發(fā)布時(shí)間：2018-03-22 13:17

  本文選題：深度學(xué)習(xí)　切入點(diǎn)：年齡估計(jì)　出處：《華僑大學(xué)》2017年碩士論文　論文類(lèi)型：學(xué)位論文

【摘要】：人臉年齡估計(jì)已經(jīng)成為機(jī)器視覺(jué)領(lǐng)域的一個(gè)研究熱點(diǎn)。國(guó)內(nèi)外許多學(xué)者都對(duì)其進(jìn)行大量的研究,但是由于年齡變化是一個(gè)極其復(fù)雜的過(guò)程,它受到生活環(huán)境、基因遺傳等因素影響。通過(guò)人臉圖像來(lái)預(yù)測(cè)年齡值依然是一個(gè)非常具有挑戰(zhàn)的課題。研究人臉年齡估計(jì)可分為年齡特征的提取和年齡的估計(jì)。根據(jù)目前的研究狀況,本文從提取描述能力更強(qiáng)的年齡特征和使用回歸模型來(lái)預(yù)測(cè)年齡值上進(jìn)行深入研究。全文的主要工作概括如下:1)提出一個(gè)新的特征學(xué)習(xí)方法,稱(chēng)為PCANet特征學(xué)習(xí)模型。PCANet是一種簡(jiǎn)單的深度學(xué)習(xí)模型,它通過(guò)PCA算法學(xué)習(xí)出卷積層的卷積核,然后使用該模型提取人臉圖像的年齡特征。深度學(xué)習(xí)結(jié)構(gòu)已經(jīng)被證明具有非常出色的學(xué)習(xí)能力,它能夠捕捉到人臉年齡外貌形態(tài)變化的特征和學(xué)習(xí)到具有強(qiáng)大描述能力的年齡特征。因此,PCANet特征學(xué)習(xí)模型可以在人臉圖像年齡估計(jì)上取得更好的結(jié)果。2)提出一種多層深度學(xué)習(xí)PCA網(wǎng)絡(luò)模型特征的表達(dá)方法。深度網(wǎng)絡(luò)是以逐層的方式進(jìn)行特征表示,網(wǎng)絡(luò)的低層能夠?qū)W習(xí)到邊緣特征,高層能夠?qū)W習(xí)到抽象特征。所以多層PCA網(wǎng)絡(luò)模型特征的表達(dá)是融合底層特征和高層特征作為最終的年齡特征值,并且利用高低層特征的表達(dá)能力來(lái)提取到更加豐富的年齡特征信息。3)提出一種深度遷移訓(xùn)練模型的年齡估計(jì)方法。針對(duì)深度學(xué)習(xí)模型在小數(shù)據(jù)集條件下訓(xùn)練可能會(huì)產(chǎn)生過(guò)擬合現(xiàn)象而提出,它能有效的解決過(guò)擬合問(wèn)題。該方法是先用ImageNet圖像集預(yù)訓(xùn)練網(wǎng)絡(luò)模型,再將學(xué)習(xí)ImageNet圖像集得到的權(quán)重作為網(wǎng)絡(luò)的初始權(quán)重。然后再用表觀人臉年齡數(shù)據(jù)集微調(diào)該通用網(wǎng)絡(luò)模型使其具備學(xué)習(xí)年齡特征的能力,從而提高人臉年齡預(yù)測(cè)的效果。
[Abstract]:Face age estimation has become a research hotspot in the field of machine vision. Many scholars at home and abroad have done a lot of research on it, but because age change is an extremely complex process, it is subjected to living environment. It is still a challenging task to predict age value by face image. The study of face age estimation can be divided into age feature extraction and age estimation. In this paper, a new feature learning method is proposed by extracting more descriptive age characteristics and using regression model to predict the age value. The main work of this paper is summarized as follows: 1). Called PCANet feature learning model. PCANet is a simple depth learning model. It uses PCA algorithm to learn the convolution kernel of convolution layer. Then the model is used to extract the age characteristics of the face image. The depth learning structure has been proved to have excellent learning ability. It can capture the feature of facial age appearance change and learn the age feature with strong descriptive ability. Therefore, PCANet feature learning model can obtain better results in age estimation of face image. 2) A new method is proposed. The method of expressing the features of multi-layer depth learning PCA network model. The lower level of the network can learn the edge feature, the higher level can learn the abstract feature, so the expression of the multi-layer PCA network model features is the fusion of the bottom feature and the high-level feature as the final age characteristic value. And using the expression ability of high and low level features to extract more abundant age feature information. 3) A method of estimating the age of depth transfer training model is proposed. The training possibility of depth learning model under the condition of small data set is discussed. It is proposed that the phenomenon of over-fitting will occur. It can effectively solve the problem of over-fitting. This method uses ImageNet image set to pretrain the network model. Then the weight obtained from the learning ImageNet image set is taken as the initial weight of the network, and then the apparent face age data set is used to fine-tune the general network model so that it has the ability to learn the age characteristics, thus improving the effect of face age prediction.
【學(xué)位授予單位】：華僑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 范勝浩,張躍標(biāo),盧東江;利用計(jì)算機(jī)處理錄像帶圖像[J];廣東公安科技;2001年02期

