年龄性别预估及模型训练方法、系统及存储介质

技术领域

本发明涉及图像处理技术领域，特别是涉及一种年龄性别预估模型的训练方法和系统、一种年龄性别预估方法和系统以及一种计算机可读存储介质。

背景技术

年龄预估是一个具有挑战性和热点的研究课题，它是根据一个人的面部图像来预测该图像中人物的年龄。而年龄信息作为人类的一种重要生物特征，在人机交互领域中有着众多应用需求，包括人口统计收集、商业用户管理、视频安全监控等，并且对人脸识别系统的性能有着重要影响。然而，现实中有诸多因素会影响年龄预估的效果，如人类个体生活习惯、工作环境、先天基因等会影响该人物的感官特征。年龄预估也会受到光照、图像质量等因素的影响。此外，同一个人，尤其是成人，在几年内的面部特征通常看起来并无明显变化，这也增加了年龄预估中的难度。

目前采取的年龄预估方法主要为回归方法。回归方法做年龄预估的思路是通过提取到的特征加入输出只有一个单元的全连接层，将最后的结果进行缩放到0-100之间，其结果就是预估的年龄值。考虑到年龄的连续性，回归方法根据提取的特征对年龄进行预估。然而，由于人类衰老过程的随机性和面部外观与实际年龄之间的模糊映射，回归方法往往会出现过拟合问题，年龄预估的准确率不高。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种年龄性别预估模型的训练方法和系统、一种年龄性别预估方法和系统以及一种计算机可读存储介质。

为了解决上述问题，本发明实施例的第一方面公开了一种年龄性别预估模型的训练方法，所述方法包括：获取样本图像数据集，所述样本图像数据集包含多个样本图像对，所述样本图像对包含原始样本图像以及由所述原始样本图像转换得到的修整样本图像，所述原始样本图像的清晰度比对应的所述修整样本图像的清晰度高；针对每个所述样本图像对提取各自符合一致性要求的人脸特征数据，从所述人脸特征数据中分类出针对不同性别的性别人脸特征数据；根据每个所述样本图像对对应的实际年龄信息转换得到年龄分布数据，所述年龄分布数据表示年龄的变化与人脸长相的变化之间的关系；根据所述样本图像数据集、所述性别人脸特征数据和所述年龄分布数据，对年龄性别预估模型进行训练。

可选地，所述针对每个所述样本图像对提取各自符合一致性要求的人脸特征数据，从所述人脸特征数据中分类出针对不同性别的性别人脸特征数据，包括：针对每个所述样本图像对，根据预设的清晰度误差损失函数从所述原始样本图像和对应的所述修整样本图像中分别提取出各自符合所述一致性要求的所述人脸特征数据，从所述人脸特征数据分类出不同性别的所述性别人脸特征数据。

可选地，所述根据每个所述样本图像对对应的实际年龄信息转换得到年龄分布数据，包括：根据预设的年龄分布函数将所述实际年龄信息转换得到所述年龄分布数据。

可选地，所述根据预设的年龄分布函数将所述实际年龄信息转换得到所述年龄分布数据，包括：根据预设的可变年龄方差函数计算所述实际年龄信息的年龄方差数据；根据所述年龄方差数据、预设的年龄标签范围和所述年龄分布函数，将所述实际年龄信息转换得到所述年龄分布数据。

可选地，所述根据所述样本图像数据集、所述性别人脸特征数据和所述年龄分布数据，对年龄性别预估模型进行训练，包括：从所述样本图像数据集中提取出针对男性样本图像的男性性别人脸特征数据和针对女性样本图像的女性性别人脸特征数据；分别根据所述样本图像数据集，所述男性性别人脸特征数据和所述年龄分布数据中的男性年龄分布数据，以及所述女性性别人脸特征数据和所述年龄分布数据中的女性年龄分布数据对所述年龄性别预估模型进行训练。

可选地，所述原始样本图像转换得到的修整样本图像的步骤，包括：分别对多个所述原始样本图像进行随机下采样处理和图像尺寸调整处理得到对应的所述修整样本图像。

本发明实施例的第二方面公开了一种年龄性别预估方法，所述方法包括：获取待预估的人脸图像；将所述人脸图像输入至根据第一方面所述的方法训练得到的年龄性别预估模型中，输出所述人脸图像的人脸年龄信息和性别信息。

