王乾琛

（江西理工大學(xué) 電氣工程與自動化學(xué)院，江西 贛州 341000）

0 引 言

隨著人工智能的飛速發(fā)展以及機器視覺的出現(xiàn)，通過處理生活中出現(xiàn)的各種圖像，就能夠完成對生物的識別以及對各類數(shù)據(jù)的采集；結(jié)合機器視覺和機器學(xué)習(xí)，通過處理人臉圖片信息可以實現(xiàn)年齡的識別和預(yù)測。

由于機器學(xué)習(xí)存在誤差問題，無法細致地學(xué)習(xí)數(shù)據(jù)深層次的具體特征。在1976年由馬頓和薩爾喬首次提出深度學(xué)習(xí)一詞，他們指出深度學(xué)習(xí)就是學(xué)者對于學(xué)習(xí)資料要更加偏向于意向性的領(lǐng)悟，是通過模仿人類的視覺神經(jīng)網(wǎng)絡(luò)系統(tǒng)，分層次地逐步對數(shù)據(jù)信息進行理解和學(xué)習(xí)；通過學(xué)習(xí)數(shù)據(jù)各個層次的特征加深對數(shù)據(jù)本身內(nèi)容的理解，以便對于新的數(shù)據(jù)進行更為深入和全面的預(yù)測。

1987年由Alexander Waibel等提出了第一個卷積神經(jīng)網(wǎng)絡(luò)（TDNN），在之后的時間里卷積神經(jīng)網(wǎng)絡(luò)不斷地發(fā)展成為深度學(xué)習(xí)的代表性模型之一，它在提取和識別圖片特征方面有著顯著的優(yōu)勢，因此基于深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)模型來實現(xiàn)年齡的識別與預(yù)測是現(xiàn)在的主流研究方向[1]。人類年齡預(yù)測的實現(xiàn)帶來了很多的便利，它可以被應(yīng)用于各類的人機交互系統(tǒng)，使得對個人身份的識別更加有效快捷，隨之而來的年齡預(yù)測APP軟件也會受到很多女性群體的喜愛。

1 深度學(xué)習(xí)相關(guān)理論

1.1 深度學(xué)習(xí)及其應(yīng)用語言

深度學(xué)習(xí)作為機器學(xué)習(xí)的分支，是解決復(fù)雜問題的一個有效方法，它是通過人工神經(jīng)網(wǎng)絡(luò)的概念去完成給定的任務(wù)，而不是通過特定的規(guī)則去完成任務(wù)，所以不需要明確的編程，而正是這種模糊的控制卻可以準(zhǔn)確地完成任務(wù)，相較于傳統(tǒng)的機器學(xué)習(xí)優(yōu)勢更加突出[2]。

深度學(xué)習(xí)領(lǐng)域主要使用的是Python語言，它具有三大特點：具有高效的高級數(shù)據(jù)結(jié)構(gòu)，是面向?qū)ο蟮木幊蹋且环N解釋性語言。因此，Python語言有著很大的應(yīng)用范圍，它也因為有龐大的標(biāo)準(zhǔn)庫，適用于各種源碼，故也是深度學(xué)習(xí)所使用的最佳語言。

1.2 構(gòu)建深度學(xué)習(xí)基本模型的方法

構(gòu)建深度學(xué)習(xí)的基本模型一般分為以下五大步驟：（1）對于將要解決的問題進行抽象化的理解；（2）要著重挑選數(shù)據(jù)集，這里采用的數(shù)據(jù)集是開放數(shù)據(jù)集—飛漿AI studio中的名為archive（3）和train的兩個數(shù)據(jù)集，這兩個人臉年齡數(shù)據(jù)集較為小眾，但多數(shù)人口為亞洲人，并且不同年齡階段的人臉區(qū)分較為仔細和嚴格[3]；（3）對數(shù)據(jù)集的預(yù)處理和特征值的提??；（4）對于模型的訓(xùn)練；（5）對于模型的評估。

