基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法
【專利摘要】本發(fā)明公開了一種基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法，其實現(xiàn)是：1.建立亞洲人臉年齡數(shù)據(jù)集(AFAD)；2.建立用于二分類的訓(xùn)練數(shù)據(jù)；3.訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)；4.將測試樣本輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)；5.得到測試樣本的年齡估計。本發(fā)明提出了一種對年齡進(jìn)行排序的方法，將有序回歸和深度學(xué)習(xí)方法相結(jié)合，顯著地提升了年齡預(yù)測性能的準(zhǔn)確度。本發(fā)明解決了現(xiàn)有年齡估計方法中特征提取和回歸建模是獨立進(jìn)行與優(yōu)化的不足，能充分利用年齡標(biāo)簽的序列關(guān)系將年齡估計有序回歸，提高了年齡估計準(zhǔn)確率，還為亞洲人臉的年齡估計建立了一個大規(guī)模數(shù)據(jù)庫，為人臉年齡估計研究提供了數(shù)據(jù)庫基礎(chǔ)。能廣泛用于對人臉圖像的年齡估計。
【專利說明】
基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于計算機(jī)視覺技術(shù)領(lǐng)域，主要涉及人臉圖像的年齡估計方法，具體是一 種基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法，可用于對人臉圖像進(jìn)行年齡估 計。
【背景技術(shù)】
[0002] 對人臉圖像進(jìn)行人類年齡估計是一個較新的研究方向，在現(xiàn)實生活中有著廣泛的 應(yīng)用。例如在安全監(jiān)控方面，通過監(jiān)控攝像機(jī)輸入圖像，年齡估計系統(tǒng)可以警告或阻止未成 年人進(jìn)入網(wǎng)吧或進(jìn)入酒吧飲酒；在商業(yè)用戶管理方面，廣告商可以根據(jù)行人的年齡為不同 的潛在客戶提供特定的廣告;在生物特征識別方面，可以進(jìn)行長時間跨度的人臉識別。
[0003] G .Guo，G.Mu，Y.Fu and T .Huang在文章 "Human age estimation using bi〇-inspired f eatures"（CVPR，2009)中將生物啟發(fā)式方法引入到年齡估計領(lǐng)域，在小波變換 的基礎(chǔ)上通過簡單層和復(fù)雜層的處理得到人臉圖像的紋理特征，生物啟發(fā)式方法是年齡估 計領(lǐng)域表現(xiàn)最好的特征提取方法之一。然后生物啟發(fā)式特征被輸入另一個回歸器或分類器 用于年齡估計。
[0004] D.Yi ,Z.Lei ,and S.Li在文章 "Age estimation by multi-scale convolutional network"（CVPR，2014)中首次將深度卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于年齡估計，它包括1層卷積層、1層 池化層、1層局部層和1層全鏈接層。隨后，深度卷積神經(jīng)網(wǎng)絡(luò)提取到的特征被輸入另一個回 歸器用于年齡估計。
[0005] 以上兩種方法的不足之處在于將基于人臉圖像的年齡估計方法分為獨立的兩步： 特征的提取和或者度量回歸或者多分類。這兩個步驟是分離進(jìn)行、獨立優(yōu)化的。另一方面， 人類面部在不同年齡段有不同的老化表現(xiàn)，在童年時期表現(xiàn)為人臉形狀的變化，在成年時 期則表現(xiàn)為皮膚紋理的變化。由于老化模式形成的隨機(jī)過程的非平穩(wěn)性，人工選取的特征 并不能適用于所有的年齡范圍。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于針對上述現(xiàn)有技術(shù)分為兩步優(yōu)化的不足，提出一種經(jīng)過排序準(zhǔn) 確估計年齡的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法。
[0007] 本發(fā)明是一種基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法，其特征在 于，包括有如下步驟：
[0008] (1)建立亞洲人臉年齡數(shù)據(jù)集(AFAD)，其中包含了 16萬張亞洲人臉圖像，每一張人 臉圖像都有年齡標(biāo)簽，這是目前為止，最大的公開年齡數(shù)據(jù)集，解決了大規(guī)模年齡數(shù)據(jù)集的 缺乏使得年齡估計問題無法取得更大進(jìn)展的屏障。目前最大的受歡迎的公開數(shù)據(jù)庫有FG-NET數(shù)據(jù)庫包含1002張人臉圖片、MORPH I數(shù)據(jù)庫包含1690張人臉圖片、MORPH II數(shù)據(jù)庫包 含55608張人臉圖片，這些數(shù)據(jù)庫并不能滿足深度學(xué)習(xí)算法對巨大的訓(xùn)練樣本的需求。此外 MORPH II數(shù)據(jù)庫的種族分布是非常不平衡的，例如超過96%的面孔是非洲和歐洲人種，但 只有少于1 %的面孔來自亞洲。因此，以前年齡估計的方法在亞洲面孔上的性能是未知的。 而亞洲人臉年齡數(shù)據(jù)集包含了 16萬張亞洲人臉圖像，很好的彌補(bǔ)了這個不足。