本发明实施例的第三方面公开了一种年龄性别预估模型的训练系统，所述系统包括：样本数据集获取模块，用于获取样本图像数据集，所述样本图像数据集包含多个样本图像对，所述样本图像对包含原始样本图像以及由所述原始样本图像转换得到的修整样本图像，所述原始样本图像的清晰度比对应的所述修整样本图像的清晰度高；性别人脸特征提取模块，用于针对每个所述样本图像对提取各自符合一致性要求的人脸特征数据，从所述人脸特征数据中分类出针对不同性别的性别人脸特征数据；年龄分布转换模块，用于根据每个所述样本图像对对应的实际年龄信息转换得到年龄分布数据，所述年龄分布数据表示年龄的变化与人脸长相的变化之间的关系；年龄性别预估模型训练模块，用于根据所述样本图像数据集、所述性别人脸特征数据和所述年龄分布数据，对年龄性别预估模型进行训练。

可选地，所述性别人脸特征提取模块，用于针对每个所述样本图像对，根据预设的清晰度误差损失函数从所述原始样本图像和对应的所述修整样本图像中分别提取出各自符合所述一致性要求的所述人脸特征数据，从所述人脸特征数据分类出不同性别的所述性别人脸特征数据。

可选地，所述年龄分布转换模块，用于根据预设的年龄分布函数将所述实际年龄信息转换得到所述年龄分布数据。

可选地，所述年龄分布转换模块，包括：方差计算模块，用于根据预设的可变年龄方差函数计算所述实际年龄信息的年龄方差数据；分布转换模块，用于根据所述年龄方差数据、预设的年龄标签范围和所述年龄分布函数，将所述实际年龄信息转换得到所述年龄分布数据。

可选地，所述年龄性别预估模型训练模块，包括：特征提取模块，用于从所述样本图像数据集中提取出针对男性样本图像的男性性别人脸特征数据和针对女性样本图像的女性性别人脸特征数据；模型训练模块，用于分别根据所述样本图像数据集，所述男性性别人脸特征数据和所述年龄分布数据中的男性年龄分布数据，以及所述女性性别人脸特征数据和所述年龄分布数据中的女性年龄分布数据对所述年龄性别预估模型进行训练。

可选地，所述系统还包括：转换模块，用于分别对多个所述原始样本图像进行随机下采样处理和图像尺寸调整处理得到对应的所述修整样本图像。

本发明实施例的第四方面公开了一种年龄性别预估系统，所述系统包括：人脸图像获取模块，用于获取待预估的人脸图像；人脸年龄性别预估模块，用于将所述人脸图像输入至根据第一方面所述的方法训练得到的年龄性别预估模型中，输出所述人脸图像的人脸年龄信息和性别信息。

本发明实施例的第五方面公开了一种计算机可读存储介质，其存储的计算机程序使得处理器执行如第一方面或第二方面所述的方法。

本发明实施例包括以下优点：

本发明实施例提供的年龄性别预估模型的训练方案，获取包含多个样本图像对的样本图像数据集。其中，样本图像对包含原始样本图像以及由原始样本图像转换得到的修整样本图像，而且，原始样本图像的清晰度比对应的修整样本图像的清晰度高。针对每个样本图像对，根据清晰度误差损失函数从原始样本图像和对应的修整样本图像中分别提取出各自符合预设的一致性要求的人脸特征数据。也就是说，从原始样本图像提取出的人脸特征数据与从对应的修整样本图像提取出的人脸特征数据相一致。而且。从人脸特征数据中分类出针对不同性别的性别人脸特征数据。再根据每个样本图像对对应的实际年龄信息转换得到年龄分布数据，该年龄分布数据表示年龄的变化与人脸长相的变化之间的关系。进而，根据样本图像数据集、性别人脸特征数据和年龄分布数据，对年龄性别预估模型进行训练。

本发明实施例在年龄性别预估模型的训练过程中，引入了年龄分布数据，将年龄的变化与人脸长相的变化之间的关系进行对应，突出了不同阶段的年龄变化对人脸长相变化的影响，进而提升年龄预估的准确率。还引入了针对不同性别的性别人脸特征数据，加入了性别特征的影响，做到了更好的对不同性别的人脸图像的年龄的预估。年龄性别预估模型使用了多任务框架，可以同时预估年龄和性别。而且，样本图像数据集包含了不同清晰度的样本图像，使得年龄性别预估模型对低清晰度的人脸图像也可以预估准确的年龄性别。