2 卷積神經(jīng)網(wǎng)絡(luò)算法

2.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）通常包含以下四層：卷積層、線性整流層、池化層和全連接層。其中卷積層是卷積神經(jīng)網(wǎng)絡(luò)最為核心的部分，它主要完成對圖像的特征提?。恢缶矸e層輸出結(jié)果，通過線性整流層進行非線性映射；池化層負責(zé)降采樣；最后全連接層將局部特征結(jié)合起來變成全局特征，用來計算每一類的得分，給出預(yù)測準(zhǔn)確率[4]。

本次實驗主要使用的卷積神經(jīng)網(wǎng)絡(luò)模型是由卷積層、最大池化層以及激活層相互協(xié)調(diào)配合實現(xiàn)的，具體結(jié)構(gòu)如圖1所示。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

首先輸入將要卷積的圖片對象，緊接著就進入輸入層，然后開始尺度變換和比例縮放。在完成這些準(zhǔn)備工作后就會進入卷積層，并加入激活函數(shù)；卷積結(jié)束后開始第一次池化，這里采用最大池化法，緊接著再進行一次卷積池化操作。通過反復(fù)的卷積、激活以及最大池化操作，能夠完成對圖片特征的真實、細致提取。之后通過Flatten層將多維輸入一維化并進入全連接層，再通過Softmax函數(shù)完成對提取特征信息的0-1概率生成，就會出現(xiàn)最終的年齡預(yù)測準(zhǔn)確率結(jié)果[5]。

2.2 卷積層與池化層功能

卷積神經(jīng)網(wǎng)絡(luò)（CNN）的核心在于卷積，卷積以不同的參數(shù)來描述不同的抽象程度，使之更接近于原始圖像的特征抽象，它的具體公式如公式（1）所示。

一般來說，CNN模型在卷積層完成任務(wù)后就會進入池化層，池化層即為降采樣，它會獲得一個區(qū)域內(nèi)的典型特征，這樣做的目的是為輸入進行抽象的描述，對特征進行降維，抽象的最大價值就是提取輸入的顯著特征而忽略細節(jié)特征[6]。對于池化層比較傳統(tǒng)的兩大池化法為最大值池化法和平均值池化法，其中最大值池化法的應(yīng)用較為普遍，它能夠有效地減小卷積層所帶來的均值偏差，比較適應(yīng)紋理特征；而平均池化法對于紋理、平滑和邊緣的特征容易丟失，但卻可以有效地避免噪聲[7]。

3 年齡預(yù)測實驗及結(jié)果分析

3.1 實驗所需環(huán)境及庫

Pycharm作為一款優(yōu)秀的集成開發(fā)環(huán)境（IDE），它具有代碼的自動補全功能，適宜新手學(xué)習(xí)和編寫Python語言。而提起Pycharm就必須提起它所配套使用的Anaconda，Anaconda是開源的Python發(fā)行版本，它包含了Python180多個科學(xué)包[8]。因此，Pycharm與Anaconda的結(jié)合給Python語言創(chuàng)造了一個良好的編譯環(huán)境。

本次實驗共需五大軟件包，分別為tensor flow、pyqt5、pillow、opencv-python以及 matplotlib，其中 pyqt5、pillow和opencv-python主要用于圖像處理以及圖形化界面的設(shè)計，matplotlib則是為了繪制圖表做準(zhǔn)備；而其中最為關(guān)鍵的就是tensor flow-gpu-2.3.0，它是一個強大的面向數(shù)據(jù)流的開源軟件庫，是許多深度學(xué)習(xí)框架中的一種，而深度學(xué)習(xí)框架是深度學(xué)習(xí)領(lǐng)域中一個非常大的庫，它的里面涵蓋了基礎(chǔ)的網(wǎng)絡(luò)，這樣就在很大程度上方便了程序的編寫，同時應(yīng)用顯卡來運行程序可以極大地提升程序的運行效率[9]。

