基于多层特征融合的性别识别与年龄估计研究

• 作 者: 刘艳晖
• 出 处: 河北工业大学
• 发表日期: 2019年01期
• 关键词: 年龄估计 性别识别 卷积神经网络 集成学习 特征融合

随着科技的进步,性别识别与年龄估计技术以非接触型认证等诸多优势成为了解决该问题的热门技术之一,虽然研究者众多但却依旧是个难题。在现有技术中,如何提取丰富有效的纹理特征、如何减少资源浪费、如何避免参数灾难以及如何对所提取特征进行充分利用,提高图像分类的准确率,是目前需要解决的问题。基于卷积网络的识别算法通常只使用最后一层的输出作为特征表示,但这一层中的信息在空间上可能太粗糙;而早期的层所获得的特征在空间上可能是精确的却不包含语义。为了获得更丰富的层级特征,针对性别识别与年龄估计任务,本文研究了两种基于卷积神经网络多层特征融合的方法,并利用Group数据集、IMDB-WIKI数据集和Morph数据集对这两个任务的最终结果进行验证。本文具体工作如下:(1)针对性别识别与年龄段分类问题,将性别识别和年龄段分类视为分类问题,首先构造一个简单框架,分别使用5×5、3×3和2×2的级联卷积核提取丰富的空间结构信息,再连接不同数量和大小的卷积层组成不同流(stream),使网络框架获取高层的语义信息的同时也获取低层边缘纹理信息,再通过集成不同stream获取不同级别的深度卷积激活特征对图像进行性别和年龄段分类。另外,在选取年龄损失函数时考虑到性别对年龄的影响,通过加入中心损失函数来减小同一性别内差异的影响,提高年龄段分类准确率。(2)针对性别识别与年龄估计问题,对紧凑软逐步回归网络框架(compact Soft Stagewise Regression Network,SSR-Net)框架做出改进:为SSR-Net网络框架中的SSR模块引入残差模块,使其得到了更高级语义信息,同时还缓解了网络层数过深导致的模型退化问题;为SSR-Net网络框架中的预测模块引入自适应权重,通过加深高级特征的强化作用提升网络性能。本文实验结果表明:在Group数据集上,基于多层特征融合的性别与年龄段分类框架得到的准确率更高,相较于VGG16框架所取得的精准匹配值提高了10%以上;在WIKI与Morph数据集上,加入残差与自适应模块的RSSR-Net网络获得的平均绝对误差为7.4357,较改进前的7.7916下降了0.36。