附图说明

图1是本发明实施例的一种年龄性别预估模型的训练方法的步骤流程图；

图2是本发明实施例的年龄方差数据的曲线示意图；

图3(a)是本发明实施例的男性在实际年龄在3、4、5岁时的年龄分布数据示意图；

图3(b)是本发明实施例的男性在实际年龄在16、17、18岁时的年龄分布数据示意图；

图3(c)是本发明实施例的女性在实际年龄在16、17、18岁时的年龄分布数据示意图；

图3(d)是本发明实施例的女性在实际年龄在29、30、31岁时的年龄分布数据示意图；

图4是本发明实施例的一种人脸检测模型的框架示意图；

图5是本发明实施例的训练得到的年龄性别预估模型的框架示意图；

图6是本发明实施例的一种年龄性别预估方法的步骤流程图；

图7是本发明实施例的一种年龄性别预估方法的数据处理流程图；

图8是本发明实施例的一种年龄性别预估模型的训练系统的结构框图；

图9是本发明实施例的一种年龄性别预估系统的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明实施例通过目标检测技术，自动确定图像中的人脸位置，并根据图像学方法，筛选出包含人脸的目标区域，通过判断目标区域的目标关键点，进行人脸对齐，通过人脸对齐之后的图像，进而针对不同性别提取人脸特征数据，预测各个年龄的概率和性别。

参照图1，示出了本发明实施例的一种年龄性别预估模型的训练方法的步骤流程图。该一种年龄性别预估模型的训练方法具体可以包括如下步骤：

步骤101，获取样本图像数据集。

在本发明的实施例中，样本图像数据集可以包含多个样本图像对。样本图像对包含原始样本图像以及由原始样本图像转换得到的修整样本图像，而且，原始样本图像的清晰度比对应的修整样本图像的清晰度高。原始样本图像可以为包含人脸的图像，也可以为不包含人脸的图像。而且，针对包含人脸的图像，样本图像数据集还可以包含年龄标签。该年龄标签可以为原始样本图像中人脸对应的实际年龄信息。在实际应用中，样本图像数据集可以包含人脸检测数据集和年龄预估数据集。其中，人脸检测数据集可以采用widerface(一种用于人脸检测的基准数据集)等数据集。年龄预估数据集可以采用ms1m、utk-face、segaface、webface等数据集(ms1m、utk-face、segaface、webface均为比较常用的人脸年龄数据集)。人脸检测数据集可以用于训练年龄性别预估模型中的人脸检测模型。年龄预估数据集可以用于训练年龄性别预估模型中的人脸年龄预估模型。

步骤102，针对每个样本图像对提取各自符合一致性要求的人脸特征数据，从人脸特征数据中分类出针对不同性别的性别人脸特征数据。

在本发明的实施例中，从原始样本图像中提取出的人脸特征数据，与从对应的修整样本图像中提取出的人脸特征数据符合一致性要求，即从原始样本图像中提取出的人脸特征数据，与从对应的修整样本图像中提取出的人脸特征数据相一致。

在本发明的实施例中，在得到性别人脸特征数据时，可以先对每个原始样本图像按照性别进行分类。即将属于同一性别的原始样本图像归为一类，相应地，与原始样本图像对应的修整样本图像也归为同一类。也就是说，将原始样本图像转换得到修正样本图像的过程中，不会改变原始样本图像中人脸的性别。原始样本图像中人脸的性别与对应的修整样本图像中人脸的性别相同。若某原始样本图像中的人脸为男性，则从该原始样本图像中提取的人脸特征数据属于男性的性别人脸特征数据；若某原始样本图像中的人脸为女性，则从该原始样本图像中提取的人脸特征数据属于女性的性别人脸特征数据。

步骤103，根据每个样本图像对对应的实际年龄信息转换得到年龄分布数据。

在本发明的实施例中，根据现实中的情况，在年龄较小时，人脸长相的差异性较大，而在年龄较大时，人脸长相的差异性较小，例如，2岁-5岁的人脸长相的差异会明显高于35岁-38岁的人脸长相的差异，因此，需要将实际年龄信息转换为年龄分布数据，该实际年龄信息可以理解为人脸对应的年龄本身或者年龄值。该年龄分布数据表示年龄的变化与人脸长相的变化之间的关系。

