买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东北大学申请的专利遮挡场景下基于多通道学习的局部人脸年龄估计方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119888823B 。

龙图腾网通过国家知识产权局官网在2026-04-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510076503.5，技术领域涉及：G06V40/16；该发明授权遮挡场景下基于多通道学习的局部人脸年龄估计方法是由谭振华;李锂;高硕;侯冰倩设计研发完成，并于2025-01-17向国家知识产权局提交的专利申请。

本遮挡场景下基于多通道学习的局部人脸年龄估计方法在说明书摘要公布了：本发明公开一种遮挡场景下基于多通道学习的局部人脸年龄估计方法，涉及年龄估计技术领域。本发明使用模拟遮挡的方法，基于人脸年龄图像数据集生成部分遮挡人脸图像以及对应的遮挡标签，训练遮挡检测器检测出存在遮挡的网格，提出基于多通道学习的年龄特征提取模型，将待测图像进行网格划分，输入到特征提取模块中，提取各网格的特征。结合遮挡检测器结果，使用特征融合模块，融合未被遮挡破坏的网格的特征，得到最终的年龄特征，进而得到估计的年龄值。本发明能够准确的估计出存在局部遮挡情况下的人脸年龄，满足了人脸年龄估计任务在局部遮挡场景下的鲁棒性与准确性要求，解决了现有技术中存在局部遮挡而导致年龄估计不准确的难题。

本发明授权遮挡场景下基于多通道学习的局部人脸年龄估计方法在权利要求书中公布了：1.一种遮挡场景下基于多通道学习的局部人脸年龄估计方法，其特征在于，包括如下步骤： 步骤1：获取人脸年龄图像数据集，并对人脸年龄图像数据集中的人脸图像进行预处理，得到预处理后的人脸年龄图像数据集； 所述步骤1具体包括： 步骤1.1：获取人脸年龄图像数据集；所述人脸年龄图像数据集中包括若干张人脸图像以及对应的年龄标签； 步骤1.2：将若干张人脸图像输入人脸检测模型，生成每张人脸图像的人脸边界框和人脸关键点坐标； 步骤1.3：设定标准人脸关键点位置，并根据设定标准人脸关键点位置和步骤1.2中生成的人脸关键点坐标，对人脸边界框内的人脸图像进行仿射变换，实现人脸图像对齐； 步骤1.4：将对齐后的人脸图像调整到统一的设定大小，在水平与竖直两个方向分别划分为n份，得到包括个网格的人脸图像，即预处理后的人脸图像，进而得到预处理后的人脸年龄图像数据集； 步骤2：采用模拟遮挡的方法，在预处理后的人脸图像数据集上模拟遮挡场景，生成部分遮挡人脸数据集；所述部分遮挡人脸数据集中包括若干张部分遮挡人脸图像及其对应的遮挡标签和年龄标签； 步骤3：建立遮挡检测器并利用部分遮挡人脸数据集对遮挡检测器进行训练，得到训练完成的遮挡检测器；所述遮挡检测器采用Resnet18网络，用于识别输入的部分遮挡人脸图像中未遮挡的网格的位置； 步骤4：将部分遮挡人脸数据集中的部分遮挡人脸图像按照划分的网格裁剪成若干网格，得到裁剪后的部分遮挡人脸数据集； 步骤5：建立基于多通道学习的年龄特征提取模型，并利用裁剪后的部分遮挡人脸数据集对基于多通道学习的年龄特征提取模型进行训练，得到训练完成的基于多通道学习的年龄特征提取模型； 所述基于多通道学习的年龄特征提取模型包括特征提取模块、特征融合模块和年龄估计模块； 所述特征提取模块包括若干个通道，每个通道与输入的部分遮挡人脸图像裁剪得到的网格一一对应，每个通道用于对对应的网格进行特征提取，得到局部年龄特征；所述每个通道采用SC-SE-ResNeXt50模型；所述SC-SE-ResNeXt50模型为基于SE-ResNeXt50模型，使用SCLayer替代33卷积；所述SCLayer包括1×1卷积层和空间位移操作；所述特征提取模块将遮挡网格对应的局部年龄特征的权重赋值为0，未遮挡的网格对应的局部年龄特征的权重赋值为1； 所述特征融合模块用于根据未遮挡的网格的位置，对特征提取模块得到的每个局部年龄特征进行加权，然后利用长短期记忆网络LSTM进行局部年龄特征融合，得到最终的年龄特征； 所述年龄估计模块为一个softmax层，用于根据最终的年龄特征，得到年龄估计值； 在训练过程中，特征提取模块中未遮挡的网格对应的k个通道计算CrossEntropy-Mean损失函数并反向传播，对存在遮挡网格对应的通道则不进行更新； 未遮挡的网格对应的k个通道表示为： 1 其中，表示未遮挡的网格对应的通道的集合，表示集合中未遮挡的网格对应的通道的数量，表示第g个通道，表示第g个通道对应网格块的遮挡情况，0表示不存在遮挡，1表示存在遮挡，表示通道的编号，表示第个未遮挡的网格对应的通道，表示未遮挡的网格的编号； 遮挡的网格对应的通道表示为： 2 其中，表示遮挡的网格对应的通道的集合； 所述CrossEntropy-Mean损失函数为： 3 其中，为CrossEntropy-Mean损失函数值，为交叉熵损失，为平均损失，为权重值； 所述交叉熵损失的计算公式为： 4 5 其中，表示为第q个样本的真实年龄标签是否为j，为j则为1，否则为0，为样本的编号，为年龄标签，为年龄标签的类别的数量，表示第个样本的年龄为j的概率，表示第q个样本在第j个年龄标签上的得分； 所述平均损失，表示年龄分布的平均值和真实年龄之间的差异，计算公式如下： 6 其中，为样本的数量，为第q个样本预测年龄分布的平均值，为第q个样本的年龄标签值； 特征提取模块的损失函数采用权值共享策略的损失函数： 7 其中，表示特征提取模块的损失函数，为通道的交叉熵损失，为通道的平均损失，表示通道预测年龄分布的平均值和真实年龄之间的差异； 步骤6：利用训练完成的遮挡检测器和训练完成的基于多通道学习的年龄特征提取模型对待测的部分遮挡人脸图像的年龄进行估计，得到年龄估计值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东北大学，其通讯地址为：110819 辽宁省沈阳市和平区文化路3号巷11号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。