一种用于红外图像的年龄预测方法及装置制造方法及图纸

本发明专利技术实施例公开一种用于红外图像的年龄预测方法及装置。该方法包括：获取待处理红外图像；检测待处理红外图像中的第一人脸区域，并构建包含第一人脸区域的待处理目标图像；将待处理目标图像输入红外卷积神经网络模型中，得到第一人脸区域对应人物的第一预测年龄分布；红外卷积神经网络模型是根据各红外样本图像输入初始红外卷积神经网络模型后，初始红外卷积神经网络模型输出的各红外样本图像对应的年龄分布与对应年龄标注结果生成的高斯分布的差值，以及各红外样本图像对应的年龄分布的期望值与对应年龄标注结果的差值，对初始红外卷积神经网络模型中各参数进行调整后得到的。应用本发明专利技术实施例提供的方案，能够对红外图像进行年龄预测。红外图像进行年龄预测。红外图像进行年龄预测。

【技术实现步骤摘要】
一种用于红外图像的年龄预测方法及装置


[0001]本专利技术涉及图像处理
，具体而言，涉及一种用于红外图像的年龄预测方法及装置。

技术介绍

[0002]目前，基于监控图像进行年龄预测主要采用卷积神经网络的方法。具体的，首先需要通过样本图像以及准确的年龄标注结果训练得到卷积神经网络模型，进而可以基于训练得到的卷积神经网络模型对待预测图像中的人脸进行年龄预测。
[0003]然而，现有的标注了年龄的图像集为彩色图像集，基于该图像集训练得到的卷积神经网络模型只能对彩色图像中的人脸进行年龄预测。对于红外图像，由于缺乏标注年龄的数据集，从而不能训练得到对红外图像中的人脸进行年龄预测的卷积神经网络模型。因此，为了对红外图像中的人脸进行年龄预测，亟需一种用于红外图像的年龄预测方法。

