论文部分内容阅读
随着互联网与人工智能的快速发展,人们越来越注重服务的定制化和个性化。年龄作为一个评判个人爱好与习惯的重要生物特征,使得年龄估计成为一个热门的研究课题。但是由于人脸图像受到光线、姿态等诸多因素的影响,加深了年龄估计的难度。因此,基于人脸识别的年龄估计问题是一项非常有价值的课题。计算机视觉的快速发展使得年龄估计这一课题有了新的思路,卷积神经网络成为了年龄估计的一个重要方向。本文基于卷积神经网络,利用现阶段表现优异的VGG-16(Visual Geometry Group)网络,提出了一种基于深度期望(DEX,Deep Expectation of apparent age from a single image)的耦合进化网络,分别从标签分布和回归期望两方面来进行年龄估计。具体工作如下:1.给出了人脸图像预处理的方法和步骤。对于人脸检测,采用基于Haar-like特征的Adaboost方法将图像中的人脸区域识别出来;对于图像的标准化处理,采取仿射变换进行方向矫正,通过边缘扩充来增加上下文信息。最后利用OpenCV库进行了人脸图像预处理。2.给出了基于VGG网络的年龄特征提取模型。通过分析各个VGG网络模型的结构和性能,确定本论文年龄特征提取的网络模型VGG-16,并阐述了年龄特征提取的过程。针对VGG-16网络训练效率低下的情况,采用dropout方法和fine-tunning方法来进行改进,同时训练5个epoch,网络训练的时间由39562s缩短到27245s,年龄估计的误差由10.862降低到5.562。3提出了耦合进化网络模型来进行年龄估计。基于年龄估计的经典模型——DEX,本论文进一步提出了耦合进化网络。一方面,将网络最后一层输出向量作为年龄标签分布,并结合前一次的标签分布利用KL散度来进化年龄标签分布学习;另一方面,针对回归期望,结合上一次的损失因子进行松弛化回归,将每一次训练目标转化为一个年龄标签区间而非一个准确的年龄标签值。对比DEX模型,耦合进化网络在Morph数据库上的年龄估计误差更低。4.设置对比实验验证模型的优越性。基于tensorflow框架,设置了参数选择实验、年龄特征提取实验、融合模型对比实验、耦合进化网络模型实验。通过实验选择了性能最好的各项参数,并在Morph和MegaAge-Asian数据集上与其他经典算法对比,验证了耦合进化模型具有更高的年龄估计准确度。