一种年龄估计方法技术

本发明专利技术公开了一种年龄估计方法，包括以下步骤：（1）对数据集中的图片通过人脸检测算法提取脸部特征；（2）将提取的脸部特征分为少年、青年、壮年、盛年、达年、中年和老年，其中少年和老年特征直接通过线性支持向量机进行提取，青年、壮年、盛年、达年和中年五个年龄阶段特征采用加入了时间约束的AGRC编码框架进行解码。采用本发明专利技术方法有效提高了年龄估计的准确率。

【技术实现步骤摘要】
一种年龄估计方法
本专利技术属于图像信息处理
，涉及一种年龄估计方法。
技术介绍
人脸识别和检索在计算机视觉和多媒体领域一直是一个热门的话题。有四种主要影响人脸识别的主要因素：姿势、光照、表情、年龄。最近，随着人脸关键点定位的准确度以及计算机运算能力的提高，很多研究者在无约束环境下(例如LFW人脸数据库)的人脸识别取得了接近人类识别的效果。但是LFW人脸数据库仅仅在姿态、光照、表情上有变化，在人脸的年龄上变化很小。人脸随着年龄的增大变化非常显著，所以在年龄变化下人脸的识别和匹配是相当有难度的。尽管年龄估计和仿真方面有研究很多，但是在全年龄内的人脸识别和检索仍然很少。
技术实现思路
本专利技术的目的是为了解决现有技术中存在的缺陷，提供一种在年龄变化下进行人脸识别和匹配的技术。为了达到上述目的，本专利技术提供了一种年龄估计方法，包括以下步骤：(1)对数据集中的图片通过人脸检测算法提取脸部特征；(2)将提取的脸部特征分为少年、青年、壮年、盛年、达年、中年和老年，其中少年和老年特征直接通过线性支持向量机进行提取，青年、壮年、盛年、达年和中年五个年龄阶段特征采用AGRC编码框架进行解码；所述AGRC编码框架解码的步骤如下：(a)计算出青年、壮年、盛年、达年和中年五个阶段分别对应的参考编码矩阵；(b)利用拉布拉斯时间矩阵，在拉布拉斯矩阵基础上增加时间约束，使得青年、壮年、盛年、达年和中年五个阶段内部的年龄变化降低到最低；(c)利用最大池得到最终的特征。其中，步骤(1)中人脸检测算法采用JDA算法(联合级联人脸检测与配准算法，JointCascadeFaceDetectionandAlignment)。具体的，步骤(1)中人脸特征通过以下步骤进行提取：采用JDA算法提取出脸部5个特征点：眼角、鼻尖和嘴尖；并对于每张脸的五个特征点，采用STCSR算法(时空级联形状回归的人脸形状跟踪算法，Spatio-TemporalCascadeShapeRegression)，结合脸部姿态将其扩展为16个特征点；然后对每个特征点提取局部特征：对每个特征点用5个不同尺度的方块去覆盖，每个方块被分成4*4的方格，从每个方格中提取出59维的uniformLBP特征，从同一个特征点提取出来的特征被串联起来作为对每个特征点的描述，每个特征点的特征维度为4720维，然后采用主成分分析法将所得的4720维降低到500维。本专利技术相比现有技术具有以下优点：本专利技术通过将人的年龄进行阶段划分，其中由于少年和老年特征比较明显，无需经过复杂的特征提取，直接通过线性支持向量机(LinearSupportVectorMachine，LinSVM)即可取得较好的结果，对于其它青年、壮年、盛年、达年和中年五个年龄阶段通过本文提出的AGRC编码框架(年龄段参考编码框架算法，AgeGroupsReferenceCoding)，使得每个阶段提取的16个脸部特征在相同年龄阶段(比如青年阶段)尽可能的接近，在不同年龄阶段(比如青年阶段和中年阶段)，尽可能地不接近，从而提高了年龄估计的准确率，相比于不使用AGRC框架，年龄估计的准确率直接得到了显著提高。附图说明图1为本专利技术年龄估计方法的基本流程图；图2为本专利技术AGRC参考集，从年龄特征的图像中提取出与年龄特征相关的特征，然后进行年龄估计；图3为本专利技术方法年龄数据预处理操作JDA人脸检测流程；图4为本专利技术所采用的STCSR人脸配准算法；图5为本专利技术使用的CACD数据库的样图；图6为本专利技术使用STCSR检测的16个点的位置图。具体实施方式如图1所示，本专利技术年龄估计方法具体流程如下：利用网上提供的大量名人信息，制作参考集(即是将CACD数据集进行简单的分类)，如图2所示。对于数据集中的每一张图片，我们首先要用一个人脸检测算法从图片中找出脸部所在的区域。我们采用JDA算法作为人脸检测的算法，并且提取出5个特征点，五个特征点分别为眼角、鼻尖和嘴尖(如图3所示)。如图4所示，对于每张脸的五个特征点，我们在此基础上用STCSR算法结合脸部姿态将5个特征点扩展为16个特征点，如图6所示。在脸部配准之后，我们从每个特征点中提取局部特征。在所有的局部特征中，高维的局部二值模式(High-DimensionalLocalBinaryPattern，HD-LBP)在人脸验证领域已经取得了非常好的效果。所以本文采用了一个相似的提取特征的方法，在16个特征点中，我们对每个特征点用5个不同尺度的方块去覆盖，每个方块被分成4*4的方格，我们从每个方格中提取出59维的uniformLBP特征。从同一个特征点提取出来的特征被串联起来作为对每个特征点的描述。每个特征点的特征维度为4720维。我们用主成分分析法(PrincipalComponentAnalysis，PCA)将所得的4720维降低到500维，方面后面对特征做进一步处理。接着我们使用本文提出的AGRC编码框架将特征解码成青年、壮年、盛年、达年和中年五个年龄特征。AGRC主要包括如下三个主要的步骤：1、计算出青年、壮年、盛年、达年和中年五个阶段分别对应的参考编码矩阵(字典)。2、利用拉布拉斯时间矩阵，在原有空间变化表达式的基础上加入了时间变化，使得青年、壮年、盛年、达年和中年五个阶段内部的年龄变化降低到最低。3、利用最大池得到最终的特征。一、参考集表示：通过使用从参考人群的图片中提取出的局部特征，我们可以使用下面的等式计算出参考表示集：其中，是第i个人在第j年中第k个特征点的参考表示，d是特征维度，n、m、p分别是参考人员的数量、年龄的范围、特征点的个数。其计算出同一个人在同一年中某个关键点的所有特征除以总人数。Nij是图片的总人数。因为CACD数据集(如图5所示)是从互联网中查找的，可能会包含噪音。所以取均值对参考人员来说可以让其对噪音数据更具有鲁棒性。二、从参考空间解码出特征：C(j,k)是一个包含n个参考人员表示的d×n矩阵，即每个特征点在第k个特征点处提取的特征为x(k)，我们想要使用参考表示来解码新特征。为此，我们定义了一个新的向量α(j,k)∈Rn×1来表示从k个特征点中提取的第j年的特征(正如图2所示)。不难看出，如果如果特征x(k)和第i个相关人员比较接近那么就会很大，反之则会小。我们用一个包含吉洪诺夫正则项的最小二乘问题来求解：但是这个表达式中相关表示人员之间并没有时间约束的关系，即当一个人和一个参考人员在第j年接近时，他有很大的可能性和该参考人员在第j-1年和j+1年也接近，那么我们将年龄段分为5个年龄段(青年、壮年、盛年、达年、中年)，我们分别在五个阶段内部添加时间约束项来反映我们编码框架内的时间约束。我们首先定义一个三对角矩阵L如下所示：L是一个使得和都很接近的拉布拉斯矩阵，它的作用能够使得后两者之间的差异更小。不妨令那么在原有的基础上我们增加了时间的约束，表达式可表示为：第一项是为了确保误差足够的小，第二项是为了让相同年龄阶段的人的年龄特征尽可能的相似。解决方程(6)非常简单，因为这是一个L2正则化的最小二乘问题，我们可以定义两个新的矩阵和如下所示：其中CACD数据集中人员的出生年龄分别为1951-1990年，采集照片的时间为2004-2013年，那么得出该数据库包换的年龄本文档来自技高网...

