CN114267060B 基于不确定抑制网络模型的人脸年龄识别方法及系统 （哈尔滨工业大学（深圳））

基于不确定抑制网络模型的人脸年龄识别本发明公开了一种基于不确定抑制网络模取步骤，将含有年龄标签的人脸图像进行预处为主干网络进行图像特征提取，使用L-Net分支2训练集获取步骤，将含有年龄标签的人脸图模型训练步骤，将训练图像输入不确定性抑制网络模型进行迭代年龄预测步骤，使用训练好的不确定性抑制网络模型权重文件对其中所述不确定性抑制网络模型包括用于图像特征提取的轻量级R利用轻量级Resnet网络得到的全局池化特征向量和L-Net分支网络得到的面部轮廓特利用不确定性抑制网络模型得到的预测概率密度分布与标签分布计算KLD损失函数值利用不确定性抑制网络模型得到的预测结果与真实年龄计算平滑的一阶正则损失函利用两个平滑的一阶正则损失函数值Ls、La和一2.根据权利要求1所述的一种基于不确定抑制网络模型的人脸年龄识别方法，其特征层以及归一化层，所述图像不确定评估模块采用了Query-Key匹配机制计算训练图像样本的不确定性得分，所述Query由批量样本中所有训练图像的全局池化特征通过求和平均得3.根据权利要求1所述的一种基于不确定抑制网络模型的人脸年龄识别方法，其特征标签编码，将年龄标签转化为标签分布，具体为预先假设人脸年龄的标数据增强：使用关键点检测工具获取人脸面部的关键点信息以4.根据权利要求2所述的一种基于不确定抑制网络模型的人脸年龄识别方法，其特征级Resnet网络中，并使用KaimingNormal对L-Net分支网络和图像不确定性评估模块进行5.根据权利要求1所述的一种基于不确定抑制网络模型的人脸年龄识别方法，其特征3将Resnet18网络中所有卷积层的通道个数缩减为原来6.根据权利要求1所述的一种基于不确定抑制网络模型的人脸年龄识别方法，其特征7.根据权利要求1所述的一种基于不确定抑制网络模型的人脸年龄识别方法，其特征第一次迭代计算不确定抑制网络模型的预测概率密度分布与标签分布之间的KLD损失从第二次迭代开始，计算不确定抑制网络模型预测概率密度分一KLD损失函数值、以及计算不确定抑制网络模型预测概率密度分布与前一次迭代时的不8.根据权利要求2所述的一种基于不确定抑制网络模型的人脸年龄识别方法，其特征将不确定性抑制网络模型设定为预测模式，预测模式中L-Net分支网络和图像不确定将待识别人脸图像输入到加载完成的不确定性抑制网络模型中，通过计算年龄预测概率密度分布的期望值得到不确定性抑制网络模型输出的人脸年训练集获取模块，用于将含有年龄标签的人脸图模型训练模块，用于将训练图像输入不确定性抑制网络模型进行迭年龄预测模块，用于使用训练好的不确定性抑制网络模型权重文件其中所述不确定性抑制网络模型包括用于图像特征提取的轻量级R利用轻量级Resnet网络得到的全局池化特征向量和L-Net分支网络得到的面部轮廓特利用不确定性抑制网络模型得到的预测概率密度分布与标签分布计算KLD损失函数值利用不确定性抑制网络模型得到的预测结果与真实年龄计算平滑的一阶正则损失函4利用两个平滑的一阶正则损失函数值Ls、La和一5[0003]深度学习模型因其庞大的模型权重和计算复杂度，并不[0004]本发明针对上述问题，提供了一种基于不确定抑制网络模型的人脸年龄识别方[0005]本发明的第一方面，提供了一种基于不确定抑制网络模[0010]利用轻量级Resnet网络得到的全局池化特征向量和L-Net分支网络得到的面部轮[0011]利用不确定性抑制网络模型得到的预测概率密度分布与标签分布计算KLD损失函6[0012]利用不确定性抑制网络模型得到的预测结果与真实年龄计算平滑的一阶正则损匹配机制计算训练图像样本的不确定性得分，所述Query由批量样本中所有训练图像的全512的全连接层得到，图像不确定性评估模块主要为降低不确定图像在训练过程中给网络[0019]根据本发明的一些实施例，所述轻量级Resnet网络基于Resnet18网络并进行改[0023]根据本发明的一些实施例，所述L-Net分支网络由全连接网络和正交分离平面构之间的点积运算，采用L-Net分支网络的有益效果是能够通过关键点辅助信息构建人脸面[0025]第一次迭代计算不确定抑制网络模型的预测概率密度分布与标签分布之间的KLD7的第一KLD损失函数值、以及计算不确定抑制网络模型预测概率密度分布与前一次迭代时[0029]将不确定性抑制网络模型设定为预测模式，预测模式中L-Net分支网络和图像不[0032]通过计算年龄预测概率密度分布的期望