上述步骤103可以与上述步骤102并行执行，也可以顺序执行，本发明实施例对步骤103与步骤102的执行先后关系不做具体限制。步骤104，根据样本图像数据集、性别人脸特征数据和年龄分布数据，对年龄性别预估模型进行训练。

在本发明的实施例中，可以根据人脸检测数据集和性别人脸特征数据训练年龄性别预估模型中的人脸检测模型，根据年龄预估数据集和年龄分布数据训练年龄性别预估模型中的人脸年龄性别预估模型。

本发明实施例提供的年龄性别预估模型的训练方案，

获取包含多个样本图像对的样本图像数据集。其中，样本图像对包含原始样本图像以及由原始样本图像转换得到的修整样本图像，而且，原始样本图像的清晰度比对应的修整样本图像的清晰度高。针对每个样本图像对提取出各自符合一致性要求的人脸特征数据。也就是说，从原始样本图像提取出的人脸特征数据与从对应的修整样本图像提取出的人脸特征数据相一致。而且。从人脸特征数据中分类出针对不同性别的性别人脸特征数据。再根据每个样本图像对对应的实际年龄信息转换得到年龄分布数据，该年龄分布数据表示年龄的变化与人脸长相的变化之间的关系。进而，根据样本图像数据集、性别人脸特征数据和年龄分布数据，对年龄性别预估模型进行训练。

本发明实施例在年龄性别预估模型的训练过程中，引入了年龄分布数据，将年龄的变化与人脸长相的变化之间的关系进行对应，突出了不同阶段的年龄变化对人脸长相变化的影响，进而提升年龄预估的准确率。还引入了针对不同性别的性别人脸特征数据，加入了性别特征的影响，做到了更好的对不同性别的人脸图像的年龄的预估。年龄性别预估模型使用了多任务框架，可以同时预估年龄和性别。而且，样本图像数据集包含了不同清晰度的样本图像，使得年龄性别预估模型对低清晰度的人脸图像也可以预估准确的年龄性别。

在本发明的一种示例性实施例中，针对每个样本图像对提取各自符合一致性要求的人脸特征数据，从人脸特征数据中分类出针对不同性别的性别人脸特征数据的一种实施方式为，针对每个样本图像对，根据预设的清晰度误差损失函数从原始样本图像和对应的修整样本图像中分别提取出各自符合一致性要求的人脸特征数据，从人脸特征数据分类出不同性别的性别人脸特征数据。其中，预设的清晰度误差损失函数可以为L2损失函数。采用L2损失函数提取人脸特征数据，保证从原始样本图像中提取出的人脸特征数据，与从对应的修整样本图像中提取出的人脸特征数据相一致。

在本发明的一种示例性实施例中，根据每个样本图像对对应的实际年龄信息转换得到年龄分布数据的一种实施方式为，根据预设的年龄分布函数将实际年龄信息转换得到年龄分布数据。在实际应用中，预设的年龄分布函数可以为高斯分布函数。具体地，可以根据预设的可变年龄方差函数计算实际年龄信息的年龄方差数据；根据年龄方差数据、预设的年龄标签范围和年龄分布函数，将实际年龄信息转换得到年龄分布数据。

上述高斯分布函数可以为：

其中，x表示年龄标签范围，μ表示实际年龄信息，σ表示年龄标准差数据，f(x)表示年龄分布数据。

上述可变年龄方差函数可以为：2+4*(mean(log(age))；其中，age表示实际年龄信息，2+4*(mean(log(age))表示年龄方差数据。参照图2，示出了年龄方差数据的曲线示意图。在图2中，横坐标表示实际年龄信息(age)，纵坐标表示年龄方差数据(variance)。实际年龄信息的范围为0-100，年龄方差数据的范围为2-6。曲线表示年龄方差数据。从图2中可知，实际年龄信息越小，年龄方差数据越小；实际年龄信息越大，年龄方差数据越大。而且，实际年龄信息在0-20之间对应的年龄方差数据变化较大。实际年龄信息在20-100之间对应的年龄方差数据变化较小。

