CN109815864A

CN109815864A - 一种基于迁移学习的人脸图像年龄识别方法

Info

Publication number: CN109815864A
Application number: CN201910027211.7A
Authority: CN
Inventors: 钱丽萍; 俞宁宁; 黄玉蘋; 吴远; 黄亮
Original assignee: Zhejiang University of Technology ZJUT
Current assignee: Zhejiang University of Technology ZJUT
Priority date: 2019-01-11
Filing date: 2019-01-11
Publication date: 2019-05-28
Anticipated expiration: 2039-01-11
Also published as: CN109815864B

Abstract

一种基于迁移学习的人脸图像年龄识别方法，包括如下步骤：1)采用改善图片亮度均衡性的预处理技术；2)使用深度卷积神经网络DCNN来实现图片特征提取，采用迁移学习的方法来训练DCNN；3)使用softmax分类器，softmax分类器是将多个由DCNN输出的标量参数值映射为一个概率分布数组，每一个概率即是对应分类标签的可能性，在深度卷积神经网络模型中，选择使用Adam优化器求解参数θ，基于DCNN的分类器通过人脸图片数据集训练和Adam优化目标函数获得参数θ来建立，在预测阶段取softmax分类器输出的概率分布数组中最大分量对应的分类标签作为该分类器的预测结果。本发明显著提升人脸图像年龄识别的准确性。

Description

一种基于迁移学习的人脸图像年龄识别方法

技术领域

本发明涉及一种人脸图像年龄识别方法，尤其是一种基于迁移学习的人脸图像年龄识别方法。

背景技术

随着计算机视觉、模式识别和生物识别技术的快速发展，近年来基于计算机的人脸年龄估计越来越受到重视。它具备广泛的计算机视觉应用前景，包括安全检测、法医学、人机交互(HCI)、电子客户信息管理(ECRM)等。在现实生活中，利用监控相机和年龄识别***协同，可以有效预防自动贩卖机对未成年人出售香烟和违禁药品。在社会治安中，发生在自动提款机的诈骗违法行为通常发生在特定的年龄人群，因而能通过引入年龄信息确认提前预防。在生物统计学领域中，面部年龄估计作为一种个体信息的重要补充，可与虹膜、手印、DNA、指纹等个体身份信息结合，从而提高生物识别***的整体性能。总之，基于计算机的人脸年龄估计技术不仅在许多领域有着广泛应用，它还具有与其他智能技术融合性强的特点。

虽然当前国内外已有相关的人脸年龄估计研究，但受限于个体年龄生成差异、纹理信息的复杂性、数据缺乏、干扰因素等原因，使得估计准确率并不高。从根本上讲，年龄估计问题可划分为两个主要分支：1)确认一个年龄范围(如29～38岁)；2)得到一个确切的年龄(如18岁)。在实际应用中，许多年龄识别任务通常只需要确定一个年龄范围，而且确定年龄范围比得到确切的年龄更加容易。

发明内容

为了显著提升人脸图像年龄识别***的准确性，本发明提供了一种基于迁移学习的人脸图像年龄识别方法。

本发明解决其技术问题所采用的技术方案是：

一种基于迁移学习的人脸图像年龄识别方法，所述识别方法包括如下步骤：

1)采用改善图片亮度均衡性的预处理技术；

2)使用深度卷积神经网络DCNN来实现图片特征提取，采用迁移学习的方法来训练DCNN，包括以下步骤：

步骤2.1：将人脸图片数据分为三部分：训练集(60％)，验证集(20％)和测试集(20％)，并保证训练集中的图片不会出现在验证集和测试集中；

步骤2.2：调用参数已经在ImageNet上预训练好的DCNN，应用迁移学习训练人脸图片数据，保证该DCNN除全连接层(FC)外的参数不变，因此，迁移学习只微调了DCNN全连接层的参数；

步骤2.3：训练过程中，随着训练集的精度和损失量持续改善，但验证集的精度和损失量不再发生明显的变化时，认为DCNN训练完毕，同时保存FC中微调的参数；

3)使用softmax分类器，softmax分类器是将多个由DCNN输出的标量参数值映射为一个概率分布数组，每一个概率即是对应分类标签的可能性，对于训练数据集且s_i为图片数据，y_i∈{1,2,···,C}，其中C为类别标签个数，N为图片数据数量；softmax能将数据集特征提取并映射为其中x_i∈R，其模型为：

其中，各参数定义如下：

概率分布数组；

x：数据映射集合；

C：类别标签个数；

参数θ＝(θ₁,θ₂,···,θ_C)通过交叉熵(cross-entropy)建立优化目标函数和优化算法(SGD、PMSprop、Adam等)求解，优化目标函数如下所示：