2 丁曉蓮;周激流;李曉華;吳朋;;人臉識(shí)別率與圖像分辨率關(guān)系的比較分析[J];計(jì)算機(jī)工程;2009年11期

3 賈麗娟;;關(guān)于圖像分辨率的教學(xué)思考[J];印刷世界;2011年05期

4 張秀屏，劉錫國(guó)，，叢玉良;提高彩電圖像分辨率的研討[J];光學(xué)精密工程;1994年02期

5 周中華;如何使拷屏圖像更清楚[J];桌面出版與設(shè)計(jì);1999年04期

6 林阿嵐;;如何取得完美圖像[J];電子測(cè)試;2001年08期

7 宋其華;郭根生;;解析計(jì)算機(jī)圖像分辨率[J];中國(guó)電化教育;2003年11期

8 馮金菊;;淺談分辨率[J];才智;2008年22期

9 江靜;蔡鶴;;小議分辨率與輸出圖像的關(guān)系[J];科教文匯(上旬刊);2008年03期

10 李春雨;李衛(wèi)平;;篡改圖像的識(shí)別技術(shù)研究與仿真[J];計(jì)算機(jī)仿真;2011年11期

相關(guān)會(huì)議論文 前10條

1 王江寧;紀(jì)力強(qiáng);;昆蟲(chóng)圖像特征研究[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

2 楊德強(qiáng);蘇光大;徐天偉;;一種基于幻想臉的人臉圖像分辨率提升新技術(shù)[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

3 張莉;李佩臻;;用Photoshop對(duì)1：1萬(wàn)DRG入庫(kù)數(shù)據(jù)的處理[A];全國(guó)測(cè)繪科技信息網(wǎng)中南分網(wǎng)第二十一次學(xué)術(shù)信息交流會(huì)論文集[C];2007年

4 任曉暉;龔勇清;;體全息存儲(chǔ)再現(xiàn)圖像分辨率實(shí)驗(yàn)研究[A];第十一屆全國(guó)光學(xué)測(cè)試學(xué)術(shù)討論會(huì)論文（摘要集）[C];2006年

5 廖熠;趙榮椿;;一種基于小波分層模型的自然景物圖像表面恢復(fù)算法[A];第十屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2001）論文集[C];2001年

6 劉達(dá);李樞平;;對(duì)DCI數(shù)字影院技術(shù)規(guī)范中圖像分級(jí)技術(shù)的理解[A];中國(guó)電影電視技術(shù)學(xué)會(huì)影視技術(shù)文集[C];2007年

7 湯敏;王惠南;;基于IDL語(yǔ)言的醫(yī)學(xué)圖像可視化初步研究[A];第十二屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2005年

8 趙源萌;鄧朝;張馨;張存林;;被動(dòng)式人體太赫茲安檢成像的分辨率增強(qiáng)算法研究[A];中國(guó)光學(xué)學(xué)會(huì)2011年學(xué)術(shù)大會(huì)摘要集[C];2011年

9 張尚軍;徐光;祁小江;;影響CR膠片質(zhì)量原因的探討[A];2009中華醫(yī)學(xué)會(huì)影像技術(shù)分會(huì)第十七次全國(guó)學(xué)術(shù)大會(huì)論文集[C];2009年

10 何東曉;隋守鑫;劉微;;高清透霧攝像機(jī)的研發(fā)及在交通領(lǐng)域的應(yīng)用[A];第八屆中國(guó)智能交通年會(huì)優(yōu)秀論文集——智能交通與安全[C];2013年

