一种基于相关回归的面部年龄计算方法技术

该发明专利技术公开了一种基于相关回归的面部年龄计算方法，属于计算机视觉技术领域，涉及面部年龄估计技术。首先提取采集到的面部图像的形状特征，并对光照归一化和形状归一化后图像提取容貌特征；再根据所有图像对应的标定年龄计算累积属性；再对人脸面部特征和对应年龄根据被采集者的性别进行分类，得到两组数据；之后建立从不同性别的面部特征到累积属性的第一层回归，即相关线性回归，并求解回归参数；然后，建立从估计累积属性到年龄的第二层回归，即支持向量回归，并得到回归参数；最后，在给定一个待估计面部年龄图像时，提取面部形状和容貌特征并利用相关回归器估计累积属性，利用已学到的支持向量回归器得到计算年龄。

【技术实现步骤摘要】
一种基于相关回归的面部年龄计算方法
本专利技术属于计算机视觉
，涉及面部年龄估计技术，主要应用于基于年龄的登陆控制，年龄差异化广告以及年龄相关的人机交互技术等领域。
技术介绍
面部年龄估计技术是指通过计算机算法对人脸面部特征进行分析后，自动估计人体年龄的技术。通常，计算机通过摄像头采集人脸图像(照片)，并对面部特征进行提取和分析，自动估计该图像对应的年龄。由于该技术在年龄相关的人际交互、基于年龄的登陆控制和年龄差异化广告方面都有非常广泛的应用，因此它引起了计算机视觉领域学者的广泛兴趣和关注。目前已有的人脸面部年龄估计算法可以分为3大类：(1)通用年龄估计方法，(2)性别差异化年龄估计方法，和(3)个性化年龄估计算法。通用估计方法作为最常见的一种年龄估计方法，其基本原理是假设所有人的面部特征和对应年龄之间存在通用(共同)的映射关系，该映射关系可以通过线性或非线性回归拟合实现。该类方法的优点是模型简单，不受训练样本数多少的影响。而其缺点在于估计的准确性一般，原因在于每个个体面部特征与真实年龄之间的映射关系存在一定差异，只通过一个通用模型无法覆盖上述所有差异性。参见文献：A.Lanitis，C.J.Taylor，andT.F.Cootes，AutomaticInterpretationandCodingofFaceImagesusingFlexibleModels，IEEETransactionsonPatternAnalysisandMachineIntelligence，vol.19，no.7，pp.743-756，1997。性别差异化年龄估计方法相对于通用年龄估计算法在精确性上有所改进，它考虑了在面部年龄估计问题中不同性别的差异性。该类方法不再假设所有人的面部特征和年龄之间的映射关系相同，而是考虑到了男性和女性之间的差异性。该类方法的优点是估计的准确性较高，并且不受训练样本多少的影响。参见文献：Y.Liang，L.Liu，Y.Xu，Y.Xiang，andB.Zou，Multi-taskGLOHFeatureSelectionforHumanAgeEstimation，2011IEEEInternationalConferenceonImageProcessing，pp.565-568，2011。个性化年龄估计方法与性别差异化年龄估计方法相似，不同在于它考虑了所有个体面部特征和对应年龄之间映射关系的差异性。它认为每个个体面部特征和对应年龄之间存在映射关系，并且这些映射关系存在相似性，最终通过找到与测试样本最相似的训练个体，并利用该个体的年龄估计模型估计相应年龄。该方法的优点在于准确性较高，缺点在于受训练样本数目的影响，并且较难确定测试样本适合哪一个估计模型。
技术实现思路
本专利技术提供一种基于相关回归的面部年龄估计算法，首先对采集到的面部图像进行形状特征提取，并对光照归一化和形状归一化后图像提取容貌特征；接着，根据所有图像对应的标定年龄计算累积属性；之后，对人脸面部特征和对应年龄根据被采集者的性别进行分类，得到两组数据；在上述步骤完成的基础上，建立从不同性别的面部特征到累积属性的第一层回归，即相关线性回归，并求解回归参数；然后，建立从估计累积属性到年龄的第二层回归，即支持向量回归，并得到回归参数；最后，在给定一个待估计面部年龄图像时，提取面部形状和容貌特征并利用相关回归器估计累积属性，再利用已学到的支持向量回归器得到计算年龄。算法示意图参见图1。为了方便地描述本