值得到不确定性抑制网络模型输出的人[0033]本发明的第二方面，提供了一种基于不确定抑制网络模于人脸关键点信息剔除面部轮廓差异的L-Net分支网络、以及基于批注意力机制的图像不[0038]利用轻量级Resnet网络得到的全局池化特征向量和L-Net分支网络得到的面部轮[0039]利用不确定性抑制网络模型得到的预测概率密度分布与标签分布计算KLD损失函[0040]利用不确定性抑制网络模型得到的预测结果与真实年龄计算平滑的一阶正则损8质，首先使用带有年龄标签的人脸图像样本数据对基于不确定性抑制网络模型进行训练，络模型采用标签分布作为年龄估计的基本模式，将年龄估计转化为预测其概率密度分布；基于不确定性抑制网络模型使用轻量级ResnNet网络作为主干网络进行图像特征提取，之后使用L-Net分支网络剔除面部轮廓对年龄估计的影响，同时基于批注意力机制的图像不[0047]4、采用L-Net分支网络的有益效果是能够通过关键点辅助信息构建人脸面部轮[0049]图1为本发明实施例中基于不确定抑制网络模型的人脸年龄识别方法流程示意[0050]图2为本发明实施例中基于人脸关键点信息剔除面部轮廓差异的L-Net分支网络[0053]图5为本发明实施例中基于不确定抑制网络模型的人脸年龄识别系统结构示意9[0059]数据增强：使用关键点检测工具获取人脸面部的68个关[0064]具体地，不确定抑制网络模型结构包含三个部分，用于图像特征提取的轻量级取，轻量级Resnet网络基于Resnet18网络并进行改进，包括将输入图像尺寸调整为112*等映射的能力，极大的提高卷积网络的特征提取能力，并且使最终模型的权重数量仅为Resnet18网络的1/10。基于人脸关键点信息剔除面部轮廓差异的L-Net分支网络由全连接512，其中136为68个面部关键点展开的一维向量，中间层为256维度可以有效剔除噪声信运算计算批处理数据中每个样本的不确定性，所述Query由批量样本中所有训练图像的全512的全连接层得到，具体为一个全连接层对批处理中每个图像的全局池化特征进行转化[0065]不确定抑制网络模型训练具体步骤如图3所示，其中获取训练图像在网络前向传图像首先经过特征提取轻量级Resnet网络，然后会分别送入L-Net分支网络和图像不确定估模块中通过批注意力机制计算样本与整体分布的偏离程度：具体的，假设X＝{x1,x2,征提取轻量级Resnet网络获取到的人脸图像特征向量；表示所有特征向量的[0066]如图3所示不确定抑制网络模型训练具体步骤，其中根据真实标签对预测结果进[0070]利用轻量级Resnet网络得到的全局池化特征向量和L-Net分支网络得到的面部轮廓特征向量计算平滑的一阶正则损失函数值；L-Net分支网络最后一个全连接层的输出特到的人脸图像的全局池化特征向量，fshape表示L-Net分支网络最后一个全[0072]利用不确定性抑制网络模型的预测概率密度分布与标签分布计算KLD损失函数迭代开始，计算不确定抑制网络模型预测概率密度分布与标签分布之间的第一KLD损失函模型预测概率密度分布之间的第二KLD损失函数值，将第一KLD损失函数值和第二KLD损失t表示样本在t时刻的预测概率密度分布，p表示样本经过标签编码得到的标签分[0078]最后，采用平滑的一阶正则损失函数局池化特征向量和L-Net分支网络得到的面部轮廓特征向量计算平滑的一阶正则损失函数[0083]如图3所示不确定抑制网络模型训练具体步骤，其中使用反向传播算法进行权重的更新要涉及反向传播算法，通过将两个平滑的一阶正则损失函数值和一个KLD损失函数精度计算在每次迭代结束之后进行，即完成全部训练样本的一次前向传播和梯度更新之[0090]将不确定性抑制网络模型设定为预测模式，预测模式中L-Net分支网络和图像不[0093]通过计算年龄预测概率密度分布的期望值得到不确定性抑制网络模型输出的人将含有年龄标签的人脸图像进行预处理，得到带有标签分布的训练图像；模型训练模块于图像特征提取的轻量级Resnet网络、基于人脸关键点信息剔除面部轮廓差异的L-Net分支网络、以及基于批注意力机制的图像不确定性评估模块，所述模型训练模块102具体包括：利用轻量级Resnet网络得到的全局池化特征向量和L-Net分支网络得到的面部轮廓特分布与标签分布计算KLD损失函数值；利用不确定性抑制网络模型得到的预测结果与真实年龄计算平滑的一阶正则损失函数值；通过将两个平滑的一阶正则损失函数值和一个KLD损失函数值进行反向传播更新不确定性抑制网络模型的权重文件。除了这上述模