基于自适应年龄分布学习的人脸年龄估计方法技术

本发明专利技术公开了一种基于自适应年龄分布学习的人脸年龄估计方法，包括以下步骤：步骤1，给出所需要的人脸图像数据；步骤2，建立人脸样本的年龄分布；步骤3，建立人脸年龄预测模型；步骤4，建立算法的优化目标函数；步骤5，运用预测模型估计人脸图像的年龄标签。本发明专利技术的方法可以有效地把握住人脸样本的内在结构，进而利用这些上下文相关样本的年龄标签来实现对于年龄标签模糊性的分析。

Face age estimation method based on adaptive age distribution learning

The invention discloses a method for age estimation based on adaptive learning age distribution, which comprises the following steps: 1, face image data are needed; step 2, the establishment of the age distribution of face samples; step 3, the establishment of age prediction model; step 4, the optimization objective function to establish the algorithm; step 5. The prediction model is used to estimate the facial image age label. The method of the invention can effectively grasp the inner structure of the face sample, and then utilize the age label of the relevant context of the sample to realize the analysis of the age label ambiguity.

【技术实现步骤摘要】
基于自适应年龄分布学习的人脸年龄估计方法
本专利技术属于计算机视觉领域，特别地涉及一种基于自适应年龄分布学习的人脸年龄估计方法。
技术介绍
在人脸年龄估计模型中，“年龄分布”这一概念最早是由Geng等人【1】提出。该工作通过对于真实人脸数据的观察，认识到年龄标签存在模糊性，即相近年龄标签之间存在相关性，使用一个年龄范围来表征人脸外貌的发育或老化程度，会比使用单个年龄标签更有实际意义。通过整理近期涉及“年龄分布”的相关工作，我们可以发现这些年龄估计方法大多都假设年龄分布的形式是已知的。比如，IIS-LLD【1】认为每个人脸样本的年龄分布是预先给定的，并且认为这些年龄分布的形式是固定的，即该方法预先设定年龄分布的形式是高斯或三角(GaussianorTriangle)；IIS-ALDL则是对IIS-LLD做了改进，该方法认为年龄分布的形式是高斯，但高斯分布的参数是随时间而变化的，即对于不同年龄段的人群，他们年龄分布的形式都是高斯，但是这些高斯分布的参数是不同的。尽管上述这些年龄估计方法通过建立年龄分布加深了对于年龄标签模糊性的理解，并实现了对于相近年龄标签之间相关性的学习，但是由于这些方法的年龄分布是预先设定的，因此也存在不少不足之处。具体而言，限定形式的年龄分布会对年龄预测造成以下不良影响。1，不利于分析年龄标签的模糊性,由于年龄分布的形式是限定的，这也表示该年龄分布的概率质量函数是预先定义的。进而，我们可以推断出限定形式的年龄分布认为相近年龄标签之间的相关性是确定的。但是，在实际中相近年龄标签之间的相关性是因人而异的。比如，对于年轻人而言，他们的人脸外貌每年都会有较大变化，这表明此时相近年龄标签之间的相关性较小；而对于年长人而言，他们的人脸外貌是随时间而缓慢衰老，这表明此时相近年龄标签之间的相关性较大。所以，限定形式的年龄分布并不能很好地解释年龄标签的模糊性问题。2，不利于理解图像特征和年龄的相互关系,限定形式的年龄分布在设计思路上脱离了从实际数据中分析人脸样本的相关性。以三角年龄分布为例，该分布暗示了样本图像特征之间的相似度和样本年龄之间的相似度是线性正相关的。但在实际环境中，人脸样本之间这种图像特征和年龄的相互关系是十分复杂的。这表明，使用简单的数学分布来描述上述的这种相互关系是不合适的。【1】XinGeng,ChaoYin,Zhi-HuaZhou.Facialageestimationbylearningfromlabeldistributions[J].PatternAnalysisandMachineIntelligence,IEEETransactionson,Oct2013.35(10):2401–2412.ISSN0162-8828.