上述年龄标签范围可以设定为1-100。

在实际应用中，可以先利用可变年龄方差函数计算实际年龄信息的年龄方差数据，再将年龄方差数据转换为年龄标准差数据。将年龄标准差数据、实际年龄信息和年龄标签范围输入高斯分布函数中，输出年龄分布数据。参照图3(a)、图3(b)、图3(c)和图3(d)，分别示出了几组年龄分布数据的曲线示意图。在图3(a)、图3(b)、图3(c)和图3(d)中，横坐标均表示实际年龄信息(age)，纵坐标均表示年龄分布概率(probability)，曲线均表示年龄分布数据。图3(a)表示男性在实际年龄在3、4、5岁时的年龄分布数据。图3(b)表示男性在实际年龄在16、17、18岁时的年龄分布数据。图3(c)表示女性在实际年龄在16、17、18岁时的年龄分布数据。图3(d)表示女性在实际年龄在29、30、31岁时的年龄分布数据。从图3(a)、图3(b)、图3(c)和图3(d)可知，年龄越小时，年龄分布数据的变化越大；年龄越大时，年龄分布数据的变化越小。

在本发明的一种示例性实施例中，根据样本图像数据集、性别人脸特征数据和年龄分布数据，对年龄性别预估模型进行训练的一种实施方式为，从样本图像数据集中提取出针对男性样本图像的男性性别人脸特征数据和针对女性样本图像的女性年龄特征数据；分别根据样本图像数据集，男性性别人脸特征数据和年龄分布数据中的男性年龄分布数据，以及女性性别人脸特征数据和年龄分布数据中的女性年龄分布数据对年龄性别预估模型进行训练。其中，男性样本图像为包含男性人脸的原始样本图像和对应的修整样本图像。女性样本图像为包含女性人脸的原始样本图像和对应的修整样本图像。男性年龄分布数据为根据男性样本图像对应的实际年龄信息转换得到的年龄分布数据。女性年龄分布数据为根据女性样本图像对应的实际年龄信息转换得到的年龄分布数据。在实际应用中，人脸检测模型可以分成两个子网络，分别用于提取男性样本图像的男性年龄特征数据和女性样本图像的女性年龄特征数据。人脸年龄预估模型也可以分成两个子网络，分别用于根据男性年龄特征数据和男性年龄分布数据预估男性各年龄的概率以及根据女性年龄特征数据和女性年龄分布数据预估女性各年龄的概率。在训练时，只针对对应的性别的人脸检测模型的子网络进行反向传播，如输入图像为男性样本图像，则只对男性的人脸检测模型的子网络训练，另外中间特征会通过人脸检测模型的子网络输出对性别的判定信息，在使用时通过预测的性别，将中间特征输入对应的人脸年龄预估模型的子网络中进行年龄估计。使得到的年龄更具有不同性别的针对性，对于输入的图像为男性图像或者女性图像的年龄预测效果更好。

在本发明的一种示例性实施例中，原始样本图像转换得到的修整样本图像的步骤的一种实施方式为，分别对多个原始样本图像进行随机下采样处理和图像尺寸调整处理得到对应的修整样本图像。也就是说，本发明实施例可以在仅获取到原始样本图像的情况下，通过将原始样本图像进行转换得到清晰度较低的修整样本图像，不需要直接获取多种清晰度的原始样本图像，降低了对样本图像数据集的采集要求。

在对人脸图像进行年龄性别预估时，不同清晰度的人脸图像会对其最后的年龄性别预估结果产生影响。如同一张人脸图像在较模糊时的预估结果和较清晰时的预估结果差异明显，针对该问题，本发明实施例使用混合清晰度训练方法，将原始样本图像进行随机下采样处理，然后图像尺寸调整(resize)回原始样本图像的大小，以改变原始样本图像的清晰度。训练时，分别对于不同的清晰度的原始样本图像和对应的修整样本图像设置各自的清晰度误差损失函数，以保证不同清晰度的原始样本图像和对应的修整样本图像输出相同或相近的人脸特征数据，也就是说，清晰度相对低的修整样本图像被提取出的人脸特征数据，与清晰度相对高的原始样本图像采用同一个特征提取器提取出的人脸特征数据保持一致，将大大降低低清晰度的样本图像对年龄性别预估结果的影响，从而降低对待预估的人脸图像的清晰度要求，提升了年龄性别预估模型的适应性。

