基于面部识别的人类年龄识别方法及系统

1.本发明涉及图像处理技术领域，具体涉及一种基于面部识别的人类年龄识别方法及系统。


背景技术：

2.人脸图像的年龄识别是指通过人脸图像估计出该对象的真实年龄或者表观年龄。研究年龄估计的主要目的是找出人脸外观的图像变化以便准确估计实际年龄或者表观年龄。能准确的估计实际年龄或者表观年龄，能更好进行业务推送和维护客户关系。不同的客户群体有着不同的消费习惯、偏好和对营销的期望，可以使用自动年龄估计来监测市场趋势，并定制其产品和服务，以满足不同年龄组客户的需求和偏好。
3.现有人脸图像的年龄识别方法主要是采用卷积神经网络或者svm分类方法，卷积神经网络的神经网络模型复杂，而svm分类方法仅能给出年龄的区间范围。


技术实现要素：

4.针对现有技术中的上述不足，本发明提供的一种基于面部识别的人类年龄识别方法及系统解决了现有采用卷积神经网络的人脸图像的年龄识别方法存在模型复杂，而基于svm分类的人脸图像的年龄识别方法仅能给出年龄的区间范围的问题。
5.为了达到上述发明目的，本发明采用的技术方案为：一种基于面部识别的人类年龄识别方法，包括以下步骤：s1、采集人脸图像，提取人脸轮廓皱纹数据；s2、采用人脸轮廓皱纹数据训练年龄识别模型；s3、采用训练后的年龄识别模型对待识别的人脸轮廓皱纹数据进行识别，得到人类年龄。
6.进一步地，所述s1包括以下分步骤：s11、对人脸图像进行灰度变换，得到灰度图；s12、对灰度图进行滤波，得到滤波图；s13、对滤波图进行灰度值增强处理，得到增强灰度值；s14、选取一像素点；s15、计算像素点的增强灰度值与邻近的像素点的增强灰度值的差值；s16、判断是否存在差值大于边界阈值的像素点，若是，则记该像素点为边界点，并跳转至步骤s17，若否，则标记为非边界点，并跳转至步骤s18；s17、从边界点邻域内选取下一像素点，并跳转至步骤s15，直到边界点邻域内的像素点遍历完；s18、从非边界点的邻域外找到下一像素点，并跳转至步骤s15，直到非边界点的邻域外的像素点遍历完；s19、提取所有边界点，得到人脸轮廓皱纹数据。
7.上述进一步方案的有益效果为：将灰度图滤波处理，排除其中的杂点，防止后续在寻找边界点时，影响边界点的判断，对滤波图进行灰度值增强处理，使得后续在寻找边界点时，特征更突出。通过计算像素点的增强灰度值与邻近的像素点的增强灰度值的差值，确定该像素点是否是位于边界上，若是，从边界附近再找下一边界点，精准找到整条边界点，若否，则说明该点不是边界点，那么其邻域内存在边界点的可能性非常小，则跳出非边界点的邻域，从非边界点的邻域外去寻找边界点，一方面能节省计算量，加快迭代速度，另一方面通过非边界点的邻域外逐步寻找边界点，并从边界点寻找其邻域中下一边界点的方式，能找到所有的边界点。
8.进一步地，所述s12中包括以下分步骤：s121、从灰度图上取一像素点；s122、判断该像素点与其邻近8个像素点是否均不同，若是，则采用其邻近8个像素点的灰度均值对该像素点的灰度进行赋值，并跳转至步骤s125，若否，跳转至步骤s123；s123、根据邻近8个像素点的灰度均值和该像素点的灰度值，得到绝对差值；s124、判断绝对差值是否大于灰度阈值，若是，则采用其邻近8个像素点的灰度均值对该像素点的灰度进行赋值，并跳转至步骤s125，若否，则直接跳转至步骤s125；s125、判断灰度图上是否存在未被选取过的像素点，若是，从灰度图上取未被选取过的像素点，并跳转至步骤s122，若否，则结束分步骤。
9.上述进一步方案的有益效果为：其中一个像素点与其周围邻近的8个像素点灰度的均值相差太大，则其为噪点，若其中一个像素点与邻近的8个像素点的灰度值均不同，其可能为噪点或正常像素点，采用邻近8个像素点的灰度均值对该像素点的灰度进行赋值的方式，排除噪点的可能，避免对后续找寻边界点的影响。