技术实现思路

[0004]本专利技术提供了一种用于红外图像的年龄预测方法及装置，以对红外图像中的人脸进行年龄预测。具体的技术方案如下。
[0005]第一方面，本专利技术实施例提供了一种用于红外图像的年龄预测方法，所述方法包括：
[0006]获取待处理红外图像；
[0007]检测所述待处理红外图像中的第一人脸区域，并构建包含所述第一人脸区域的待处理目标图像；其中，所述待处理目标图像的大小为预设大小；
[0008]将所述待处理目标图像输入预先训练得到的红外卷积神经网络模型中，得到所述第一人脸区域对应人物的第一预测年龄分布，其中，所述第一预测年龄分布服从高斯分布；
[0009]其中，所述红外卷积神经网络模型是根据各红外样本图像输入初始红外卷积神经网络模型后，所述初始红外卷积神经网络模型输出的各红外样本图像对应的年龄分布与对应年龄标注结果生成的高斯分布的差值，以及各红外样本图像对应的年龄分布的期望值与对应年龄标注结果的差值，对所述初始红外卷积神经网络模型中各参数进行调整后得到的，所述年龄分布服从高斯分布；所述红外样本图像以及对应的年龄标注结果是根据预先训练得到的卷积神经网络模型确定的，所述卷积神经网络模型根据彩色图像训练得到。
[0010]可选的，所述红外卷积神经网络模型的训练过程包括：
[0011]构建初始红外卷积神经网络模型，所述初始红外卷积神经网络模型包括：卷积层、池化层、全连接层；
[0012]确定各红外样本图像，以及所述各红外样本图像对应的年龄标注结果；
[0013]生成所述各红外样本图像对应的年龄标注结果的高斯分布；
[0014]将各红外样本图像输入所述初始红外卷积神经网络模型中，得到所述各红外样本图像对应的年龄分布，并计算所述各红外样本图像对应的年龄分布与对应年龄标注结果生
成的高斯分布的差值，以及各红外样本图像对应的年龄分布的期望值与对应年龄标注结果的差值，根据计算结果对所述初始红外卷积神经网络模型中各参数进行调整，得到所述红外卷积神经网络模型。
[0015]可选的，所述确定各红外样本图像，以及所述各红外样本图像对应的年龄标注结果包括：
[0016]获取多个图像集合，其中，每个所述图像集合中的初始红外图像为同一人在同一时期的不同脸部图像，且每个所述图像集合中初始红外图像的数量大于预设数量阈值；
[0017]针对每个所述图像集合，检测各初始红外图像中的第二人脸区域，并构建包含各所述第二人脸区域的各初始目标图像；
[0018]将所述各初始目标图像输入预先训练得到的卷积神经网络模型中，得到各所述第二人脸区域对应人物的第二预测年龄分布，并确定各第二预测年龄分布对应的年龄范围；其中，所述卷积神经网络模型是根据各样本图像输入初始卷积神经网络模型后，所述初始卷积神经网络模型输出的各样本图像对应的年龄分布与对应年龄标注结果生成的高斯分布的差值，以及各样本图像对应的年龄分布的期望值与对应年龄标注结果的差值，对所述初始卷积神经网络模型中各参数进行调整得到候选神经网络模型，并对所述候选神经网络模型进行调整后得到的，所述第二预测年龄分布服从高斯分布，所述各样本图像均为彩色图像；
[0019]针对每个图像集合，去除该图像集合中年龄范围存在异常的初始目标图像，得到剩余目标图像，计算所有剩余目标图像对应的正常年龄范围，将包含在所述正常年龄范围内的剩余目标图像作为红外样本图像，并将各红外样本图像对应的年龄范围的均值，作为各红外样本图像的年龄标注结果。
[0020]可选的，所述针对每个图像集合，去除该图像集合中年龄范围存在异常的初始目标图像，得到剩余目标图像包括：
[0021]针对每个图像集合，根据该图像集合中包括的各初始目标图像对应的年龄范围的最小值从小到大的顺序，将各初始目标图像排序；
[0022]确定位于四分之一处的第一年龄范围和位于四分之三处的第二年龄范围，以及所述第一年龄范围的最小值和所述第二年龄范围的最大值；
[0023]将对应年龄范围中包含年龄值小于所述最小值与预设数值之差的初始目标图像，以及年龄值大于所述最大值与所述预设数值之和的初始目标图像去除，得到剩余目标图像。
[0024]可选的，所述计算所有剩余目标图像对应的正常年龄范围包括：
[0025]计算所有剩余目标图像对应的年龄范围的均值和标准差；
[0026]获取预设超参数；
[0027]计算所述超参数和所述标准差的乘积，并将所述均值与所述乘积之差，作为正常年龄范围的最小值，将所述均值与所述乘积之和，作为正常年龄范围的最大值。
[0028]可选的，所述卷积神经网络模型的训练过程包括：
[0029]构建初始卷积神经网络模型，所述初始卷积神经网络模型包括：卷积层、池化层、全连接层；
[0030]获取各样本图像，以及所述各样本图像对应的年龄标注结果；
[0031]生成所述各样本图像对应的年龄标注结果的高斯分布；