[0009] (2)建立用于二分類的訓(xùn)練數(shù)據(jù)，輸入亞洲人臉年齡數(shù)據(jù)集中帶年齡標(biāo)簽的人臉 圖像集，將年齡估計問題轉(zhuǎn)化為一系列的二分類子問題，對每一個二分類子問題的二分類 器構(gòu)建相應(yīng)的訓(xùn)練數(shù)據(jù)，及根據(jù)人臉圖像的年齡標(biāo)簽生成一系列的二分類類標(biāo)，從輸入的 亞洲人臉年齡數(shù)據(jù)集中帶年齡標(biāo)簽的人臉圖像集得到包含人臉圖像、二分類類標(biāo)和權(quán)重的 訓(xùn)練數(shù)據(jù)。
[0010] (3)訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)訓(xùn)練數(shù)據(jù)，訓(xùn)練多輸出深度卷積神經(jīng)網(wǎng)絡(luò)，使得 每一個輸出都是二分類器的一個二分類類標(biāo)。
[0011] (4)將測試樣本輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，將一張步驟(1)中建立的亞洲人 臉年齡數(shù)據(jù)集中的不帶年齡標(biāo)簽的人臉圖像作為測試樣本，將測試圖像輸入步驟(3)中訓(xùn) 練好的多輸出深度卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)行多層的卷積、池化等操作。
[0012] (5)得到測試樣本的年齡估計，得到多輸出深度卷積神經(jīng)網(wǎng)絡(luò)的輸出，每一個輸出 都是二分類器的一個二分類類標(biāo)，對所有輸出類標(biāo)進(jìn)行等級排序，得到測試樣本的年齡估 計。
[0013] 實現(xiàn)本發(fā)明目的的技術(shù)思路是，根據(jù)年齡標(biāo)簽的序列關(guān)系，將年齡估計問題看作 有序回歸問題;把有序回歸問題轉(zhuǎn)化為一系列的二分類子問題，并用多輸出深度卷積神經(jīng) 網(wǎng)絡(luò)解決這些子問題。
[0014] 與現(xiàn)有技術(shù)比，本發(fā)明的技術(shù)優(yōu)勢有：
[0015] (1)現(xiàn)有的年齡估計方法都分為獨立的兩步:特征的提取和度量回歸或者是多分 類，這兩個步驟是分離進(jìn)行、獨立優(yōu)化的，存在兩步中均為最優(yōu)，而最終結(jié)果并非出于最優(yōu) 狀態(tài)的可能性。本發(fā)明通過一種端對端的多輸出深度卷積神經(jīng)網(wǎng)絡(luò)，將特征提取和回歸或 多分類過程進(jìn)行融合，使得優(yōu)化函數(shù)在全過程上取得最優(yōu)解，保證最終結(jié)果為最優(yōu)；
[0016] (2)在特征提取階段，現(xiàn)有的年齡估計的特征提取方法大多采用人臉的形狀特征 或者紋理特征，而本發(fā)明采用深度學(xué)習(xí)的方法自動的對人臉特征進(jìn)行學(xué)習(xí)，與人工選取的 特征相比自動學(xué)習(xí)的特征更好的契合人臉老化的全過程；
[0017] (3)在回歸或多分類階段，現(xiàn)有的年齡估計方法大多采用支持向量機(jī)或者典型相 關(guān)性分析方法，而本發(fā)明采用有序回歸的方法對年齡標(biāo)簽之間的相對順序進(jìn)行排序，而不 是直接對人臉圖像的年齡確切值進(jìn)行估計，解決了老化模式形成隨機(jī)過程的非平穩(wěn)性，提 高了年齡估計的準(zhǔn)確率；
[0018] (4)本發(fā)明首次建立了大規(guī)模亞洲人臉年齡數(shù)據(jù)集，與現(xiàn)有的數(shù)據(jù)庫相比，包含了 16萬張亞洲人臉圖像，是目前為止最大的公開年齡數(shù)據(jù)集，解決了大規(guī)模年齡數(shù)據(jù)集的缺 乏使得年齡估計問題無法取得更大進(jìn)展的屏障。同時，不同于現(xiàn)有數(shù)據(jù)庫大多分布在非洲 和歐洲人種上的不均衡性，亞洲人臉年齡數(shù)據(jù)集中的大部分人臉圖像為亞洲人種。
【附圖說明】
[0019] 圖1為本發(fā)明的實現(xiàn)流程圖；
[0020] 圖2為建立亞洲人臉年齡數(shù)據(jù)集的實現(xiàn)流程圖；
[0021] 圖3為亞洲人臉年齡數(shù)據(jù)集部分樣本示例圖，圖3(a)為亞洲人臉年齡數(shù)據(jù)集中不 同年齡的女性圖像示例，圖3(b)為亞洲人臉年齡數(shù)據(jù)集中不同年齡的男性圖像示例；
[0022] 圖4為多輸出深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；
[0023] 圖5為本發(fā)明在性能評價指標(biāo)累計指數(shù)上與其他技術(shù)的對比圖。
【具體實施方式】
[0024] 下面結(jié)合附圖，對本發(fā)明詳細(xì)描述。
[0025] 實施例1