10.进一步地，所述s13中增强处理的公式为：其中，为增强灰度值，为滤波图中最小灰度值，为滤波图中最大灰度值，为白色灰度值，为黑色灰度值，为待增强灰度值。
11.上述进一步方案的有益效果为：通过对滤波图中所有灰度值进行增强处理，使得后续边界点特征更显著。
12.进一步地，所述s2中年龄识别模型包括：数据连接单元、皱纹分区单元、像素点统计单元、人脸轮廓权重单元、抬头纹权重单元、眼纹权重单元、法令纹权重单元、眉间纹权重单元、特征融合单元和年龄预测单元；所述数据连接单元的输入端作为年龄识别模型的输入端，其输出端与皱纹分区单元的输入端连接；所述像素点统计单元的输入端与皱纹分区单元的输出端连接，其输出端分别与人脸轮廓权重单元的输入端、抬头纹权重单元的输入端、眼纹权重单元的输入端、法令纹权重单元的输入端和眉间纹权重单元的输入端连接；所述特征融合单元的输入端分别与人脸轮廓权重单元的输出端、抬头纹权重单元的输出端、眼纹权重单元的输出端、法令纹权重单元的输出端和眉间纹权重单元的输出端连接，其输出端与年龄预测单元的输入端连接；所述年龄预测单元的输出端作为年龄识别模型的输出端。
13.进一步地，所述s2包括以下分步骤：s21、将位置上连续的人脸轮廓皱纹数据进行连接，得到人脸轮廓和多条皱纹纹路；s22、根据皱纹纹路的位置，得到皱纹纹路的分布区域；s23、统计人脸轮廓和每条皱纹纹路所具有的像素点，得到人脸轮廓的像素点数和每个分布区域的皱纹像素点数；s24、对人脸轮廓的像素点数和每个分布区域的皱纹像素点数赋予权重；s25、将赋予权重后的像素点数进行特征融合，得到融合特征；s26、根据融合特征，预测人类年龄；s27、根据预测的人类年龄，构建损失函数；s28、根据损失函数，对权重进行更新，并跳转至步骤s24，直到损失函数的损失值小于损失阈值，年龄识别模型训练完成。
14.上述进一步方案的有益效果为：本发明通过对皱纹纹路进行分区，确定其属于具体的皱纹类型，对每种皱纹类型统计其所具有的像素点，皱纹所对应的像素点越多，皱纹越多，越能体现人类的真实年龄或者表观年龄。
15.进一步地，所述s28中对权重进行更新的公式为：进一步地，所述s28中对权重进行更新的公式为：或其中，为第次迭代的权重，为第次迭代的权重，为第次迭代的学习率，为第次迭代的损失函数，为第次迭代的学习率，为第次迭代的损失函数。
16.上述进一步方案的有益效果为：在学习率下降前期，损失函数下降程度较大，得到的差值较大，学习率会自适应的增大，有效提升前期收敛速度，后期，得到的差值较小，使得学习率自适应的减小，权重变化较慢，随着等于0，权重按固定步长减少，解决前期收敛速度慢，且后期步长过大的问题。
17.进一步地，所述s22包括以下分步骤：s221、从人脸轮廓中找到所有闭合轮廓；s222、计算闭合轮廓的面积；s223、排除低于下限面积阈值的闭合轮廓和高于上限面积阈值的闭合轮廓，得到待定轮廓；s224、将所有待定轮廓的面积两两相减，找到面积差值小于面积差阈值，且不相邻
的两待定轮廓，作为眼睛轮廓；s225、根据眼睛轮廓，得到坐标原点的位置，建立人脸坐标系；s226、根据人脸坐标系，基于皱纹纹路的位置，得到皱纹纹路的分布区域。
18.上述进一步方案的有益效果为：人脸型的外部轮廓、鼻子轮廓和眼睛轮廓在面积上都有较大的区别，因此可以通过计算面积，找到面积相近且不相邻的轮廓作为眼睛轮廓，找到眼睛后，确定人脸坐标系的原点，从而确定皱纹纹路分布的位置。
19.一种基于面部识别的人类年龄识别方法的系统，包括：人脸轮廓皱纹数据采集提取子系统、年龄识别模型训练子系统和年龄预测子系统；所述人脸轮廓皱纹数据采集提取子系统用于采集人脸图像，提取人脸轮廓皱纹数据；所述年龄识别模型训练子系统用于采用人脸轮廓皱纹数据训练年龄识别模型；所述年龄预测子系统用于采用训练后的年龄识别模型对待识别的人脸轮廓皱纹数据进行识别，得到人类年龄。