技术实现思路
，首先对一些术语进行定义。定义1：面部特征点。人为定义人面部的一些特殊点，例如嘴角点，眼角点等，见图2。定义2：FaceTracker。一种用于跟踪定位面部特征点的C++软件包。定义3：仿射变换。在几何上定义为两个向量空间之间，由旋转、缩放和平移组成的变换。仿射变换是由于拍摄刚性物体的位置、距离和角度所不同引起的同一物体在不同图像中呈现的外观不一致，见图4。假设对原始图像进行平移量为(tx为水平方向的平移量，ty为水平方向的平移量)，旋转角度为和缩放倍数为的仿射变换，则变换后图像任意一点与原图像对应点之间的关系可表示为：上式的等价表示为：这里β1＝scosθ，β2＝ssinθ，β3＝stxcosθ+stysinθ，β4＝-stxsinθ+stycosθ，也可等价为：一旦β1，β2，β3，β4这4个参数确定，对应的具体的仿射变换也即确定。定义4：三角面片法。根据人脸特征点，由每三个特征点定义一个三角面片，这样人脸可以看成是由若干三角面片组成的图像，见图6。定义5：梯度位置方向直方图(GradientLocation-OrientationHistogram，GLOH)特征。是一种描述图像局部梯度方向分布的视觉特征，通常包含子区域个数、大小、子区域半径取值和梯度方向区间划分数目几个参数。定义6：线性主成分分析方法。将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。定义7：累积属性。累积属性是年龄的另一种有效表示，被用在年龄估计中，作为从面部特征到年龄映射的中间层。若已知一个人的年龄为y，累积属性的数学定义如下：其中ch表示累积属性c的第h个元素，累积属性的维数H通常由某图片库中，标定年龄的最大值决定，如果数据库中最大年龄是70，则H＝70。该公式说明当一幅图像对应的标定年龄为y时，其累积属性c的前y个元素为1，后H-y个元素为0。定义8：线性回归。已知N个输入观测向量f1，f2，...fN和其对应的输出观测值y1，y2，...yN，线性回归假设输入与输出之间存在下述关系：yn＝wTfn+b+εnw＝[w1，w2，...，wN]T为权向量，b为偏差，εn为噪声，线性回归设定w，b的最优解使得以下目标式取值最小，定义9：支持向量机回归。已知N个输入观测向量f1，f2，...fN和其对应的输出观测值y1，y2，...yN，支持向量机回归假设输入与输出之间存在下述关系：w＝[w1，w2，...，wN]T为权向量，w0为偏差，εn为噪声，k(fn，fi)为度量fn和fi之间距离的核函数，支持向量机回归规定在给定阈值∈的情况下，w，w0的最优解满足式以下目标式的取值最小，其中函数E∈(y(fn)-yn)的表达式为：定义10：核函数。在机器学习中，核函数通常用于计算在变换后特征空间中两个向量的内积，它避免了在高维空间或者无限维数空间的计算。常用的核函数包括：线性核函数：k(f，f′)＝fTf′，RBF核函数：k(f，f′)＝exp(-τ||f-f′||2)，其中f，f′为两个原空特征间中的输入特征，τ为高斯核函数的参数。本专利技术详细技术方案如下：一种基于相关回归的面部年龄估计算法，包括以下步骤：步骤1：采集不同人的包含不同年龄的面部图像N幅，其中男性的面部图像数量为N1，女性的面部图像数量为N2，因此N＝N1+N2，如图2；步骤2：对所有的面部图像利用FaceTracker跟踪面部特征点，共得到K个面部特征点，K＝68，包含：嘴角点，眼角点等，如图3；对于任意第n幅面部图像，我们用向量记录所有特征点的位置，其中表示第n幅面部图像的第k个特征点的位置坐标，由横坐标xnk和纵坐标ynk两维构成；步骤3：由于每一幅图像拍本文档来自技高网...