其中，各参数定义如下：

N：图片数据数目；

C：类别标签个数；

δ：狄利克雷函数；

R(·)：正则化约束项；

在深度卷积神经网络模型中，选择使用Adam优化器求解参数θ，基于DCNN的分类器通过人脸图片数据集训练和Adam优化目标函数获得参数θ来建立，在预测阶段取softmax分类器输出的概率分布数组中最大分量对应的分类标签作为该分类器的预测结果，该过程表示为：

其中，L是该分类器的预测分类标签。

进一步，所述步骤1)中，预处理过程如下：

步骤1.1：从原始RGB图像中分别提取三个分量的值；

步骤1.2：计算三个分量的均值，并分别表示为R_aver，G_aver，B_aver，该计算过程如下表示：

其中，各参数定义如下：

R_aver：R分量的均值；

G_aver：G分量的均值；

B_aver：B分量的均值；

m：图片像素数目；

R_i：第i个像素的R分量的值；

G_i：第i个像素的G分量的值；

B_i：第i个像素的B分量的值；

步骤1.3：计算全局灰度系数Q_aver，该过程如下所示：

其中，Q_aver为全局灰度系数；

步骤1.4：计算每个分量的增益系数，该过程如下所示：

其中，参数定义如下：

N_r：R分量增益系数；

N_g：G分量增益系数；

N_b：B分量增益系数；

步骤1.5：重新构造图像RGB新分量，该过程如下所示：

其中，参数定义如下：

R^*：新的R分量；

G^*：新的G分量；

B^*：新的B分量；

步骤1.6：把得到的新分量R^*，G^*，B^*修正在范围[0～255]内。对于大于255的分量值，设定为255；对于小于0的分量值，设定为0；对于范围内的分量值保持不变；

步骤1.7：根据修正后的新分量构建图片。

所述步骤1)中，应用所提供的图片亮度均衡化方法作为图片预处理并非必要的预处理方式，但通常采用该方法作为预处理技术能使***性能显著提升；步骤2)中，采用迁移学习训练DCNN，我们微调的是全连接层。当***要求更高的精度和性能时，也可以微调部分卷积层中的参数。

本发明的技术构思为：通常数据集中的人脸图片会有过亮或过暗的情况，这对应用DCNN提取特征会产生不利影响。因此，我们使用了一种常见的图片亮度均衡化方法作为图片预处理技术来修正图片的亮度。接着，我们应用了DCNN实现人脸图片的特征提取。但从端到端训练一个DCNN会花费大量的时间和精力，并且数据不足的缺陷会使DCNN难以得到良好的性能。所以我们应用迁移学习的方法解决这些问题，核心操作为在训练时只微调DCNN全连接层中的参数而保持其它参数不变。训练完模型以后，我们用softmax分类器实现人脸图片年龄的预测，取softmax分类器输出的概率分布数组中最大分量对应的分类标签L作为最终的预测结果。

本发明的有益效果主要表现为：1、应用一种常用的亮度均衡化方法作为图像预处理技术，从而消除图片过量或过暗对DCNN训练和预测的不利影响。2、应用迁移学习的方法，解决从端到端训练DCNN花费大量时间和精力以及数据不足的问题。

附图说明

图1是人脸图像年龄识别模型示意图；

图2是迁移学习示意图。

具体实施方式

下面结合附图对本发明作进一步详细描述。

参照图1和图2，一种基于迁移学习的人脸图像年龄识别方法，使用迁移学习的方法实现人脸图像年龄估计，因此首先需要进行图像预处理(如图1)。接着应用迁移学习的办法(如图2)训练图片数据，最后我们取softmax分类器输出的概率分布数组最大分量对应的标签作为最终的预测结果。包括如下步骤：

1)对于人脸图像年龄识别***，通过图像预处理技术改善图像质量是十分重要的，它既是学习模型提取良好特征的前提，也直接影响着最终预测的结果，采用一种常用的改善图片亮度性的预处理技术，包含以下步骤：

步骤1.1：从原始RGB图像中分别提取三个分量的值；

其中，各参数定义如下：

R_aver：R分量的均值；

G_aver：G分量的均值；

B_aver：B分量的均值；

m：图片像素数目；

R_i：第i个像素的R分量的值；

G_i：第i个像素的G分量的值；

B_i：第i个像素的B分量的值；

步骤1.3：计算全局灰度系数Q_aver，该过程如下所示：

其中，Q_aver为全局灰度系数；

步骤1.4：计算每个分量的增益系数，该过程如下所示：

其中，参数定义如下：

N_r：R分量增益系数；

N_g：G分量增益系数；

N_b：B分量增益系数；

步骤1.5：重新构造图像RGB新分量，该过程如下所示：

其中，参数定义如下：

R^*：新的R分量；

G^*：新的G分量；

B^*：新的B分量；

步骤1.7：根据修正后的新分量构建图片，预处理完毕；

2)我们使用深度卷积神经网络(DCNN)来实现图片特征提取。但从端到端训练一个DCNN要花费大量的时间和精力，同时图片数据不足的局限性使得网络难以获得较好的性能。为了解决这些问题，我们采用迁移学习的方法来训练DCNN，包括以下步骤：