20.本发明的有益效果为：本发明通过采集人脸图像，提取人脸轮廓皱纹数据，通过人脸轮廓确定皱纹的分布，并根据皱纹的像素点数和人脸轮廓的像素点数确定人的年龄，皱纹的像素点数和人脸轮廓的像素点数越多，年龄越大，相比于卷积神经网络庞大的结构，本发明设计的年龄识别模型结构简单，计算量低，且能得到具体的年龄值。
附图说明
21.图1为一种基于面部识别的人类年龄识别方法的流程图；图2为年龄识别模型的结构示意图。
具体实施方式
22.下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
23.如图1所示，一种基于面部识别的人类年龄识别方法，包括以下步骤：s1、采集人脸图像，提取人脸轮廓皱纹数据；在采集人脸图像后，需对人脸图像进行剪裁，保障人脸图像大小一致，再对人脸图像的各个像素点赋予了坐标，命名为图像坐标系，因此后续提取的人脸轮廓皱纹数据包括：图像坐标系上人脸轮廓皱纹的各个像素点的坐标。
24.所述s1包括以下分步骤：s11、对人脸图像进行灰度变换，得到灰度图；s12、对灰度图进行滤波，得到滤波图；所述s12中包括以下分步骤：s121、从灰度图上取一像素点；s122、判断该像素点与其邻近8个像素点是否均不同，若是，则采用其邻近8个像素点的灰度均值对该像素点的灰度进行赋值，并跳转至步骤s125，若否，跳转至步骤s123；
s123、根据邻近8个像素点的灰度均值和该像素点的灰度值，得到绝对差值；s124、判断绝对差值是否大于灰度阈值，若是，则采用其邻近8个像素点的灰度均值对该像素点的灰度进行赋值，并跳转至步骤s125，若否，则直接跳转至步骤s125；s125、判断灰度图上是否存在未被选取过的像素点，若是，从灰度图上取未被选取过的像素点，并跳转至步骤s122，若否，则结束分步骤。
25.绝对差值为邻近8个像素点的灰度均值和该像素点的灰度值两者间的差值。
26.s13、对滤波图进行灰度值增强处理，得到增强灰度值；所述s13中增强处理的公式为：其中，为增强灰度值，为滤波图中最小灰度值，为滤波图中最大灰度值，为白色灰度值，为黑色灰度值，为待增强灰度值。
27.s14、选取一像素点；s15、计算像素点的增强灰度值与邻近的像素点的增强灰度值的差值；s16、判断是否存在差值大于边界阈值的像素点，若是，则记该像素点为边界点，并跳转至步骤s17，若否，则标记为非边界点，并跳转至步骤s18；s17、从边界点邻域内选取下一像素点，并跳转至步骤s15，直到边界点邻域内的像素点遍历完；s18、从非边界点的邻域外找到下一像素点，并跳转至步骤s15，直到非边界点的邻域外的像素点遍历完；s19、提取所有边界点，得到人脸轮廓皱纹数据。
28.s2、采用人脸轮廓皱纹数据训练年龄识别模型；如图2所示，年龄识别模型包括：数据连接单元、皱纹分区单元、像素点统计单元、人脸轮廓权重单元、抬头纹权重单元、眼纹权重单元、法令纹权重单元、眉间纹权重单元、特征融合单元和年龄预测单元；所述数据连接单元的输入端作为年龄识别模型的输入端，其输出端与皱纹分区单元的输入端连接；所述像素点统计单元的输入端与皱纹分区单元的输出端连接，其输出端分别与人脸轮廓权重单元的输入端、抬头纹权重单元的输入端、眼纹权重单元的输入端、法令纹权重单元的输入端和眉间纹权重单元的输入端连接；所述特征融合单元的输入端分别与人脸轮廓权重单元的输出端、抬头纹权重单元的输出端、眼纹权重单元的输出端、法令纹权重单元的输出端和眉间纹权重单元的输出端连接，其输出端与年龄预测单元的输入端连接；所述年龄预测单元的输出端作为年龄识别模型的输出端。