【技术保护点】
一种基于相关回归的面部年龄计算方法，包括以下步骤：步骤1：采集不同人的包含不同年龄的面部图像N幅，其中男性的面部图像数量为N1，女性的面部图像数量为N2，因此N＝N1+N2；步骤2：对所有的面部图像利用FaceTracker跟踪面部特征点，共得到K个面部特征点，K＝68，包含：嘴角点，眼角点等；对于任意第n幅面部图像，我们用向量记录所有特征点的位置，其中表示第n幅面部图像的第k个特征点的位置坐标，由横坐标xnk和纵坐标ynk两维构成；步骤3：由于每一幅图像拍摄状态不同，造成拍摄到的人脸面部大小、位置和旋转角度不同，为了消除不同图像对应面部特征点之间的仿射变换，以第1幅图像为基准，对图片库中所有图像的特征点位置进行仿射变换，让变换后的特征点位置与第1幅基准图像的面部特征点位置尽量接近，得到仿射变换后的N幅的面部形状特征，即：步骤4：以基准图像面部特征为基准将步骤3得到的面部大体形状进行归一化处理，再利用三角面片方法对处理后的面部容貌细节进行变换，最后对变换后图像中没有赋值的像素点利用双三次插值方法在已有像素点的基础上进行插值，得到N幅经过三角面片方法变换的面部容貌图像；步骤5：计算面部容貌图像I1，I2，...，IN的平均背景光照；步骤6：对图片库中所有面部图像进行光照归一化得到N幅图像为步骤7：首先将所有图像缩放至大小，再将形状和光照归一化后的每一图像平均划分为多个小块；针对每个小块，以该小块的中心为圆心并以不同的半径划分出多个不同的区域，再将外围的环形区域划分为多个区域，再分别求出每个区域梯度方向直方图，并将梯度直方图组合为一个向量，最后将所有小块组合的向量再组合为GLOH特征向量；步骤8：对N幅图像的面部形状特征和GLOH特征利用线性主成分分析方法进行降维，分别降到D1维和D2维，两种特征降维后级联在一起，构成每一幅面部图像的最终特征表示D＝D1+D2；对于N幅图像，我们可以得到f1，f2，...，fN共N个特征向量；步骤9：计算每一幅图像对应标记年龄的累积属性，N幅图像对应的累积属性为：c1，c2，...，cN；累积属性的数学定义如下：其中：yn为图像人物的标记年龄，cnh表示累积属性cn中的第h个元素，累积属性的维数H等于图片库中标定年龄的最大值；步骤10：将步骤8中得到的所有图像的特征向量，步骤9中的得到的累积属性和原始标定年龄，根据对应人的性别分为两组，第1组为男性，第2组为女性，令表示所有男性的面部特征，任意列向量为男性中第n1个人的面部特征，令表示上述特征对应的累积属性，任意列向量为男性中第n1个人的累积属性，同时令表示上述男性面部图像对应的标定年龄。类似地，定义表示所有女性的面部特征，任意列向量为女性中第n2个人的面部特征，令表示上述特征对应的累积属性，任意列向量为女性中第n2个人的累积属性，同时令表示上述女性面部图像对应的标定年龄。步骤11：在分组数据的基础上，假设对于男性存在从面部特征到累积属性的线性回归关系，其中，为任意第n1个男性的面部特征，为其累积属性，W1为回归矩阵，b1为偏差向量，为零均值的高斯噪声向量；对于女性，假设存在从面部特征到累积属性的线性回归关系，其中，为任意第n2个女性的面部特征，为其累积属性，W2为回归矩阵，b1为偏差向量，为零均值的高斯噪声向量；同时假设两个回归模型之间存在相似性，并建立求解回归参数W1，W2，b1，b2的目标函数，为元素全为1的列向量；使以上目标式取得最小值时对应的参数 W1，W2，b1，b2取值即为最优取值；步骤12：求解模型步骤11中的模型参数，令步骤11中的目标函数等价于下式，对该式分别关于和求导，并令导数为零，可得：最后可以得到的最优解为：这里P和Q的表达式为：的最优解为即回归参数最优取值为：[W1，b1]＝PQ‑1，步骤13：利用步骤12中得到的回归参数，计算估计所有图像的累积属性，对于任意第n1个男性面部图像，其面部特征对应的估计累积属性为：对于任意第n2个女性面部图像，其面部特征对应的估计累积属性为：步骤14：建立步骤13中得到的所有面部图像对应估计累积属性和年龄之间的支持向量回归模型，利用Libsvm工具包求解回归参数w和w0，在求解时所使用的核函数类型为RBF类型；步骤15：对于测试面部图像，我们按照步骤4，5，6，7，8中的方法对其进行形状特征提取， 形状归一化和光照归一化后容貌特征的提取，并对相关特征进行降维，得到测试图像的面部特征f；根据该特征利用步骤12中得到的第一层回归参数W1，W2，b1，b2估计累积属性，如果该测试面部图像来自于男性，则累积属性：如果该测试面部图像来自于女性，则累积属性：最后利用步骤14中得到的参数w和w0估计年龄：k(·，·)为RBF核函数。...