步骤2.3：训练过程中，随着训练集的精度和损失量持续改善，但验证集的精度和损失量不再发生明显的变化时，可认为DCNN训练完毕，同时保存FC微调的参数；

3)在多分类问题中，最普遍使用的是softmax分类器。softmax分类器是将多个由DCNN输出的标量参数值映射为一个概率分布数组，每一个概率即是对应分类标签的可能性，对于训练数据集且s_i为图片数据，y_i∈{1,2,···,C}，其中C为类别标签个数，N为图片数据数量，softmax能将数据集特征提取并映射为其中x_i∈R，其模型为：

其中，各参数定义如下：

概率分布数组；

x：数据映射集合；

C：类别标签个数；

参数θ＝(θ₁,θ₂,···,θ_C)通过交叉熵(cross-entropy)建立优化目标函数和优化算法(SGD、PMSprop、Adam等)求解。优化目标函数如下所示：

其中，各参数定义如下：

N：图片数据数目；

C：类别标签个数；

δ：狄利克雷函数；

R(·)：正则化约束项；

在深度卷积神经网络模型中，Adam是常用的优化器。它在图片分类问题中相较于SGD、RMSprop等优化器有更好的性能，因此我们选择使用Adam优化器求解参数θ，基于DCNN的分类器通过人脸图片数据集训练和Adam优化目标函数获得参数θ来建立，在预测阶段取softmax分类器输出的概率分布数组中最大分量对应的分类标签作为该分类器的预测结果，该过程表示为：

其中，L是该分类器的预测分类标签。

Claims

1.一种基于迁移学习的人脸图像年龄识别方法，其特征在于，所述识别方法包括如下步骤：

1)采用改善图片亮度均衡性的预处理技术；

步骤2.1：将人脸图片数据分为三部分：训练集，验证集和测试集，并保证训练集中的图片不会出现在验证集和测试集中；

步骤2.2：调用参数已经在ImageNet上预训练好的DCNN，应用迁移学习训练人脸图片数据，保证该DCNN除全连接层外的参数不变，因此，迁移学习只微调了DCNN全连接层的参数；

3)使用softmax分类器，softmax分类器是将多个由DCNN输出的标量参数值映射为一个概率分布数组，每一个概率即是对应分类标签的可能性，对于训练数据集且s_i为图片数据，y_i∈{1,2,…,C}，其中C为类别标签个数，N为图片数据数量；softmax能将数据集特征提取并映射为其中x_i∈R，其模型为：

其中，各参数定义如下：

概率分布数组；

x：数据映射集合；

C：类别标签个数；

参数θ＝(θ₁,θ₂,…,θ_C)通过交叉熵建立优化目标函数和优化算法求解，优化目标函数如下所示：

其中，各参数定义如下：

N：图片数据数目；

C：类别标签个数；

δ：狄利克雷函数；

R(·)：正则化约束项；

其中，L是该分类器的预测分类标签。

2.如权利要求1所述的一种基于迁移学习的人脸图像年龄识别方法，其特征在于，所述步骤1)中，预处理过程如下：

步骤1.1：从原始RGB图像中分别提取三个分量的值；

其中，各参数定义如下：

R_aver：R分量的均值；

G_aver：G分量的均值；

B_aver：B分量的均值；

m：图片像素数目；

R_i：第i个像素的R分量的值；

G_i：第i个像素的G分量的值；

B_i：第i个像素的B分量的值；

步骤1.3：计算全局灰度系数Q_aver，该过程如下所示：

其中，Q_aver为全局灰度系数；

步骤1.4：计算每个分量的增益系数，该过程如下所示：

其中，参数定义如下：

N_r：R分量增益系数；

N_g：G分量增益系数；

N_b：B分量增益系数；

步骤1.5：重新构造图像RGB新分量，该过程如下所示：

其中，参数定义如下：

R^*：新的R分量；

G^*：新的G分量；

B^*：新的B分量；

步骤1.6：把得到的新分量R^*，G^*，B^*修正在范围[0～255]内，对于大于255的分量值，设定为255；对于小于0的分量值，设定为0；对于范围内的分量值保持不变；

步骤1.7：根据修正后的新分量构建图片。