3.2 實驗過程及效果

本次實驗過程主要分為四個步驟，首先是對人臉數(shù)據(jù)集進行劃分，將人臉數(shù)據(jù)集“1-3”“4-6”“7-9”“10-12”“13-15”“16-18”“19-25”“26-35”“36-45”“46-55”“56-70”“71-”共12個年齡階段，按照8：1：1比例分為訓(xùn)練集（train）、驗證集（validate）、測試集（test）三部分。其次是對年齡預(yù)測模型進行訓(xùn)練，其中主要是對CNN模型進行訓(xùn)練，使其驗證集成功率達到90%以上。對測試模型進行訓(xùn)練的同時生成熱力圖。最后是搭建年齡預(yù)測窗口，并產(chǎn)生效果圖，具體如圖2所示。

圖2 19～25歲人臉圖像預(yù)測效果

3.3 實驗結(jié)果分析

對于實驗結(jié)果，主要是看訓(xùn)練模型的準(zhǔn)確率以及其是否能寬泛地應(yīng)用于一切人臉圖像的識別。訓(xùn)練模型的準(zhǔn)確率主要經(jīng)歷了三個階段，分別為CNN驗證集準(zhǔn)確率從20%到55%再到73%以及最后到93%。最終的實驗結(jié)果熱力圖如圖3所示。

圖3 最終實驗結(jié)果熱力圖

圖3熱力圖的每一個小格都代表了一個準(zhǔn)確率，橫坐標(biāo)代表預(yù)測的標(biāo)簽，縱坐標(biāo)代表真實標(biāo)簽[10]；顏色越深則代表它的準(zhǔn)確率越高，因此通過大體的顏色分布可以看出，除19～25歲和26～35歲兩個年齡階段準(zhǔn)確率較低外，其他年齡段都達到了90%及以上的準(zhǔn)確率。這表明CNN模型對于圖像特征差異性的依賴，若圖像特征過于相似則無法準(zhǔn)確識別，這也是對于人臉圖像年齡進行分階段劃分的原因。

另外，對于CNN模型泛化能力的檢測，通過使用不參與CNN模型訓(xùn)練的測試集（test）圖片進行窗口預(yù)測，采用驗證測試集的12個年齡階段且每個階段隨機抽出五六張圖片的方法，發(fā)現(xiàn)準(zhǔn)確率仍然為90%左右，這就可以證實CNN模型有很好的泛化能力，不會出現(xiàn)過擬合現(xiàn)象。

4 結(jié) 語

本文主要論述了基于深度學(xué)習(xí)的年齡預(yù)測系統(tǒng)的設(shè)計，首先對年齡預(yù)測背景及現(xiàn)狀進行研究，之后對深度學(xué)習(xí)模型進行構(gòu)建和分析，對年齡識別問題進行抽象化的分析，這里主要是將其要識別的特征確定為人臉圖像。接著就是對于人臉信息進行數(shù)據(jù)集的收集，再對其特征進行提取，這就要依靠對圖片處理與識別有著優(yōu)良性能的卷積神經(jīng)網(wǎng)絡(luò)（CNN），最后對模型進行訓(xùn)練和評估。

對于CNN模型的訓(xùn)練經(jīng)歷了三個階段，在不斷優(yōu)化數(shù)據(jù)集以及調(diào)試模型程序的情況下最終實現(xiàn)了準(zhǔn)確率從20%到55%再到73%以及最終到93%的效果。同時，通過對實驗結(jié)果的分析可以發(fā)現(xiàn)，卷積核的數(shù)量增多確實會提高卷積層對特征提取的細致性，從而提高識別的準(zhǔn)確率；但是，CNN模型也同樣過于依賴卷積核對局部特征的過濾提取，這導(dǎo)致局部特征相似的人臉圖片無法有較高的識別準(zhǔn)確率；而CNN中的池化層則提高了模型的泛化能力，不至于出現(xiàn)過擬合現(xiàn)象，最終實現(xiàn)基于深度學(xué)習(xí)的較好的年齡預(yù)測效果。