[0026] 對人臉圖像進(jìn)行人類年齡估計在現(xiàn)實生活中有著廣泛的應(yīng)用。例如在安全監(jiān)控方 面，通過對監(jiān)控攝像機(jī)中人臉圖像進(jìn)行年齡估計，可以警告或阻止未成年人進(jìn)入網(wǎng)吧或酒 吧飲酒;在商業(yè)用戶管理方面，廣告商可以根據(jù)行人的年齡為不同的潛在客戶提供特定的 廣告;在生物特征識別方面，可以進(jìn)行長時間跨度的人臉識別。但是現(xiàn)有的年齡估計技術(shù)存 在很多的不足，例如特征提取和回歸或多分類分離進(jìn)行、訓(xùn)練數(shù)據(jù)不足并且分布不均勻。這 些不足嚴(yán)重影響了現(xiàn)有年齡估計技術(shù)的預(yù)測準(zhǔn)確度。
[0027] 本發(fā)明一直在計算機(jī)視覺領(lǐng)域進(jìn)行探索與研究，針對現(xiàn)有年齡估計技術(shù)的不足， 提出了一種基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法，參見圖1，包括有如下步 驟：
[0028] (1)建立亞洲人臉年齡數(shù)據(jù)集(AFAD)，其中包含了 16萬張亞洲人臉圖像，每一張人 臉圖像都有年齡標(biāo)簽，這是目前為止，最大的公開年齡數(shù)據(jù)集。它解決了大規(guī)模年齡數(shù)據(jù)集 的缺乏使得年齡估計問題無法取得更大進(jìn)展的屏障，尤其是為亞洲人臉識別提供了有效的 數(shù)據(jù)基礎(chǔ)，在此基礎(chǔ)上還可以進(jìn)一步進(jìn)行滿足需要的數(shù)據(jù)擴(kuò)充。目前世界上最大的受歡迎 的公開數(shù)據(jù)庫包括FG-NET數(shù)據(jù)庫，該數(shù)據(jù)僅存1002張人臉圖片、MORPH I數(shù)據(jù)庫其中僅存 1690張人臉圖片、MORPH II數(shù)據(jù)庫其中僅存55608張人臉圖片，而本發(fā)明的亞洲人臉年齡數(shù) 據(jù)集包含了 16萬張亞洲人臉圖像，這些數(shù)據(jù)庫并不能滿足深度學(xué)習(xí)算法對巨大的訓(xùn)練樣本 的需求。此外MORPH II數(shù)據(jù)集的種族分布是非常不平衡的，例如超過96%的面孔是非洲和 歐洲的，但只有少于1 %的面孔來自亞洲，因此，以前年齡估計的方法在亞洲面孔上的性能 是未知的。而亞洲人臉年齡數(shù)據(jù)集包含了 16萬張亞洲人臉圖像，很好的彌補(bǔ)了這個不足。亞 洲人臉年齡數(shù)據(jù)集的建立過程參見圖2。參見圖3,本發(fā)明亞洲人臉年齡數(shù)據(jù)集不僅數(shù)量多， 而且對性別進(jìn)行了分類，圖3(a)為亞洲人臉年齡數(shù)據(jù)集中不同年齡的女性圖像示例，圖3 (b)為亞洲人臉年齡數(shù)據(jù)集中不同年齡的男性圖像示例。本發(fā)明的數(shù)據(jù)庫不僅滿足了深度 學(xué)習(xí)算法對巨大訓(xùn)練樣本的需求，而且提供了大量的亞洲人臉圖像。
[0029] (2)建立用于二分類的訓(xùn)練數(shù)據(jù)，輸入亞洲人臉年齡數(shù)據(jù)集中帶年齡標(biāo)簽的人臉 圖像集，將年齡估計問題轉(zhuǎn)化為一系列的二分類子問題，對每一個二分類子問題的二分類 器構(gòu)建相應(yīng)的訓(xùn)練數(shù)據(jù)，根據(jù)人臉圖像的年齡標(biāo)簽生成一系列的二分類類標(biāo)，從輸入亞洲 人臉年齡數(shù)據(jù)集中帶年齡標(biāo)簽的人臉圖像集得到包含人臉圖像、二分類類標(biāo)和權(quán)重的訓(xùn)練 數(shù)據(jù)。
[0030] (3)訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)訓(xùn)練數(shù)據(jù)，訓(xùn)練多輸出深度卷積神經(jīng)網(wǎng)絡(luò)，使得 每一個輸出都是二分類器的一個二分類類標(biāo)。參見圖4,本例中多輸出深度卷積神經(jīng)網(wǎng)絡(luò)包 含3層卷積層，3層局部歸一化層和2層最大值池化層，之后是80個神經(jīng)元組成的全連接層。 所有的輸出共享相同的中間層，經(jīng)過這3層處理，多輸出深度卷積神經(jīng)網(wǎng)絡(luò)取得了最好的性 能。
[0031] (4)將測試樣本輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，將一張步驟(1)中建立的亞洲人 臉年齡數(shù)據(jù)集中的不帶年齡標(biāo)簽的人臉圖像作為測試樣本，將測試圖像輸入步驟(3)中訓(xùn) 練好的多輸出深度卷積神經(jīng)網(wǎng)絡(luò)，分別進(jìn)行3層卷積，3層局部歸一化和2層最大值池化操 作。
[0032] 本發(fā)明在研究與開發(fā)的過程中，曾經(jīng)將圖3(a)所示女性圖像和圖3(b)所示男性圖 像中的每一幅圖像都作為測試樣本進(jìn)行了測試，分別輸入到了多輸出深度卷積神經(jīng)網(wǎng)絡(luò)， 取得了較高的年齡準(zhǔn)確率。
[0033] (5)得到測試樣本的年齡估計，得到多輸出深度卷積神經(jīng)網(wǎng)絡(luò)的輸出，每一個輸出 都是二分類器的一個二分類類標(biāo)，對所有輸出類標(biāo)進(jìn)行等級排序，得到測試樣本的年齡估 計。
[0034] 現(xiàn)有的年齡估計方法都分為獨立的兩步:特征的提取和度量回歸或者是多分類， 這兩個步驟是分離進(jìn)行、獨立優(yōu)化的，這樣做不僅分兩步進(jìn)行有兩次優(yōu)化過程，而且存在兩 步中均為最優(yōu)，而最終結(jié)果并非最優(yōu)狀態(tài)的可能性。而本發(fā)明基于多輸出卷積神經(jīng)網(wǎng)絡(luò)的 排序回歸模型及其在年齡估計中的應(yīng)用通過一種端對端的多輸出深度卷積神經(jīng)網(wǎng)絡(luò)，將特 征提取和回歸或多分類過程進(jìn)行融合，使得優(yōu)化過程中不僅學(xué)習(xí)到了最優(yōu)的人臉年齡特 征，使得優(yōu)化函數(shù)在全過程上取得最優(yōu)解。
[0035] 實施例2
[0036] 基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法同實施例1，其中步驟（1)中 建立亞洲人臉年齡數(shù)據(jù)集，參見圖2，包括有如下步驟：
[0037] (la)通過在特定的社交網(wǎng)絡(luò)人人網(wǎng)上收集人臉圖像建立這個數(shù)據(jù)集，人人網(wǎng)是一 個社交網(wǎng)絡(luò)，學(xué)生在上面可以與他人建立聯(lián)系，上傳照片，發(fā)表評論等等，在包括中學(xué)生、高 中生、本科生和研究生在內(nèi)的許多亞洲學(xué)生中有著廣泛的應(yīng)用。即使在畢業(yè)之后，有些人仍 舊登錄他們的人人網(wǎng)賬號來與老同學(xué)進(jìn)行聯(lián)系。因此，人人網(wǎng)用戶的年齡跨越了從15歲到 超過40歲一個很長的范圍，這有利于建立一個廣泛年齡跨度的數(shù)據(jù)集。人人網(wǎng)上有一個特 殊的相冊頭像相冊用于每一個用戶上傳自己的照片，所以亞洲人臉年齡數(shù)據(jù)集中的圖像來 自人人網(wǎng)上用戶的頭像相冊。
[0038] (lb)用戶在人人網(wǎng)上創(chuàng)建一個賬戶時，需要提供出生日期和性別等信息。通過用 戶頭像相冊中圖片的上傳日期與該用戶所提供的出生日期得到該張圖像的年齡，以此年齡 作為標(biāo)簽。通過該用戶所提供的性別信息作為性別標(biāo)簽。
[0039] (lc)通過OpenCV對所得到的所有圖像進(jìn)行人臉識別和剪裁，刪除不含人臉的圖像 如物品甚至標(biāo)志物圖像和人臉圖像中的背景如人的全身照，得到人臉圖像；
[0040] (Id)利用人工手動濾除卡通頭像、觀測年齡明顯與年齡標(biāo)簽不符的圖像、觀測性 別明顯與性別標(biāo)簽不符的圖像等噪聲數(shù)據(jù)。最后，一共收集了 164,432張有年齡標(biāo)簽的人臉 圖像，其中包含63,680張女性人臉圖像和100,752張男性人臉圖像，年齡范圍從15到40歲， 以此作為亞洲人臉年齡數(shù)據(jù)集。
[0041] 亞洲人臉年齡數(shù)據(jù)集的建立過程參見圖2。參見圖3,為亞洲人臉年齡數(shù)據(jù)集部分 樣本示例圖，圖3(a)為亞洲人臉年齡數(shù)據(jù)集中不同年齡的女性圖像示例，圖3(b)為亞洲人 臉年齡數(shù)據(jù)集中不同年齡的男性圖像示例。
[0042]本發(fā)明首次建立了大規(guī)模亞洲人臉年齡數(shù)據(jù)集，與現(xiàn)有的數(shù)據(jù)庫相比，包含了 16 萬張亞洲人臉圖像，是目前為止，最大的公開年齡數(shù)據(jù)集，解決了大規(guī)模年齡數(shù)據(jù)集的缺乏 使得年齡估計問題無法取得更大進(jìn)展的屏障。同時，不同于現(xiàn)有數(shù)據(jù)庫大多分布在非洲和 歐洲人種上，亞洲人臉年齡數(shù)據(jù)集中的大部分人臉圖像為亞洲人種，解決了以前的年齡估 計方法在亞洲面孔上的性能是未知的困境。
[0043] 實施例3
[0044]基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法同實施例1-2,其中步驟(2) 所述建立用于二分類的訓(xùn)練數(shù)據(jù)包括如下步驟：
[0045] (2a)把年齡估計轉(zhuǎn)化為年齡排序用一系列的二分類器處理，對亞洲人臉年齡數(shù)據(jù) 集圖像的每一個二分類器構(gòu)建相應(yīng)的訓(xùn)練數(shù)據(jù)，給定有序的訓(xùn)練數(shù)據(jù)，其中，Xl ex為第i幅圖像的輸入空間，yiG γ ={ri，r2, . . .，rd為有序序列的輸出空間，γκ>γκ-ι>~ >η，Κ為等級總數(shù)，符號 > 表示不同等級之間的排序，Ν為訓(xùn)練數(shù)據(jù)的總數(shù)。
[0046] (2b)對于第k個二分類器，其二分類類標(biāo)e{0,l丨表示第i個樣本的序標(biāo)號71是否 比:Tk大，定義如下：
[0047]
[0048] 當(dāng)于y ，二分類類標(biāo)yf為1，否則為0，便于以后對年齡進(jìn)行排序。
[0049] (2c)-個具體的訓(xùn)練數(shù)據(jù)構(gòu)造為Dk = ，其中yfe{0,l]·是一個二分類 類標(biāo)，wf是第i個樣本的權(quán)重，wf采用絕對代價矩陣取值為wf = e ?
[0050] 本發(fā)明采用有序回歸的方法對年齡標(biāo)簽之間的相對順序進(jìn)行排序，而不是單純對 人臉圖像的年齡確切值進(jìn)行估計，解決了老化模式形成隨機(jī)過程的非平穩(wěn)性。根據(jù)年齡標(biāo) 簽的序列關(guān)系，將年齡估計問題看作有序回歸問題，把有序回歸問題轉(zhuǎn)化為一系列的二分 類子問題，克服了回歸問題在訓(xùn)練過程中的過擬合現(xiàn)象。
[0051 ] 實施例4
[0052]基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法同實施例1-3,步驟(3)所述 訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)包括有如下步驟：
[0053] (3a)定義多輸出深度卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)Em寫為：
[0054] · i~l ?-ι
[0055] 其中，Ν為輸入訓(xùn)練樣本數(shù)目，Τ為輸出數(shù)目，At表示第t個輸出的重要性系數(shù)，1 {·}為布爾測試，內(nèi)部條件為真則其為1，否則為〇，<表示第i個圖像的第t個輸出， 乂&{0,1}表示第i幅圖像的第t個子問題對應(yīng)類標(biāo)，w;第i幅圖像的第t個輸出的權(quán)重， Xlex 表示第i幅圖像的輸入，Wt為第t個輸出的權(quán)重。
[0056] (3b)對損失函數(shù)進(jìn)行優(yōu)化，對于多輸出深度卷積神經(jīng)網(wǎng)絡(luò)的第t個輸出，從L-1層 第j個神經(jīng)元到L層第k個神經(jīng)元權(quán)重的梯度計算如下：
[0057；
[0058]
[0059] 其中，Em是卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，o(j)是L-1層第j個神經(jīng)元的輸出，是 輸出層第k個神經(jīng)元的誤差。
[0000] (3c)從L-2層第i個神經(jīng)元到L-1層第j個神經(jīng)元權(quán)重的梯度計算如下：
[0061]
[0062]
[0063]其中，o(i)是L-2層第i個神經(jīng)元的輸出，SL-Kj)是L-1層第j個神經(jīng)元的誤差。
[0064] (3d)反復(fù)執(zhí)行步驟（3b)_(3c)，直至多輸出深度卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)Em取得 最小值。
[0065] (3f)輸出損失函數(shù)Em取得最小值時的最優(yōu)權(quán)重參數(shù)f，使得每一個輸出都是二分 類器的一個二分類類標(biāo)。
[0066] 多輸出卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參見圖4,多輸出深度卷積神經(jīng)網(wǎng)絡(luò)包含3層卷積層，3層 局部歸一化層和2層最大值池化層，之后是80個神經(jīng)元組成的全連接層。所有的輸出共享相 同的中間層。
[0067] 本發(fā)明通過采用深度神經(jīng)網(wǎng)絡(luò)的方法，避免了人工選取特征所帶來的誤差。同時， 深度神經(jīng)網(wǎng)絡(luò)方法的使用，將特征提取與回歸或多分類兩個階段融合了起來，使得優(yōu)化函 數(shù)在全過程上取得最優(yōu)解。
[0068] 實施例5
[0069] 基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法同實施例1-4,步驟(4)所述 將測試樣本輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中包括有如下步驟：
[0070] (4a)從亞洲人臉年齡數(shù)據(jù)集中選擇一張不帶年齡標(biāo)簽的人臉圖像作為測試樣本， 測試圖像數(shù)據(jù)為V ;
[0071] (4b)將測試圖像輸入訓(xùn)練好的多輸出深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行多層的卷積、池化操 作，其中使用到的權(quán)重參數(shù)^為步驟(3f)得到的最優(yōu)參數(shù)。
[0072] 將測試圖像直接輸入訓(xùn)練好的多輸出深度卷積神經(jīng)網(wǎng)絡(luò)，其中使用到的權(quán)重參數(shù) 都來自訓(xùn)練過程，因此本發(fā)明得到的特征將最契合年齡估計這一應(yīng)用。
[0073] 實施例6
[0074] 基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法同實施例1-5,步驟(5)所述 得到測試樣本的年齡估計包括有如下步驟：
[0075] (5a)得到測試圖像數(shù)據(jù)Y的多個輸出&&/)^{〇，1}氺=1，2，-_，1(-1，在本發(fā)明 中設(shè)置最小的年齡數(shù)是1，年齡取值原則上都為整數(shù)，輸出fkUO為第k個分類器的二分類 類標(biāo)。
[0076] (5b)由多個二分類類標(biāo)，根據(jù)下面的公式預(yù)測訓(xùn)練數(shù)據(jù)V的等級)
[0077] h(x7 ) =rq
[0078] 其中
[0079] (5c)輸出測試圖像的估計年齡，測試圖像的估計年齡是等級MY hhU')是1， 2,…，K-1其中的一個。
[0080] 本發(fā)明采用以上方案，解決了現(xiàn)有的年齡數(shù)據(jù)庫數(shù)據(jù)量小不適用于訓(xùn)練深度學(xué)習(xí) 模型且人種分布不均衡的問題。本發(fā)明使用多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸技術(shù)也解決了 現(xiàn)有的年齡估計問題存在的很多不足，提高了年齡估計的準(zhǔn)確率。
[0081 ] 實施例7
[0082]基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法同實施例1-6,下面在給出 一個例子進(jìn)一步說明本發(fā)明的實現(xiàn)和技術(shù)優(yōu)勢：
[0083]步驟1，建立亞洲人臉年齡數(shù)據(jù)集(AFAD)
[0084] 本發(fā)明采用MORPH II人臉圖像數(shù)據(jù)集和AFAD數(shù)據(jù)庫，其中，MORPH II包含55,608 幅人臉圖像，其中42,589幅為非洲人臉圖像(77% )，10，559為歐洲人臉圖像（19% )，1，769 為西班牙裔美國人人臉圖像(3%)，只有154幅亞洲人臉圖像(0.2%)，年齡跨度從16歲到77 歲，年齡中位數(shù)為33，每個人的平均圖像張數(shù)為4; AFAD包含164，432張有年齡標(biāo)簽的人臉圖 片，分為63,680張女性圖片和100,752張男性圖片，年齡范圍從15歲到40歲。亞洲人臉年齡 數(shù)據(jù)集的建立過程參見圖2，步驟如下：
[0085] (la)通過在特定的社交網(wǎng)絡(luò)人人網(wǎng)上收集人臉圖像建立這個數(shù)據(jù)集，人人網(wǎng)是一 個社交網(wǎng)絡(luò)，學(xué)生在上面可以與他人建立聯(lián)系，上傳照片，發(fā)表評論等等，在包括中學(xué)生、高 中生、本科生和研究生在內(nèi)的許多亞洲學(xué)生中有著廣泛的應(yīng)用。即使在畢業(yè)之后，有些人仍 舊登錄他們的人人網(wǎng)賬號來與老同學(xué)進(jìn)行聯(lián)系。因此，人人網(wǎng)用戶的年齡跨越了從15歲到 超過40歲一個很長的范圍，這有利于建立一個廣泛年齡跨度的數(shù)據(jù)集。人人網(wǎng)上有一個特 殊的相冊頭像相冊用于每一個用戶上傳自己的照片，所以亞洲人臉年齡數(shù)據(jù)集中的圖像來 自人人網(wǎng)上用戶的頭像相冊。
[0086] (lb)用戶在人人網(wǎng)上創(chuàng)建一個賬戶時，需要提供出生日期和性別等信息。通過用 戶頭像相冊中圖片的上傳日期與該用戶所提供的出生日期得到該張圖像的年齡，以此年齡 作為標(biāo)簽。通過該用戶所提供的性別信息作為性別標(biāo)簽。
[0087] (lc)通過OpenCV對所得到的所有圖像進(jìn)行人臉識別和剪裁，刪除不含人臉的圖像 如物品甚至標(biāo)志物圖像和人臉圖像中的背景如人的全身照，得到人臉圖像。
[0088] (Id)利用人工手動濾除卡通頭像、觀測年齡明顯與年齡標(biāo)簽不符的圖像、觀測性 別明顯與性別標(biāo)簽不符的圖像等噪聲數(shù)據(jù)。最后，一共收集了 164,432張有年齡標(biāo)簽的人臉 圖像，其中包含63,680張女性人臉圖像和100,752張男性人臉圖像，年齡范圍從15到40歲， 以此作為亞洲人臉年齡數(shù)據(jù)集。
[0089]參見圖3,為亞洲人臉年齡數(shù)據(jù)集部分樣本示例圖，圖3(a)為亞洲人臉年齡數(shù)據(jù)集 中不同年齡的女性圖像示例，圖3(b)為亞洲人臉年齡數(shù)據(jù)集中不同年齡的男性圖像示例。 [0090]步驟2,建立用于二分類的訓(xùn)練數(shù)據(jù)
[0091] (2a)把年齡估計轉(zhuǎn)化為年齡排序用一系列的二分類器處理，對亞洲人臉年齡數(shù)據(jù) 集圖像的每一個二分類器構(gòu)建相應(yīng)的訓(xùn)練數(shù)據(jù)，給定有序的訓(xùn)練數(shù)據(jù)Din}：!,，其中， xiex為第i幅圖像的輸入空間，yie γ = {ri，r2,. . .，rd為有序序列的輸出空間，γκ>γκ-ι > ...>n，K為等級總數(shù)，符號〉表示不同等級之間的排序，N為訓(xùn)練數(shù)據(jù)的總數(shù)。
[0092] (2b)對于第k個二分類器，其二分類類標(biāo)yf e_!0,U表示第i個樣本的序標(biāo)號71是否 比:Tk大，定義如下：
[0093]
[0094] 本發(fā)明定義了二分類器的類標(biāo)，當(dāng)于yi>r時，二分類類標(biāo)為1，否則為0,便于以后 對年齡進(jìn)行排序。
[0095] (2c)-個具體的訓(xùn)練數(shù)據(jù)構(gòu)造為沒={Xi，yf ，其中yf e {0,1)是一個二分類 類標(biāo)，wf是第i個樣本的權(quán)重，wf采用絕對代價矩陣取值力~
[0096] 步驟3，訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)
[0097] 多輸出深度卷積神經(jīng)網(wǎng)絡(luò)有一個多輸出結(jié)構(gòu)，每一個輸出對應(yīng)一個二分類器。這 些二分類器在深度卷積神經(jīng)網(wǎng)絡(luò)中聯(lián)合訓(xùn)練。具體步驟如下：
[0098] (3a)定義多輸出深度卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)Em寫為：
[0099]
[0100] 其中，N為輸入訓(xùn)練樣本數(shù)目，T為輸出數(shù)目，At表示第t個輸出的重要性系數(shù)，1 {·}為布爾測試，內(nèi)部條件為真則其為1，否則為〇，<表示第i個圖像的第t個輸出， 允表示第i幅圖像的第t個子問題對應(yīng)類標(biāo)，w;第i幅圖像的第t個輸出的權(quán)重， Xlex 表示第i幅圖像的輸入，Wt為第t個輸出的權(quán)重。
[0101] (3b)對損失函數(shù)進(jìn)行優(yōu)化，對于多輸出深度卷積神經(jīng)網(wǎng)絡(luò)的第t個輸出，從L-1層 第j個神經(jīng)元到L層第k個神經(jīng)元權(quán)重的梯度計算如下：
[0102]
[0103]
[0104] 其中，Em是卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，o(j)是L-1層第j個神經(jīng)元的輸出，涔(兮是 輸出層第k個神經(jīng)元的誤差。
[0105] (3c)從L-2層第i個神經(jīng)元到L-1層第j個神經(jīng)元權(quán)重的梯度計算如下：
[0106]
[0107]
[0108]其中，〇(i)是L-2層第i個神經(jīng)元的輸出，SL-Kj)是L-1層第j個神經(jīng)元的誤差。
[0109] (3d)反復(fù)執(zhí)行步驟（3b)_(3c)，直至多輸出深度卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)Em取得 最小值。
[011 0] (3f)輸出損失函數(shù)Em取得最小值時的最優(yōu)權(quán)重參數(shù)f，使得每一個輸出都是二分 類器的一個二分類類標(biāo)。
[0111] 利用步驟3所建立多輸出深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參見圖4,網(wǎng)絡(luò)包含3層卷積，3層 局部歸一化層和2層最大值池化層，之后是80個神經(jīng)元組成的全連接層。所有的輸出共享相 同的中間層。
[0112] 步驟4,將測試樣本輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)
[0113] (4a)從亞洲人臉年齡數(shù)據(jù)集中選擇一張不帶年齡標(biāo)簽的人臉圖像作為測試樣本， 測試圖像數(shù)據(jù)為V。
[0114] (4b)將測試圖像輸入訓(xùn)練好的多輸出深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行多層的卷積、池化等 操作，其中使用到的權(quán)重參數(shù)^為步驟(3f)得到的最優(yōu)參數(shù)。
[0115] 步驟5,得到測試樣本的年齡估計
[0116] (5a)得到測試圖像數(shù)據(jù)V的多個輸出€1{&/)￡{〇，1}氺=1，2，-_，1(-1，其中1(為年 齡等級數(shù)，輸出fUV )為第k個分類器的二分類類標(biāo)。
[0117] (5b)由多個二分類類標(biāo)根據(jù)下面的公式預(yù)測訓(xùn)練數(shù)據(jù)V的等級MV)
[0118] h(x7 ) =rq
[0119] 其中
[0120] (5c)輸出測試圖像的估計年齡，測試圖像的估計年齡是等級MV)。
[0121] 本發(fā)明的效果可以通過以下仿真實驗進(jìn)一步的說明：
[0122] 實施例8
[0123] 基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法同實施例1-7，
[0124] 1.仿真條件
[0125] 本發(fā)明是在中央處理器為Intel(R)Core i3-530 2.93GHZ、內(nèi)存4G、WIND0WS 7操 作系統(tǒng)上，運用MATLAB軟件進(jìn)行的仿真，發(fā)明在Caffe上實現(xiàn)。
[0126] 2.仿真內(nèi)容
[0127] 本發(fā)明在MORPH II人臉圖像數(shù)據(jù)集和AFAD數(shù)據(jù)庫上進(jìn)行基于人臉圖像的年齡估 計仿真實驗。
[0128] 本發(fā)明以平均絕對誤差和累計指數(shù)為指標(biāo)對方法性能進(jìn)行評測，仿真對比了不同 圖像識別方法對圖像進(jìn)行年齡估計的準(zhǔn)確率。對比的多種年齡估計方法包括生物啟發(fā)式特 征+線性支持向量機(jī)回歸器、生物啟發(fā)式特征+典型相關(guān)分析、深度卷積神經(jīng)網(wǎng)絡(luò)+線性支持 向量機(jī)回歸器。本發(fā)明在同樣的條件下與兩個經(jīng)典的有序回歸相比較，平均絕對誤差的對 比實驗結(jié)果如表1所示。累計指數(shù)的對比實驗結(jié)果見圖5。
[0129] 表1.不同方法下年齡估計的準(zhǔn)確率
[0130]
[0131] 由表1可見，一般來說有序回歸優(yōu)于度量回歸；更重要的是，本發(fā)明在有序回歸的 基礎(chǔ)上又增加了深度學(xué)習(xí)，或者說本發(fā)明將有序回歸和深度學(xué)習(xí)方法結(jié)合，顯著地提升了 年齡預(yù)測性能的準(zhǔn)確度。與度量回歸4-5的平均絕對誤差相比，發(fā)明將平均絕對誤差分別降 到了3.27歲和3.34歲，年齡估計的準(zhǔn)確率提高了 1歲左右。
[0132] 對于累積指數(shù)，本發(fā)明方法在MORPH II和AFAD數(shù)據(jù)集上也取得了最好的性能，參 見圖5，當(dāng)年齡誤差在2-12歲時，本發(fā)明方法的準(zhǔn)確率遠(yuǎn)高于之前的方法。
[0133] 綜上所述，本發(fā)明的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法，其實 現(xiàn)是：1.建立亞洲人臉年齡數(shù)據(jù)集(AFAD); 2.建立用于二分類的訓(xùn)練數(shù)據(jù);3.訓(xùn)練深度卷積 神經(jīng)網(wǎng)絡(luò);4.將測試樣本輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò);5.得到測試樣本的年齡估計。本發(fā) 明提出了一種對年齡進(jìn)行排序的方法，將有序回歸和深度學(xué)習(xí)方法結(jié)合，顯著地提升了年 齡預(yù)測性能的準(zhǔn)確度。本發(fā)明解決了現(xiàn)有年齡估計方法中特征學(xué)習(xí)和回歸建模是獨立處理 與優(yōu)化的不足，能充分利用年齡標(biāo)簽的序列關(guān)系將年齡估計有序回歸，提高了年齡估計準(zhǔn) 確率，還為亞洲人臉的年齡估計建立了一個大規(guī)模數(shù)據(jù)庫，為人臉年齡估計研究提供了數(shù) 據(jù)庫基礎(chǔ)。本發(fā)明能廣泛用于對人臉圖像的年齡估計。
【主權(quán)項】
1. 一種基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法，其特征在于，包括有如 下步驟： (1) 建立亞洲人臉年齡數(shù)據(jù)集，其中包含了 16萬張亞洲人臉圖像，每一張人臉圖像都有 年齡標(biāo)簽； (2) 建立用于二分類的訓(xùn)練數(shù)據(jù)，輸入亞洲人臉年齡數(shù)據(jù)集中帶年齡標(biāo)簽的人臉圖像 集，根據(jù)人臉圖像的年齡標(biāo)簽生成一系列的二分類類標(biāo)，得到包含人臉圖像、二分類類標(biāo)和 權(quán)重的訓(xùn)練數(shù)據(jù)； (3) 訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)訓(xùn)練數(shù)據(jù)，訓(xùn)練多輸出深度卷積神經(jīng)網(wǎng)絡(luò)，使得每一 個輸出都是二分類器的一個二分類類標(biāo)； (4) 將測試樣本輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，將一張亞洲人臉年齡數(shù)據(jù)集中的不 帶年齡標(biāo)簽的人臉圖像作為測試樣本，將測試樣本輸入訓(xùn)練好的多輸出深度卷積神經(jīng)網(wǎng) 絡(luò)，進(jìn)行多層的卷積、池化操作； (5) 得到測試樣本的年齡估計，得到多輸出深度卷積神經(jīng)網(wǎng)絡(luò)的輸出，每一個輸出都是 二分類器的一個二分類類標(biāo)，對所有輸出類標(biāo)進(jìn)行等級排序，得到測試樣本的年齡估計。2. 根據(jù)權(quán)利要求1所述的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法，其特 征在于，步驟(1)所述建立亞洲人臉年齡數(shù)據(jù)集包括有如下步驟： (la) 通過在特定的社交網(wǎng)絡(luò)人人網(wǎng)上收集人臉圖像建立運個數(shù)據(jù)集，圖像來自人人網(wǎng) 上用戶的頭像相冊； (lb) 通過用戶頭像相冊中圖像的上傳日期與該用戶所提供的出生日期得到該張圖像 的年齡，W此年齡作為標(biāo)簽； (lc) 通過化enCV對所得到的所有圖像進(jìn)行人臉識別和剪裁，刪除不含人臉的圖像，得 到人臉圖像； (ld) 利用人工手動濾除卡通頭像、明顯與年齡不符圖像等噪聲數(shù)據(jù)，得到亞洲人臉年 齡數(shù)據(jù)集。3. 根據(jù)權(quán)利要求1所述的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法，其特 征在于，步驟(2)所述建立用于二分類的訓(xùn)練數(shù)據(jù)包括如下步驟： (2a)把年齡估計轉(zhuǎn)化為年齡排序用一系列的二分類器處理，對亞洲人臉年齡數(shù)據(jù)集圖 像的每一個二分類器構(gòu)建相應(yīng)的訓(xùn)練數(shù)據(jù)，給定有序的訓(xùn)練數(shù)據(jù)D=K，yi沿，其中，xiex 為第i幅圖像在輸入空間的，yie 丫 ={τι，η，...，Γκ}為有序序列的輸出空間，rK>rii-i>... >ri，K為等級總數(shù)，符號 > 表示不同等級之間的排序，N為訓(xùn)練數(shù)據(jù)的總數(shù)； (2b)對于第k個二分類器，其二分類類標(biāo)yl^ €.化I!表示第i個樣本的序標(biāo)號yi是否比rk 大，定義如下：當(dāng)于yi〉rk時，二分類類標(biāo)yf為1，否則為0; (扣)一個具體的第k個二分類器的訓(xùn)練數(shù)據(jù)構(gòu)造為Dk = {Xi，yf，wf培l(xiāng)，其中yfe?O，l)是 一個二分類類標(biāo)，wf是第i個樣本的權(quán)重，>叫采用絕對代價矩陣取值為V(/，k)，wf = C。4. 根據(jù)權(quán)利要求1所述的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法，其特 征在于，步驟(3)所述訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)包括有如下步驟： (3a)定義多輸出深度卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)Em寫為：其中，N為輸入訓(xùn)練樣本數(shù)目，T為輸出數(shù)目，表示第t個輸出的重要性系數(shù)，1{ ·}為布 爾測試，內(nèi)部條件為真則其為1，否則為0,卻表示第i個圖像的第t個輸出，j,'e訴，η表示第i 幅圖像的第t個子問題對應(yīng)類標(biāo)，的第i幅圖像的第t個輸出的權(quán)重，xiex表示第i幅圖像的 輸入，Wt為第t個輸出的權(quán)重； (3b)對損失函數(shù)進(jìn)行優(yōu)化，對于多輸出深度卷積神經(jīng)網(wǎng)絡(luò)的第t個輸出，從層第j個 神經(jīng)元到L層第k個神經(jīng)元權(quán)重的梯度計算如下：其中，Em是卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，〇〇)是心1層第j個神經(jīng)元的輸出，巧（y是輸出層 第k個神經(jīng)元的誤差； (3〇)從心2層第i個神經(jīng)元到層第j個神經(jīng)元權(quán)重的梯度計算如下：其中，〇。）是心2層第i個神經(jīng)元的輸出，5^〇)是心1層第j個神經(jīng)元的誤差； (3d)反復(fù)執(zhí)行步驟（3b)-(3c)，直至多輸出深度卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)Em取得最小 值； (3f)輸出損失函數(shù)Em取得最小值時的最優(yōu)權(quán)重參數(shù)WS使得每一個輸出都是二分類器 的一個二分類類標(biāo)。5. 根據(jù)權(quán)利要求1所述的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法，其特 征在于，步驟(4)所述將測試樣本輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中包括有如下步驟： (4a)從亞洲人臉年齡數(shù)據(jù)集中選擇一張不帶年齡標(biāo)簽的人臉圖像作為測試樣本，測試 樣本數(shù)據(jù)為χ/ ; (4b)將測試圖像輸入訓(xùn)練好的多輸出深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行多層的卷積、池化操作， 其中使用到的權(quán)重參數(shù)Wt為步驟(3f)得到的最優(yōu)參數(shù)。6. 根據(jù)權(quán)利要求1所述的基于多輸出卷積神經(jīng)網(wǎng)絡(luò)和有序回歸的年齡估計方法，其特 征在于，步驟(5)所述得到測試樣本的年齡估計包括有如下步驟： (5a)得到測試圖像數(shù)據(jù)χ/的多個輸出fk(χ/ ) E {0，U，k = 1，2，…，K-1，其中K為年齡等 級數(shù)，輸出fk(x/ )為第k個分類器的二分類類標(biāo)； 巧b)由多個二分類類標(biāo)·(乂片於:，根據(jù)下面的公式預(yù)測訓(xùn)練數(shù)據(jù)X'的等級h(x')巧C)輸出測試圖像的估計年齡，測試圖像的估計年齡是等級Κχ/)。
【文檔編號】G06K9/00GK105975916SQ201610273524
【公開日】2016年9月28日
【申請日】2016年4月28日
【發(fā)明人】牛振興, 魏雪, 周默, 袁博, 高新波, 華剛
【申請人】西安電子科技大學(xué)