[0032]将各样本图像输入所述初始卷积神经网络模型中，得到所述各样本图像对应的年龄分布，并计算所述各样本图像对应的年龄分布与对应年龄标注结果生成的高斯分布的差值，以及各样本图像对应的年龄分布的期望值与对应年龄标注结果的差值，根据计算结果对所述初始卷积神经网络模型中各参数进行调整，得到候选神经网络模型，并对所述候选神经网络模型进行调整得到所述卷积神经网络模型。
[0033]可选的，所述生成所述各样本图像对应的年龄标注结果的高斯分布包括：
[0034]针对每张样本图像，构建以该样本图像对应的年龄标注结果为中心，预设标准差为峰宽的高斯分布，作为该样本图像对应的年龄标注结果的高斯分布。
[0035]可选的，所述得到所述红外卷积神经网络模型之后，所述方法还包括：
[0036]获取红外测试图像，以及各所述红外测试图像对应的年龄标注结果；所述红外测试图像与所述红外样本图像不同；
[0037]根据所述红外测试图像以及各所述红外测试图像对应的年龄标注结果，确定所述红外卷积神经网络模型的测试精度；
[0038]当所述测试精度小于预设精度阈值时，将当前的红外卷积神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于红外图像的年龄预测方法，其特征在于，所述方法包括：获取待处理红外图像；检测所述待处理红外图像中的第一人脸区域，并构建包含所述第一人脸区域的待处理目标图像；其中，所述待处理目标图像的大小为预设大小；将所述待处理目标图像输入预先训练得到的红外卷积神经网络模型中，得到所述第一人脸区域对应人物的第一预测年龄分布，其中，所述第一预测年龄分布服从高斯分布；其中，所述红外卷积神经网络模型是根据各红外样本图像输入初始红外卷积神经网络模型后，所述初始红外卷积神经网络模型输出的各红外样本图像对应的年龄分布与对应年龄标注结果生成的高斯分布的差值，以及各红外样本图像对应的年龄分布的期望值与对应年龄标注结果的差值，对所述初始红外卷积神经网络模型中各参数进行调整后得到的，所述年龄分布服从高斯分布；所述红外样本图像以及对应的年龄标注结果是根据预先训练得到的卷积神经网络模型确定的，所述卷积神经网络模型根据彩色图像训练得到。2.根据权利要求1所述的方法，其特征在于，所述红外卷积神经网络模型的训练过程包括：构建初始红外卷积神经网络模型，所述初始红外卷积神经网络模型包括：卷积层、池化层、全连接层；确定各红外样本图像，以及所述各红外样本图像对应的年龄标注结果；生成所述各红外样本图像对应的年龄标注结果的高斯分布；将各红外样本图像输入所述初始红外卷积神经网络模型中，得到所述各红外样本图像对应的年龄分布，并计算所述各红外样本图像对应的年龄分布与对应年龄标注结果生成的高斯分布的差值，以及各红外样本图像对应的年龄分布的期望值与对应年龄标注结果的差值，根据计算结果对所述初始红外卷积神经网络模型中各参数进行调整，得到所述红外卷积神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述确定各红外样本图像，以及所述各红外样本图像对应的年龄标注结果包括：获取多个图像集合，其中，每个所述图像集合中的初始红外图像为同一人在同一时期的不同脸部图像，且每个所述图像集合中初始红外图像的数量大于预设数量阈值；针对每个所述图像集合，检测各初始红外图像中的第二人脸区域，并构建包含各所述第二人脸区域的各初始目标图像；将所述各初始目标图像输入预先训练得到的卷积神经网络模型中，得到各所述第二人脸区域对应人物的第二预测年龄分布，并确定各第二预测年龄分布对应的年龄范围；其中，所述卷积神经网络模型是根据各样本图像输入初始卷积神经网络模型后，所述初始卷积神经网络模型输出的各样本图像对应的年龄分布与对应年龄标注结果生成的高斯分布的差值，以及各样本图像对应的年龄分布的期望值与对应年龄标注结果的差值，对所述初始卷积神经网络模型中各参数进行调整得到候选神经网络模型，并对所述候选神经网络模型进行调整后得到的，所述第二预测年龄分布服从高斯分布，所述各样本图像均为彩色图像；针对每个图像集合，去除该图像集合中年龄范围存在异常的初始目标图像，得到剩余目标图像，计算所有剩余目标图像对应的正常年龄范围，将包含在所述正常年龄范围内的剩余目标图像作为红外样本图像，并将各红外样本图像对应的年龄范围的均值，作为各红
外样本图像的年龄标注结果。4.根据权利要求3所述的方法，其特征在于，所述针对每个图像集合，去除该图像集合中年龄范围存在异常的初始目标图像，得到剩余目标图像包括：针对每个图像集合，根据该图像集合中包括的各初始目标图像对应的年龄范围的最小值从小到大的顺序，将各初始目标图像排序；确定位于四分之一处的第一年龄范围和位于四分之三处的第二年龄范围，以及所述第一年龄范围的最小值和所述第二年龄范围的最大值；将对应年龄范围中包含年龄值小于所述最小值与预设数值之差的初始目标图像，以及年龄值大...

【专利技术属性】
技术研发人员：吴梓恒，胡杰，
申请(专利权)人：初速度苏州科技有限公司，
类型：发明
国别省市：