facial age estimation by learningfrom label distributions.Pattern Analysis and Machine Intelligence,IEEETransactions on,35(10):2401–2412,2013]中的方法；ALDL为文献[X.Geng,Q.Wang,andY.Xia.Facial Age Estimation by Adaptive Label Distribution Learning.InPattern Recognition(ICPR),201422nd International Conference on,pages4465–4470.IEEE,2014]中的方法。以上皆为传统的监督人脸年龄估计的方法，为了更好地说明本发明方法的优势，该实验还比较了传统的半监督方法LP，其具体内容可参考文献[F.Wangand C.Zhang.Label propagation through linear neighborhoods.Knowledge and DataEngineering,IEEE Transactions on,20(1):55–67,2008]。表1中的OurMethod表示本发明方法。所有算法都在MORPH数据库上进行十倍交叉验证，其中每次验证时有标记的人脸图片有100张，没有标记的人脸图片有49000张，结果为十次验证结果的平均值。
从表1的结果可以看出本发明方法在年龄估计的准确度上相比已有方法有了很大的提高。

Claims (6)

1.一种半监督人脸年龄估计装置，其特征在于，该装置通过以下方法训练得到：
步骤1、获取人脸图片数据集，并对其中的各人脸图片进行图像特征提取；所述人脸图片数据集包括一组有年龄标记的人脸图片以及一组无年龄标记的人脸图片；
步骤2、对有年龄标记的每一幅人脸图片，根据其标记年龄为其初始化一个符合高斯分布的年龄分布，以这些人脸图片作为训练集；所述年龄分布的均值为其标记年龄，方差为预设的初始方差；
步骤3、利用当前训练集训练标记分布学习模型LBFGS-LLD，并用完成训练的LBFGS-LLD模型对人脸图片数据集中的所有人脸图片进行年龄分布预测，得到其预测年龄分布；
步骤4、计算每一幅无年龄标记的人脸图片的伪年龄；任一人脸图片的伪年龄计算方法具体如下：从所有有年龄标记的人脸图片中为该人脸图片选出一组与其综合相似度最高的人脸图片，然后以所选出的人脸图片的标记年龄的均值作为该人脸图片的伪年龄；所述综合相似度的度量为两幅人脸图片之间的图像特征相似度与年龄分布相似度的加权和；
步骤5、将人脸图片数据集中的所有人脸图片按照其标记年龄或者伪年龄进行分组，然后从每个年龄组里挑选出其预测年龄分布的均值与其标记年龄或伪年龄之间的偏差值小于预设年龄偏差阈值的一组人脸图片；对每个年龄组，以与所挑选出的各人脸图片之间综合相似度之和最大为优化目标，优化求解一个年龄分布的方差，该年龄分布的均值为该年龄组所对应年龄，并用优化求解得到的方差更新该年龄组中各人脸图片所对应的年龄分布；
步骤6、以年龄分布更新后的所有人脸图片作为新的训练集，转至步骤3；反复迭代，直至满足预设的迭代终止条件。
2.如权利要求1所述半监督人脸年龄估计装置，其特征在于，所述图像特征提取的方法具体如下：首先提取人脸图片的BIF特征，然后利用MFA算法对提取的BIF特征进行降维。
3.如权利要求1所述半监督人脸年龄估计装置，其特征在于，所述初始方差的值为3。
4.如权利要求1所述半监督人脸年龄估计装置，其特征在于，所述年龄偏差阈值按照以下方法确定：对该年龄组中的所有人脸图片，分别计算其预测年龄分布的均值与其标记年龄或伪年龄之间的偏差值，然后以所述偏差值的平均值作为该年龄组所对应的年龄偏差阈值。
5.如权利要求1所述半监督人脸年龄估计装置，其特征在于，利用KL散度来度量两幅人脸图片之间的年龄分布相似度。
6.基于权利要求1～5任一项所述半监督人脸年龄估计装置的人脸年龄估计方法，其特征在于，对待估计人脸图片进行图像特征提取，并将所提取的图像特征输入训练阶段得到的LBFGS-LLD模型，LBFGS-LLD模型所输出的年龄分布的均值即为该待估计人脸图片的估计年龄。
CN201610003658.7A 2016-01-04 2016-01-04 半监督人脸年龄估计装置及半监督人脸年龄估计方法 Active CN105678253B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610003658.7A CN105678253B (zh) 2016-01-04 2016-01-04 半监督人脸年龄估计装置及半监督人脸年龄估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610003658.7A CN105678253B (zh) 2016-01-04 2016-01-04 半监督人脸年龄估计装置及半监督人脸年龄估计方法

Publications (2)

Publication Number Publication Date
CN105678253A CN105678253A (zh) 2016-06-15
CN105678253B true CN105678253B (zh) 2019-01-18

Family

ID=56298747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610003658.7A Active CN105678253B (zh) 2016-01-04 2016-01-04 半监督人脸年龄估计装置及半监督人脸年龄估计方法

Country Status (1)