技术实现思路
本专利技术的目的在于提供一种基于自适应年龄分布学习的人脸年龄估计方法，该方法注重于从人脸图像样本的上下文结构分析入手，来建立人脸样本的年龄分布。为实现上述目的，本专利技术采用的技术方案为：步骤1，给出所需要的人脸图像数据；步骤2，建立人脸样本的年龄分布；步骤3，建立人脸年龄预测模型；步骤4，建立算法的优化目标函数；步骤5，运用预测模型估计人脸图像的年龄标签。进一步的，步骤1具体包括：步骤11，设立人脸样本集合为{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)}，人脸样本总数为N，其中xn表示的是第n个人脸样本的图像特征，yn表示的是第n个人脸样本的年龄标签；设定年龄范围为从1至T岁；步骤12，设立第n个人脸样本的年龄分布为一个T维向量，即pn；其中pn的第t个元素,即pn(t),表示的是第t个年龄标签描述该人脸样本外貌的切合度；步骤13，设立矩阵X为人脸样本图像特征的集合，其中该矩阵的第n列是xn；设立矩阵Y为人脸样本的多标签矩阵，其中该矩阵第t行第n列元素的赋值函数为步骤14，设立矩阵P为年龄分布矩阵，其中该矩阵的第n列是pn。进一步的，步骤2具体包括：步骤21，基于人脸图像特征采用子空间学习技术构造一个人脸子空间表征C，并以此来分析样本上下文之间的关系；所述子空间表征C的目标函数表示为：其中，β1表示的是调节C稀疏度的惩罚因子；β2表示的是归一化C中每一列的惩罚因子；Δy表示的是控制C中稀疏元素数量的门限因子；上述公式表明每一个人脸样本可以表示为其上下文相关样本的线性重构；步骤22，基于给定的人脸子空间表征C，将人脸关系图A定义为：上述公式确保了所建立的样本上下文关系是对称且非负的；步骤23，从人脸样本的上下文结构来分析邻近样本之间的年龄标签相关性，并以此来建立人脸样本的年龄分布；具体而言，假定第n个样本的年龄分布pn是由两部分数据所组成：该样本自身的年龄标签和其邻近样本的年龄标签；于是，设立第n个样本的年龄分布为：其中，μ表示的是平衡人脸样本和其邻近样本的权重因子；第二项表示的是从第n个样本的邻近样本中得到的年龄分布信息，该信息是由这些邻近样本的年龄标签传播至第n个样本而形成的；am,n表示的是在样本上下文结构中从第m个样本到第n个样本的传播因子；上述公式将自适应数据的年龄分布定义为目标样本和其邻近样本的年龄标签的加权线性组合；同时,给出公式4的矩阵表达形式为：P＝μY+(1-μ)YA公式5；其中，A表示的是人脸关系图，A在第n行第m列的元素即A(n,m)表示的是公式4中的传播因子am,n。进一步的，步骤3具体包括将年龄预测模型的建立转化为求解一个线性回归问题；该线性回归问题可以通过优化如下目标函数来解决,其中，γ表示的是调节时间平滑性约束的惩罚因子；W表示的是回归矩阵，回归矩阵W的t列是回归向量wt，表示的是预测第t个年龄标签的分类器；回归矩阵W的列[w1,w2,…,wT]是按照时序发展顺序排列的；公式中的第二项是一个混合l2,1范数，它的作用是平滑上述这些回归向量；∈表示的是控制列数的参数。进一步的，步骤4具体包括：建立算法的优化目标为联合优化公式2和公式6，其中所要优化的参数包括人脸子空间表征C和回归矩阵W；该优化目标的数学表达定义如下：其中，λ，ρ，γ1，和γ2都是目标函数的惩罚因子；上述模型的优化求解方法采用凸优化算法。进一步的，步骤5具体包括：步骤51，通过回归变量来进行人脸图像的年龄分布预测；在测试集中，人脸图像的年龄分布通过求解如下公式得到，pq＝WTxqq∈测试集样本公式8步骤52，基于步骤S51中预测到的样本年龄分布，通过求取它们的数学期望来获得最终的年龄预测结果；在测试集中，人脸图像的预测年龄标签通过求解如下公式得到，本专利技术提出了一种新型的自适应年龄分布学习方法，来解决人脸年龄估计问题。相比于传统方法中通过先验知识来设计年龄分布，本专利技术的方法中所提出的年龄分布是从人脸样本中自动学习出来的。对于这种数据驱动的学习策略，其核心思想在于通过发现人脸样本的上下文结构来建立人脸样本的年龄分布，并以此建立后续的年龄预测模型。同时，这种学习策略也表明本专利技术提出的方法可以有效地把握住人脸样本的内在结构，进而利用这些上下文相关样本的年龄标签来实现对于年龄标签模糊性的分析。本专利技术所提出的基于自适应年龄分布学习的人脸年龄估计方法，相比于目前的人脸年龄估计方法，具有以下有益效果：1)本专利技术提出了一种多任务学习模型来本文档来自技高网...