相關(guān)重要報(bào)紙文章 前10條

1 劉筱霞;陳永常;PHOTOSHOP中圖像分辨率的設(shè)置[N];中國(guó)包裝報(bào);2002年

2 王樹(shù)連;從購(gòu)買(mǎi)圖像到租用衛(wèi)星[N];中國(guó)測(cè)繪報(bào);2003年

3 楊興平;如何抓取指定分辨率的圖像[N];中國(guó)電腦教育報(bào);2003年

4 李鑫;飛利浦200BW8商務(wù)人士明智新寵[N];電子資訊時(shí)報(bào);2007年

5 記者 曾遺榮邋通訊員 冷承秋 實(shí)習(xí)生 向哲林;美國(guó)一高科技公司將落戶(hù)武漢[N];湖北日?qǐng)?bào);2007年

6 唐鳳碧;正確運(yùn)用數(shù)碼相機(jī)分辨率[N];中國(guó)攝影報(bào);2007年

7 ;創(chuàng)維TWH-43L（DLP）光顯背投圖像不良的檢修[N];電子報(bào);2008年

8 WLF;細(xì)說(shuō)分辨率[N];電腦報(bào);2003年

9 宏杉;感受專(zhuān)業(yè)動(dòng)力[N];中國(guó)計(jì)算機(jī)報(bào);2001年

10 宋連黨;家庭VCD像冊(cè)大制作[N];中國(guó)電腦教育報(bào);2003年

相關(guān)博士學(xué)位論文 前10條

1 吳輝群;慢性病信息管理系統(tǒng)中視網(wǎng)膜圖像的互操作性及其血管網(wǎng)絡(luò)定量分析研究[D];復(fù)旦大學(xué);2014年

2 田虎;單目圖像的深度估計(jì)[D];北京郵電大學(xué);2015年

3 唐玉芳;商品圖像分類(lèi)算法研究[D];北京郵電大學(xué);2015年

4 賈勇;建筑物透視探測(cè)關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2014年

5 黃仁杰;非可控條件下人臉識(shí)別中的若干問(wèn)題研究[D];電子科技大學(xué);2015年

6 萬(wàn)方;基于多幅圖像的三維結(jié)構(gòu)化場(chǎng)景重建技術(shù)研究[D];武漢大學(xué);2013年

7 馬鐘;視覺(jué)感知啟發(fā)的對(duì)象發(fā)現(xiàn)關(guān)鍵技術(shù)研究[D];西北工業(yè)大學(xué);2015年

8 張旭;面向局部特征和特征表達(dá)的圖像分類(lèi)算法研究[D];合肥工業(yè)大學(xué);2016年

9 潘曉;圖像中的超像素生成方法[D];山東大學(xué);2017年

10 黃侃;視覺(jué)顯著性檢測(cè)方法與應(yīng)用研究[D];中國(guó)科學(xué)院上海技術(shù)物理研究所;2017年

相關(guān)碩士學(xué)位論文 前10條

1 楊棟;面向CTA圖像的冠脈血管分割算法研究和血管狹窄度分析[D];浙江大學(xué);2015年

2 龔若皓;基于嵌入式移動(dòng)GPU的圖像編解碼并行優(yōu)化[D];西南交通大學(xué);2015年

3 曹福來(lái);發(fā)動(dòng)機(jī)燃油噴霧圖像篩選及處理方法的分析研究[D];長(zhǎng)安大學(xué);2015年

4 曹飛寒;高速高分辨率工業(yè)相機(jī)系統(tǒng)設(shè)計(jì)[D];蘇州大學(xué);2015年

5 夏桂林;航海視覺(jué)增強(qiáng)系統(tǒng)研究[D];大連海事大學(xué);2015年

6 劉靜;SAR圖像建筑物的三維信息提取算法的研究[D];天津理工大學(xué);2015年

7 王玉萍;基于OCT圖像的青光眼病變定量分析研究[D];南京理工大學(xué);2015年

8 劉瀟;自動(dòng)色彩均衡算法的優(yōu)化[D];華中師范大學(xué);2015年

9 宋慶歡;場(chǎng)景識(shí)別技術(shù)研究[D];中國(guó)科學(xué)院研究生院（光電技術(shù)研究所）;2015年

10 鹿曉龍;非均相液體制劑沉降自動(dòng)監(jiān)測(cè)方法及裝置的研究[D];上海應(yīng)用技術(shù)學(xué)院;2015年

本文編號(hào)：1648811