基于上述关于一种年龄性别预估模型的训练方法的相关说明，下面介绍一种人脸检测模型和人脸年龄预估模型的训练方法。其中，由于需要对检测到的人脸进行对齐处理，因此人脸检测模型可以采用加入关键点回归的yolo模型。参照图4，示出了一种人脸检测模型的框架示意图。在图4中，将样本图像(图4的样本图像可以表示原始样本图像)输入至人脸检测模型中，提取样本图像的人脸特征数据，对人脸特征数据进行卷积处理，分别输出人脸框、关键点和置信度。其中，置信度表示人脸框中包含人脸的概率。在实际应用中，可以设置置信度阈值，例如，置信度阈值为0.5，若置信度大于0.5，则认为人脸框中包含人脸；若置信度小于或等于0.5，则认为人脸框不包含人脸。而且，为了对人脸进行精确对齐，本发明实施例可以采用5个关键点对人脸进行对齐处理。具体的关键点可以包含但不限于：双眼、鼻子和两个嘴角。

需要说明的是，为了得到更平衡的样本图像，可以采用随机取样的方式进行样本图像采样，具体过程为，1)将样本图像按年龄分为不同的数据子集。2)随机选取不同的年龄值。3)使用随机选取的不同年龄值在对应的数据子集中随机采样。通过随机取样的方式保证不同年龄的样本图像有相同或者近似的概率被取样到。

参照图5，示出了本发明实施例训练得到的年龄性别预估模型的框架示意图。在图5中，分别提取原始样本图像和根据原始样本图像得到的修整样本图像的人脸特征数据。根据人脸特征数据预测性别(gender)，并利用损失函数(BCE_loss)对年龄性别预估模型进行训练，以保证预测的性别与实际的性别相一致。分别对原始样本图像的人脸特征数据和修整样本图像的人脸特征数据进行卷积处理，然后利用损失函数(L2_loss)对年龄性别预估模型进行训练，以保证原始样本图像的人脸特征数据和修整样本图像的人脸特征数据尽可能一致。年龄性别预估模型输出的年龄预估结果在图5中表示为柱状图。根据样本图像数据集中的实际年龄信息计算年龄方差数据，再根据年龄方差数据进行高斯分布处理(Gaussion)得到年龄分布数据。年龄分布数据在图5中表示为抛物线。最终，年龄预估结果和年龄分布数据经过损失函数(KL_loss)对年龄性别预估模型进行训练。

参照图6，示出了本发明实施例的一种年龄性别预估方法的步骤流程图。该一种年龄性别预估方法具体可以包括如下步骤：

步骤601，获取待预估的人脸图像。

在本发明的实施例中，待预估的人脸图像可以为任意格式、任意清晰度、任意尺寸的图像，本发明实施例对人脸图像不做具体限制。

步骤602，将人脸图像输入至年龄性别预估模型，输出人脸年龄信息和性别信息。

在本发明的实施例中，年龄性别预估模型可以为基于上述年龄性别预估模型的训练方法训练所得。输出的人脸年龄信息可以包含预测的各年龄的概率值。输出的性别信息可以为预测的性别的概率值或者性别本身。

参照图7，示出了本发明实施的一种年龄性别预估方法的数据处理流程图。

将人脸图像输入至人脸检测模型，输出人脸框和关键点，根据人脸框和关键点进行人脸对齐和裁切，得到人脸区域图像。对人脸区域图像提取人脸特征数据。人脸年龄预估模型根据人脸特征数据输出性别和人脸年龄信息。需要说明的是，一个人脸图像中可以包含一个或多个人脸。当人脸图像中包含多个人脸时，可以输出多个人脸的性别和人脸年龄信息。例如，某人脸图像中包含两个人脸，该人脸图像的预估结果为两个人脸的人脸区域图像以及每个人脸区域图像的性别和人脸年龄信息。

本发明实施例在进行高斯分布处理时，根据不同的年龄使用了可变的年龄方差数据，将年龄方差数据转换为年龄标准差数据输入至高斯分布函数中，使得对小年龄的人脸图像的年龄预估结果更准确。而且，在进行高斯分布处理时，避免采用积分计算方式，使得高斯分布处理的计算量更低，优化了年龄性别预估模型的结构。