【技术特征摘要】
1.一种基于相关回归的面部年龄计算方法，包括以下步骤：步骤1：采集不同人的包含不同年龄的面部图像N幅，其中男性的面部图像数量为N1，女性的面部图像数量为N2，因此N＝N1+N2；步骤2：对所有的面部图像利用FaceTracker跟踪面部特征点，共得到K个面部特征点，K＝68，包含：嘴角点，眼角点等；对于任意第n幅面部图像，我们用向量记录所有特征点的位置，其中表示第n幅面部图像的第k个特征点的位置坐标，由横坐标xnk和纵坐标ynk两维构成；步骤3：由于每一幅图像拍摄状态不同，造成拍摄到的人脸面部大小、位置和旋转角度不同，为了消除不同图像对应面部特征点之间的仿射变换，以第1幅图像为基准，对图片库中所有图像的特征点位置进行仿射变换，让变换后的特征点位置与第1幅基准图像的面部特征点位置尽量接近，得到仿射变换后的N幅的面部形状特征，即：步骤4：以基准图像面部特征为基准将步骤3得到的面部大体形状进行归一化处理，再利用三角面片方法对处理后的面部容貌细节进行变换，最后对变换后图像中没有赋值的像素点利用双三次插值方法在已有像素点的基础上进行插值，得到N幅经过三角面片方法变换的面部容貌图像；步骤5：计算面部容貌图像I1,I2,…,IN的平均背景光照；步骤6：对图片库中所有面部图像进行光照归一化得到N幅图像为步骤7：首先将所有图像缩放至大小，再将形状和光照归一化后的每一图像平均划分为多个小块；针对每个小块，以该小块的中心为圆心并以不同的半径划分出多个不同的区域，再将外围的环形区域划分为多个区域，再分别求出每个区域梯度方向直方图，并将梯度直方图组合为一个向量，最后将所有小块组合的向量再组合为GLOH特征向量；步骤8：对N幅图像的面部形状特征和GLOH特征利用线性主成分分析方法进行降维，分别降到D1维和D2维，两种特征降维后级联在一起，构成每一幅面部图像的最终特征表示D＝D1+D2；对于N幅图像，我们可以得到f1,f2,…,fN共N个特征向量；步骤9：计算每一幅图像对应标记年龄的累积属性，N幅图像对应的累积属性为：c1,c2,…,cN；累积属性的数学定义如下：其中：yn为图像人物的标记年龄，cnh表示累积属性cn中的第h个元素，累积属性的维数H等于图片库中标定年龄的最大值；步骤10：将步骤8中得到的所有图像的特征向量，步骤9中的得到的累积属性和原始标定年龄，根据对应人的性别分为两组，第1组为男性，第2组为女性，令表示所有男性的面部特征，任意列向量为男性中第n1个人的面部特征，令表示上述特征对应的累积属性，任意列向量为男性中第n1个人的累积属性，同时令表示上述男性面部图像对应的标定年龄；类似地，定义表示所有女性的面部特征，任意列向量为女性中第n2个人的面部特征，令表示上述特征对应的累积属性，任意列向量为女性中第n2个人的累积属性，同时令表示上述女性面部图像对应的标定年龄；步骤11：在分组数据的基础上，假设对于男性存在从面部特征到累积属性的线性回归关系，其中，为任意第n1个男性的面部特征，为其累积属性，W1为回归矩阵，b1为偏差向量，为零均值的高斯噪声向量；对于女性，假设存在从面部特征到累积属性的线性回归关系，其中，为任意第n2个女性的面部特征，为其累积属性，W2为回归矩阵，b1为偏差向量，为零均值的高斯噪声向量；同时假设两个回归模型之间存在相似性，并建立求解回归参数W1,W2,b1,b2的目标函数，i＝1,2，为元素全为1的列向量；使以上目标式取得最小值时对应的参数W1,W2,b1,b2取值即为最优取值；步骤12：求解模型步骤11中的模型参数，令i＝1,2；步骤11中的目标函数等价于下式，对该式分别关于和求导，并令导数为零，可得：最后可以得到的最优解为：这里P和Q的表达式为：的最优解为：即回归参数最优取值为：[W1,b1]＝PQ-1，步骤13：利用步骤12中得到的回归参数，计算估计所有图像的累积属性，对于任意第n1个男性面部图像，其面部特征对应的估计累积属性为：对于任意第n2个女性面部图像，其面部特征对应的估计累积属性为：步骤14：建立步骤13中得到的所有面部图像对应估计累积属性和年龄之间的支持向量回归模型，利用Libsvm工具包求解回归参数...

【专利技术属性】
技术研发人员：潘力立，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51