【技术保护点】
1.一种年龄估计方法，其特征在于：所述年龄估计方法包括以下步骤：（1）对数据集中的图片通过人脸检测算法提取脸部特征；（2）将提取的脸部特征分为少年、青年、壮年、盛年、达年、中年和老年，其中少年和老年特征直接通过线性支持向量机进行提取，青年、壮年、盛年、达年和中年五个年龄阶段特征采用AGRC编码框架进行解码；所述AGRC编码框架解码的步骤如下：（a）计算出青年、壮年、盛年、达年和中年五个阶段分别对应的参考编码矩阵；（b）利用拉布拉斯时间矩阵，在拉布拉斯矩阵基础上增加时间约束，使得青年、壮年、盛年、达年和中年五个阶段内部的年龄变化降低到最低；（c）利用最大池得到最终的特征。

【技术特征摘要】
1.一种年龄估计方法，其特征在于：所述年龄估计方法包括以下步骤：（1）对数据集中的图片通过人脸检测算法提取脸部特征；（2）将提取的脸部特征分为少年、青年、壮年、盛年、达年、中年和老年，其中少年和老年特征直接通过线性支持向量机进行提取，青年、壮年、盛年、达年和中年五个年龄阶段特征采用AGRC编码框架进行解码；所述AGRC编码框架解码的步骤如下：（a）计算出青年、壮年、盛年、达年和中年五个阶段分别对应的参考编码矩阵；（b）利用拉布拉斯时间矩阵，在拉布拉斯矩阵基础上增加时间约束，使得青年、壮年、盛年、达年和中年五个阶段内部的年龄变化降低到最低；（c）利用最大池得到最终的特征。2.根据权利要求1所述的...

【专利技术属性】
技术研发人员：刘青山，郁振波，刘光灿，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏,32