29.数据连接单元用于将位置上连续的人脸轮廓皱纹数据进行连接，得到人脸轮廓和多条皱纹纹路；皱纹分区单元用于根据皱纹纹路的位置，得到皱纹纹路的分布区域；像素点统计单元用于统计人脸轮廓和每条皱纹纹路所具有的像素点，得到人脸轮廓的像素点数和每个分布区域的皱纹像素点数；人脸轮廓权重单元用于对人脸轮廓的像素点数赋予权重；抬头纹权重单元用于对额头区的抬头纹的像素点数赋予权重；眼纹权重单元用于对眼角区的眼纹的像素点数赋予权重；法令纹权重单元用于对脸颊区的法令纹的像素点数赋予权
重；眉间纹权重单元用于对眉间的皱纹的像素点数赋予权重；特征融合单元用于将赋予权重后的像素点数进行特征融合，得到融合特征；年龄预测单元用于根据融合特征，预测人类年龄。
30.在本实施例中，特征融合单元可采用最简单的加法方式，将所有赋予权重后的数据进行叠加，得到融合特征。
31.人脸轮廓权重单元、抬头纹权重单元、眼纹权重单元、法令纹权重单元和眉间纹权重单元的权重可设置为相同或不同，像素点数越多，年龄越大。
32.所述s2包括以下分步骤：s21、将位置上连续的人脸轮廓皱纹数据进行连接，得到人脸轮廓和多条皱纹纹路；在步骤s21中，皱纹纹路为一条一条的纹路，与人脸的轮廓和人脸上的五官存在明显区别，因此，在人脸轮廓皱纹数据连接后（坐标上是连续的），可以较好区分人脸轮廓和多条皱纹纹路。
33.s22、根据皱纹纹路的位置，得到皱纹纹路的分布区域；所述s22包括以下分步骤：s221、从人脸轮廓中找到所有闭合轮廓；s222、计算闭合轮廓的面积；s223、排除低于下限面积阈值的闭合轮廓和高于上限面积阈值的闭合轮廓，得到待定轮廓；s224、将所有待定轮廓的面积两两相减，找到面积差值小于面积差阈值，且不相邻的两待定轮廓，作为眼睛轮廓；s225、根据眼睛轮廓，得到坐标原点的位置，建立人脸坐标系；步骤s225中坐标原点的位置的公式为：步骤s225中坐标原点的位置的公式为：其中，为坐标原点在图像坐标系上的横坐标，为坐标原点在图像坐标系上的纵坐标，为左侧眼睛离右侧眼睛的最近像素点的横坐标，为右侧眼睛离左侧眼睛的最近像素点的横坐标，为左侧眼睛离右侧眼睛的最远像素点的横坐标，为右侧眼睛离左侧眼睛的最远像素点的横坐标，为左侧眼睛的中心横坐标，为右侧眼睛的中心横坐标，左侧眼睛离右侧眼睛的最近像素点的纵坐标，为右侧眼睛离左侧眼睛的最近像素点的纵坐标，为左侧眼睛离右侧眼睛的最远像素点的纵坐标，为右侧眼睛离左侧眼睛的最远像素点的纵坐标，为左侧眼睛的中心纵坐标，为右侧眼睛的中心纵坐标，为比例系数。在本实施例中，左和右是相对的。
34.s226、根据人脸坐标系，基于皱纹纹路的位置，得到皱纹纹路的分布区域。
35.在确定人脸坐标系的坐标原点的位置后，将图像坐标系上所有像素点横坐标平移，纵坐标平移，实现人脸摆正，找到皱纹纹路的位置的所在区域。
36.s23、统计人脸轮廓和每条皱纹纹路所具有的像素点，得到人脸轮廓的像素点数和每个分布区域的皱纹像素点数；s24、对人脸轮廓的像素点数和每个分布区域的皱纹像素点数赋予权重；s25、将赋予权重后的像素点数进行特征融合，得到融合特征；s26、根据融合特征，预测人类年龄；s27、根据预测的人类年龄，构建损失函数；s28、根据损失函数，对权重进行更新，并跳转至步骤s24，直到损失函数的损失值小于损失阈值，年龄识别模型训练完成。
37.所述s28中对权重进行更新的公式为：重进行更新的公式为：或其中，为第次迭代的权重，为第次迭代的权重，为第次迭代的学习率，为第次迭代的损失函数，为第次迭代的学习率，为第次迭代的损失函数。
38.s3、采用训练后的年龄识别模型对待识别的人脸轮廓皱纹数据进行识别，得到人类年龄。
39.一种基于面部识别的人类年龄识别方法的系统，包括：人脸轮廓皱纹数据采集提取子系统、年龄识别模型训练子系统和年龄预测子系统；所述人脸轮廓皱纹数据采集提取子系统用于采集人脸图像，提取人脸轮廓皱纹数据；所述年龄识别模型训练子系统用于采用人脸轮廓皱纹数据训练年龄识别模型；所述年龄预测子系统用于采用训练后的年龄识别模型对待识别的人脸轮廓皱纹数据进行识别，得到人类年龄。