【技术保护点】
基于自适应年龄分布学习的人脸年龄估计方法，其特征在于，包括以下步骤：步骤1，给出所需要的人脸图像数据；步骤2，建立人脸样本的年龄分布；步骤3，建立人脸年龄预测模型；步骤4，建立算法的优化目标函数；步骤5，运用预测模型估计人脸图像的年龄标签。

【技术特征摘要】
1.基于自适应年龄分布学习的人脸年龄估计方法，其特征在于，包括以下步骤：步骤1，给出所需要的人脸图像数据；步骤2，建立人脸样本的年龄分布；步骤3，建立人脸年龄预测模型；步骤4，建立算法的优化目标函数；步骤5，运用预测模型估计人脸图像的年龄标签。2.如权利要求1所述的基于自适应年龄分布学习的人脸年龄估计方法，其特征在于，步骤1具体包括：步骤11，设立人脸样本集合为{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)}，人脸样本总数为N，其中xn表示的是第n个人脸样本的图像特征，yn表示的是第n个人脸样本的年龄标签；设定年龄范围为从1至T岁；步骤12，设立第n个人脸样本的年龄分布为一个T维向量，即pn；其中pn的第t个元素,即pn(t),表示的是第t个年龄标签描述该人脸样本外貌的切合度；步骤13，设立矩阵X为人脸样本图像特征的集合，其中该矩阵的第n列是xn；设立矩阵Y为人脸样本的多标签矩阵，其中该矩阵第t行第n列元素的赋值函数为步骤14，设立矩阵P为年龄分布矩阵，其中该矩阵的第n列是pn。3.如权利要求2所述的基于自适应年龄分布学习的人脸年龄估计方法，其特征在于，步骤2具体包括：步骤21，基于人脸图像特征采用子空间学习技术构造一个人脸子空间表征C，并以此来分析样本上下文之间的关系；所述子空间表征C的目标函数表示为：其中，β1表示的是调节C稀疏度的惩罚因子；β2表示的是归一化C中每一列的惩罚因子；Δy表示的是控制C中稀疏元素数量的门限因子；上述公式表明每一个人脸样本可以表示为其上下文相关样本的线性重构；步骤22，基于给定的人脸子空间表征C，将人脸关系图A定义为：上述公式确保了所建立的样本上下文关系是对称且非负的；步骤23，从人脸样本的上下文结构来分析邻近样本之间的年龄标签相关性，并以此来建立人脸样本的年龄分布；具体而言，假定第n个样本的年龄分布pn是由两部分数据所组成：该样本自身的年龄标签和其邻近样本的年龄标签；于是，设立第n个...

【专利技术属性】
技术研发人员：何周舟，张仲非，李玺，张亚庆，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33