基于人脸图像的年龄估计方法

《基于人脸图像的年龄估计方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、工程硕士学位论文基于人脸图像的年龄估计方法作者姓名赵一丁学科专业控制工程校内指导教师田森平教授校外指导导师廖广军副教授所在学院自动化科学与工程学院论文提交日期2018年1月AgeEstimationBasedonFacialImageADissertationSubmittedfortheDegreeofMasterCandidate：ZhaoYidingSupervisor：Prof.TianSenpingSouthChinaUniversityofTechnologyGuangzhou,China分类号：T

2、P391.4学校代号：10561学号：201521013474华南理工大学硕士学位论文基于人脸图像的年龄估计方法作者姓名：赵一丁指导教师姓名、职称：田森平教授申请学位级别：硕士学科专业名称：控制工程论文形式：□产品研发□工程设计应用研究□工程/项目管理□调研报告研究方向：图像处理与模式识别论文提交日期：2018年3月19日论文答辩日期：2018年3月20日学位授予单位：华南理工大学华南理工大学学位授予日期：年月日答辩委员会成员：主席：邓飞其委员：田森平康文雄赵学艳旷世芳摘要人脸蕴含了丰富的生物信息，包括身份、

3、情绪、年龄和性别等，基于人脸的生物特征识别技术是当前的研究热点。基于人脸图像的年龄估计技术在日常生活和商业市场中有着广泛的应用前景，可以用于权限控制、个性化服务、图像搜索和信息收集等方面。人脸年龄估计的主要流程包含了人脸年龄特征提取和年龄估计模式两大部分，本文针对这两个部分都进行了研究，并且提出了相应的方法。此外，本文进一步探讨了使用多任务模型来同时解决年龄估计和性别识别问题。本文的主要工作如下：(1)针对年龄特征提取部分，本文将卷积神经网络(CNN)用于年龄信息的学习，构造了一个8层的CNN模型，包含了6层卷

4、积层和2层全连接层，并且采用由粗到细的预训练策略来防止网络过拟合。深度CNN能提取到富有描述力的年龄特征，并且实现了端到端学习，减少了图像预处理操作。(2)针对年龄估计模式部分，本文采用了基于排序模式的年龄编码方式，排序模式利用了年龄大小的比较信息而不是具体值，减少了年龄标签不准确带来的影响。本文将有序的年龄标签估计问题转换为一系列年龄大小的比较问题，将CNN的输出修改为一系列的二值子分类器，实现了子分类器的同时训练和同时输出。实验结果表明，排序模式比传统的回归或分类模式都具有优势。(3)本文采用了多任务模型来

5、同时解决年龄估计和性别识别问题，多任务模型使得子任务能共享同一个CNN的底层信息提取能力，减少了模型数量和计算消耗，并且在训练阶段可以充分利用性别和年龄之间的关联信息。实验结果表明，多任务模型能较好地解决年龄估计和性别识别问题，并且相比于单任务模型，两个子任务的性能都得到了提升。关键词：年龄估计；卷积神经网络；排序模式；多任务学习；性别识别IABSTRACTAbundantprivateinformationisrepresentedbyhumanface,includingidentification,emo

6、tion,age,gender,etc.Biometricrecognitiontechnologybasedonhumanfacehasbecomeanincreasinghottopicinrecentresearch.Facialageestimationshowsgreatpotentialvalueindailylifeandcommercialapplication,suchasaccesscontroll,personalizedservice,imageandvideoretrieval,imf

7、ormationcollection,etc.Atypicalapproachforfacialageestimationmainlyconsistsoftwokeyphases:facialagefeatureextractionandageestimationmodellearning.Newmethodsareproposedforbothtwophasesbasedonourdeepresearch.Moreover,multitaskmodelforsolvingfacialageestimation

8、andgenderrecognitionsimultaneouslyisfurtherstudied.Themainworkofthispaperisasfollowing:(1)Intheagefeatureextractionphase,convolutionalneuralnetwork(CNN)isappliedforfeaturelearningbecauseofitspow