嫦娥科研速报｜一种基于卷积神经网络的多标签年龄估计方法-发明概述

专利名称：一种基于卷积神经网络的多标签年龄估计方法

专利号：ZL 2018 1 0964623.9

专利摘要：本发明公开了一种基于卷积神经网络的多标签年龄估计方法，本发明利用了年龄特征之间的微变性和有序性，运用多标签学习的思想构建卷积神经网络模型，解决了现有年龄估计方法中存在的年龄估计准确率不高、鲁棒性差等问题。

专利核心：多标签学习；卷积神经网络；归一化图像；鲁棒性

专利介绍：

一、技术领域

本发明属于图像处理和深度学习技术领域，更具体地，涉及一种基于卷积神经网络的多标签年龄估计方法。

二、背景技术

目前，人脸年龄估计在侦查监控、信息管理、智能人机交互、社交娱乐等领域得到了非常广泛的应用。然而，人脸年龄估计技术在真实应用场景中估计不够准确，容易受到表情、姿势、以及光照条件的影响。

在人脸年龄估计方法种，绝大部分都是采用传统的年龄估计算法。传统的年龄估计方法主要分为特征提取和年龄估计两个阶段。在特征提取阶段，大都是显式的特征提取，得到的是基于手工设计的年龄特征，而由于手工设计特征的局限性，提取的年龄特征并不一定是最优的。即使将卷积神经网络应用在年龄估计上，但大多仍应用在特征提取阶段。在年龄估计阶段，无论是年龄分类还是年龄回归模式，大部分方法是将年龄标签作为相互独立的类别，忽略了年龄面貌变化是一个非常缓慢且有序的过程，相近年龄之间的人脸特征差别非常之小，即人脸年龄特征具有微变性和有序性。因此，现有的人脸年龄估计方法年龄估计准确率不高，且鲁棒性不好，难以实用，有较大的改善空间。

三、发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于卷积神经网络的多标签年龄估计方法，其目的在于，通过结合年龄特征之间的微变性和有序性，构建一个多输出的卷积神经网络模型，解决现有人脸年龄估计方法年龄估计不准确，以及鲁棒性差的问题。

为实现上述目的，本发明提供了一种基于卷积神经网络的多标签年龄估计方法，包括以下步骤：

(1)获取输入样本数据集；

(2)对每个输入样本进行人脸检测、对齐，并根据人脸大小及位置将输入图像进行变形、切割为指定大小的归一化图像。

(3)将每个输入样本标注的年龄标签进行多标签处理，使得每个样本映射到相同数量的标签，以得到多标签训练样本集；

(4)将步骤(2)中得到的所有归一化图像作为多输出卷积神经网络的输入，将步骤(3)中得到的所有样本的多标签集作为输出，对卷积神经网络进行训练，得到卷积神经网络年龄估计模型；

(5)运用步骤(4)所得到的模型的一系列二分类输出，以及步骤(3)中的多标签处理原则，结合年龄的有序特性，完成人脸估计年龄的计算。

四、发明优点

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明由于采用了多标签学习的方法，充分利用了每个个体相邻年龄特征之间的微变性和模糊性，从而使得一个人脸样本对应以真实年龄为中心的多个年龄标签，增强了相邻年龄之间的相关性，同时缓解了人脸训练样本年龄分布不均衡问题；相比现有方法，本发明可获得更精确的年龄估计结果。

(2)本发明是基于训练好的卷积神经网络模型进行年龄估计的，因此相比现有方法，本发明的运行时间更短。

(3)本发明是基于互联网获取以及人工拍摄的人脸样本数据集进行训练的，因而训练样本具有多样化，训练的卷积神经网络模型具有很好的鲁棒性；相比现有方法，本发明具有更好的鲁棒性，具有更强的实用性。

五、附图说明

图1是本发明基于卷积神经网络的多标签年龄估计方法的流程图。

六、验证实验

为了量化本发明的年龄估计准确率，我们通过本发明提供的基于卷积神经网络的多标签年龄估计方法与现有的年龄估算方法(包括AGES、LARR、CA-SVR、OHRank、CPNN、CS-LBFL和Ranking-CNN)进行对比实验，并对实验结果进行了统计分析，选取了现有公开的人脸年龄数据集Morph进行测试，选择年龄估计的平均绝对误差(MeanAbsolute Error，简称MAE)作为衡量指标。各方法的MAE值如表1所示：

表1不同方法进行年龄估计的MAE值统计表

由表1可知，本发明提出的方法进行年龄估计的平均绝对误差小于现有的AGES、LARR、CA-SVR、OHRank、CPNN、CS-LBFL和Ranking-CNN进行年龄估计的平均绝对误差，说明本发明提供的年龄估计模型，针对无条件限制下的人脸图像，其年龄估计的准确率优于现有方法。

尽管卷积神经网络在训练阶段需要耗费一定的时间，但是网络模型一旦构建完成后，利用训练好的网络模型进行估计，从待测人脸图像输入到得到年龄估计结果非常快，与传统方法相比，运行时间大大缩短。

本发明通过改进现有的人脸年龄估计方法，在训练数据集上训练卷积神经网络；训练完成之后，该网络模型可以接受任意人脸图像作为输入，输出对应的年龄估计值。基于卷积神经网络的多标签年龄估计有以下几个优点：

一、该方法的年龄估计准确率高于现有方法。

二、鲁棒性好，可以输入任意种族、性别、姿势以及光照环境的人脸图像，在实际应用场景中具有更大的实用性。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

• 关于嫦娥

湖北嫦娥生物股份有限公司是一家专注[非医药技术 亚健康理疗]的专精特新科技小巨人企业。集团总投资规模1.63亿元，有1家国家级科技企业孵化器丨众创空间，1家专精特新小巨人企业、2家规上企业、4个研究中心、5个材料种、养基地，6家国家级高新技术企业。

公司围绕《健康中国行动（2019-2030年）》15个专项行动，《“健康中国2030”规划纲要》《中国防治慢性病中长期规划（2017-2025年）》等重要政策文件，针对“肿瘤癌症，心脑血管、三高危害，代谢障碍、失眠抑郁、体弱多病、疼痛困扰”等亚健康预防康复需要，钻研包括“细胞抗衰、药食康复、特膳调理、营养干预”等创新性新对策，为人民持续输出“更先进、更绿色、更经济、更安全、更高效”的科学技术成果，帮助亚健康人群“减少就医频率，降低药物依赖，提高生活质量”。

10余年来，公司先后与20余所高校、知名专家团队开展产学研联合行动，针对亚健康、慢病问题发明创造新技术新方法。目前共获得了200+发明专利授权，其中40余项科研成果进入应用，持续在研课题70余项。

嫦娥生物股份声明：由于创新创造探索客观需要，本公司官网、公众号、视频号、学术交流用书刊等所发表的内容仅为科研同行、健康从业者一般性学习参考，为预防医学、营养医学、康复医学从业者提供前沿科研信息交流，案例参考；所涉及功效相关描述均有对应的实验室专项及行业检测数据支持，并不代表针对消费者的宣称和指导；涉及到的保健食品、功能性食品、特膳食品等不能替代药物，读者不应在缺乏具体专业掌握的情况下，擅自断章取义，盲目行动。