Country Link
CN (1) CN105678253B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203306A (zh) * 2016-06-30 2016-12-07 北京小米移动软件有限公司 年龄的预测方法、装置及终端
CN106228139A (zh) * 2016-07-27 2016-12-14 东南大学 一种基于卷积网络的表观年龄预测算法及其***
CN107045622B (zh) * 2016-12-30 2020-06-02 浙江大学 基于自适应年龄分布学习的人脸年龄估计方法
CN109214616B (zh) * 2017-06-29 2023-04-07 上海寒武纪信息科技有限公司 一种信息处理装置、***和方法
WO2019001418A1 (zh) 2017-06-26 2019-01-03 上海寒武纪信息科技有限公司 数据共享***及其数据共享方法
CN109426553A (zh) 2017-08-21 2019-03-05 上海寒武纪信息科技有限公司 任务切分装置及方法、任务处理装置及方法、多核处理器
CN110413551B (zh) 2018-04-28 2021-12-10 上海寒武纪信息科技有限公司 信息处理装置、方法及设备
CN108108668B (zh) * 2017-12-01 2021-04-27 北京小米移动软件有限公司 基于图像的年龄预测方法及装置
CN107977633B (zh) * 2017-12-06 2019-04-09 平安科技（深圳）有限公司 人脸图像的年龄识别方法、装置及存储介质
CN109034078B (zh) * 2018-08-01 2023-07-14 腾讯科技（深圳）有限公司 年龄识别模型的训练方法、年龄识别方法及相关设备
CN109993150B (zh) * 2019-04-15 2021-04-27 北京字节跳动网络技术有限公司 用于识别年龄的方法和装置
CN110796180B (zh) * 2019-10-12 2022-06-07 吉林大学 一种基于人工智能的模型训练***与方法
CN112560823B (zh) * 2021-02-23 2021-06-08 中国科学院自动化研究所 基于分布学习的自适应方差和权重的人脸年龄估计方法
CN113033444A (zh) * 2021-03-31 2021-06-25 北京金山云网络技术有限公司 年龄估计方法、装置和电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101584575A (zh) * 2009-06-19 2009-11-25 无锡骏聿科技有限公司 一种基于人脸识别技术的年龄评估方法
CN104143097A (zh) * 2013-05-09 2014-11-12 腾讯科技（深圳）有限公司 分类函数获取方法、人脸年龄识别方法、装置和设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8442330B2 (en) * 2009-03-31 2013-05-14 Nbcuniversal Media, Llc System and method for automatic landmark labeling with minimal supervision

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101584575A (zh) * 2009-06-19 2009-11-25 无锡骏聿科技有限公司 一种基于人脸识别技术的年龄评估方法
CN104143097A (zh) * 2013-05-09 2014-11-12 腾讯科技（深圳）有限公司 分类函数获取方法、人脸年龄识别方法、装置和设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
facial age estimation by learning from label distributions;耿新;《transactions on patterns on pattern analysis and machine intelligence》;20131031;第2041-2412页

Also Published As

Publication number Publication date
CN105678253A (zh) 2016-06-15

Similar Documents

Publication Publication Date Title
CN105678253B (zh) 半监督人脸年龄估计装置及半监督人脸年龄估计方法
Xia et al. Multi-stage feature constraints learning for age estimation
CN108664924B (zh) 一种基于卷积神经网络的多标签物体识别方法
CN103544486B (zh) 基于自适应标记分布的人类年龄估计方法
CN115018021B (zh) 基于图结构与异常注意力机制的机房异常检测方法及装置
Sai et al. Facial age range estimation with extreme learning machines
CN106022317A (zh) 人脸识别方法及装置
CN104537252B (zh) 用户状态单分类模型训练方法和装置
CN111860658A (zh) 一种基于代价敏感和集成学习的变压器故障诊断方法
CN104268593A (zh) 一种小样本情况下多稀疏表示的人脸识别方法
CN105844283A (zh) 用于识别图像类目归属的方法、图像搜索方法及装置
CN109101938A (zh) 一种基于卷积神经网络的多标签年龄估计方法
CN111444951B (zh) 样本识别模型的生成方法、装置、计算机设备和存储介质
CN106295694A (zh) 一种迭代重约束组稀疏表示分类的人脸识别方法
CN104517097A (zh) 一种基于kinect的运动人体姿态识别方法
CN109272003A (zh) 一种消除深度学习模型中未知错误的方法与装置
Zhu et al. Networked time series shapelet learning for power system transient stability assessment
CN108108716A (zh) 一种基于深度信念网络的回环检测方法
CN107402859A (zh) 软件功能验证***及其验证方法
CN110321555A (zh) 一种基于循环神经网络模型的电网信号分类方法
CN105117703A (zh) 基于矩阵乘法的快速动作单元识别方法
Chen et al. Military image scene recognition based on CNN and semantic information
CN111126155B (zh) 一种基于语义约束生成对抗网络的行人再识别方法
Okokpujie et al. Predictive modeling of trait-aging invariant face recognition system using machine learning
CN116597635B (zh) 无线通讯智能燃气表控制器及其控制方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant