论文部分内容阅读
随着计算机对海量数据处理能力的提升,人脸识别技术得到了快速的提高,同时也成为众多研究人员研究的热门课题。人脸的性别和年龄无疑是人类身份识别的重要信息之一。并且人脸性别识别和年龄估计对于智能商业,人口普查,人口老龄化分析等众多领域有着很广泛的应用前景。因此,本文使用深度学习的方法对由志愿者使用智能手机拍摄上传的标记有性别和年龄段的Adience数据集进行了性别识别和年龄段估计的研究。本文主要完成的工作有:(1)数据预处理:采用MTCNN人脸检测方法检测到人脸区域,然后通过程序把检测到的人脸区域裁剪下来,又把模糊的图像利用彩色直方图均衡化进行增强。数据集进行预处理后,去除了复杂背景,保留了图片的有效的特征,减少了多余的特征有利于提高训练准确率。(2)构建识别模型:对性别和年龄段识别分别采用了卷积神经网络(CNN)和残差网络进行了训练,并对训练好的模型进行测试,结果表明性别CNN模型对性别识别准确率为88.70%,性别残差网络模型对于性别识别准确率为92.73%,;年龄CNN模型对年龄段估计准确率为71.34%,年龄残差网络模型对于年龄段估计准确率为78.29%。(3)系统设计与实现:在Python平台上设计了基于性别识别和年龄段估计的系统软件。该系统可以实现摄像头实时采集图片和手动输入图片,然后把获得图片传到MTCNN模块,通过MTCNN模块检测到人脸,再把检测到的人脸区域传送到已经训练好的性别识别和年龄段估计的模型中进行识别,最后界面显示出人脸图像的性别和年龄段进行输出。本文实验结果表明,在性别识别方面残差网络比CNN准确率提高4.03%:年龄段估计方面残差网比CNN准确率提高了6.95%。从而证明了与CNN相比,残差网络对于提高模型准确率是有效的。