本发明实施例中年龄性别预估模型的人脸检测模型包含了关键点回归部分，并没有将人脸检测和关键点回归作为两个独立的模型，丰富了人脸检测模型的功能，同时，简化了年龄性别预估模型的结构。

本发明实施例在进行关键点回归时，采用5个关键点进行人脸对齐处理，相比于传统的仅利用3个关键点确定人脸区域的方式，本发明实施例人脸对齐的效果更佳，从而突出人脸区域，避免人脸区域包含过多的干扰项，提升人脸检测的效果。

本发明实施例将原始样本图像转换得到清晰度较低的修整样本图像，利用清晰度误差损失函数对年龄性别预估模型中的特征提取器进行训练，使得不同清晰度的原始样本图像和对应的修整样本图像的人脸特征数据保持一致，将大大降低低清晰度的样本图像对年龄性别预估结果的影响，从而降低对待预估的人脸图像的清晰度要求，提升了年龄性别预估模型的适应性。

本发明实施例针对不同性别的人脸图像分别进行年龄预估，在预估年龄的同时还可以输出性别，从而提升年龄估计的准确性。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图8，示出了本发明实施例的一种年龄性别预估模型的训练系统的结构框图，该年龄性别预估模型的训练系统具体可以包含如下模块。

样本数据集获取模块81，用于获取样本图像数据集，所述样本图像数据集包含多个样本图像对，所述样本图像对包含原始样本图像以及由所述原始样本图像转换得到的修整样本图像，所述原始样本图像的清晰度比对应的所述修整样本图像的清晰度高；

性别人脸特征提取模块82，用于针对每个所述样本图像对提取各自符合一致性要求的人脸特征数据，从所述人脸特征数据中分类出针对不同性别的性别人脸特征数据；

年龄分布转换模块83，用于根据每个所述样本图像对对应的实际年龄信息转换得到年龄分布数据，所述年龄分布数据表示年龄的变化与人脸长相的变化之间的关系；

年龄性别预估模型训练模块84，用于根据所述样本图像数据集、所述性别人脸特征数据和所述年龄分布数据，对年龄性别预估模型进行训练。

在本发明的一种示例性实施例中，所述性别人脸特征提取模块82，用于针对每个所述样本图像对，根据预设的清晰度误差损失函数从所述原始样本图像和对应的所述修整样本图像中分别提取出各自符合所述一致性要求的所述人脸特征数据，从所述人脸特征数据分类出不同性别的所述性别人脸特征数据。

在本发明的一种示例性实施例中，所述年龄分布转换模块83，用于根据预设的年龄分布函数将所述实际年龄信息转换得到所述年龄分布数据。

在本发明的一种示例性实施例中，所述年龄分布转换模块83，包括：

方差计算模块，用于根据预设的可变年龄方差函数计算所述实际年龄信息的年龄方差数据；

分布转换模块，用于根据所述年龄方差数据、预设的年龄标签范围和所述年龄分布函数，将所述实际年龄信息转换得到所述年龄分布数据。

在本发明的一种示例性实施例中，所述年龄性别预估模型训练模块84，包括：

特征提取模块，用于从所述样本图像数据集中提取出针对男性样本图像的男性性别人脸特征数据和针对女性样本图像的女性性别人脸特征数据；

模型训练模块，用于分别根据所述样本图像数据集，所述男性性别人脸特征数据和所述年龄分布数据中的男性年龄分布数据，以及所述女性性别人脸特征数据和所述年龄分布数据中的女性年龄分布数据对所述年龄性别预估模型进行训练。

在本发明的一种示例性实施例中，所述系统还包括：

转换模块，用于分别对多个所述原始样本图像进行随机下采样处理和图像尺寸调整处理得到对应的所述修整样本图像。

参照图9，示出了本发明实施例的一种年龄性别预估系统的结构框图，该年龄性别预估系统具体可以包含如下模块。

人脸图像获取模块91，用于获取待预估的人脸图像；

人脸年龄性别预估模块92，用于将所述人脸图像输入至根据上述年龄性别预估模型的训练方法训练得到的年龄性别预估模型中，输出所述人脸图像的人脸年龄信息和性别信息。

对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种年龄性别预估模型的训练方法和系统、一种年龄性别预估方法和系统，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。