一种基于方向梯度和隐变量分析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多尺寸方向梯度直方图(Histogram of oriented gradient)特征和隐变量分析的人脸年龄估计方法，其整体步骤为：S1：构建数据集并将数据集划分为训练集、验证集两部分；S2：对图片提取多尺寸的方向梯度直方图特征；S3：训练隐变量分析模型并使用该模型从S2提取的特征中过滤掉年龄无关的特征；S4：使用S3处理后的特征训练回归器，完成对人脸图像中人物年龄的估计。本发明专利技术首先提出了一种基于人脸先验知识的多尺寸特征提取方法，接着使用隐变量分析方法过滤出特征中包含的年龄无关的信息，相比较传统的基于局部特征提取的方法提高了年龄估计的准确性。

A Face Age Estimation Method Based on Directional Gradient and Hidden Variable Analysis

【技术实现步骤摘要】
一种基于方向梯度和隐变量分析的人脸年龄估计方法
本专利技术涉及计算机视觉
，尤其涉及一种基于方向梯度和隐变量分析的人脸年龄估计方法。
技术介绍
人脸年龄估计，即通过单张人脸照片估计出人的年龄，是人脸属性分析中的重要组成部分。由于其在智能监控，商业分析，人机交互等领域的广泛应用，近二十年来一直是一个研究的热门问题。但是人脸年龄估计也是一个富有挑战性的问题，因为不同人的老化过程在脸部的表现是有很大差异性的，也就是说从一个人的人脸外观到其实际年龄之间是一种模糊的映射关系，并且每个人的映射关系都不相同。这也解释了为什么一些人看起来比其实际年龄偏大而一些人偏小。目前的人脸年龄估计方法大致可以分为两类，基于分类的方法和基于回归的方法。基于分类的方法是将不同年龄看作不同的类别，不同类别之间没有相关性。这样的处理就忽略了不同年龄之间较强的顺序性和相关性，导致年龄估计方法性能下降。而基于回归的方法是将年龄看作一个连续的数，通过训练用提取到的图片特征去拟合年龄标签，这样的处理方法更加符合直觉。但是在一些研究工作中有学者指出，相比较前者，基于回归的方法更容易陷入过拟合。通过对提取的特征进行进一步分析，剔除无关的噪声并降低数据维度可以有效地缓解过拟合问题。隐变量是指试验中无法直接观测的变量，通常可以采用统计模型对隐变量进行观察，统计其概率特性从而推测出隐变量。隐变量分析在心理学、经济学、跨年龄人脸识别等领域有着很广泛的应用。人脸中包含着各种各样的信息，例如年龄、身份、情绪等等，这些信息就可以看作是一组隐变量，使用隐变量分析方法可以有针对性地分析这些信息以提高人脸年龄估计方法的性能。
技术实现思路
本专利技术的目的在于克服现有技术存在的不足，提供一种基于多尺度方向梯度直方图(Histogramoforientedgradient)特征和隐变量分析的人脸年龄估计方法，包含以下步骤：步骤一、数据预处理阶段：利用现有的人脸检测和人脸关键点定位算法对人脸图片进行人脸检测和关键点定位，裁剪出人脸区域并将图片缩放到128×160大小保存。步骤二、数据集划分：随机划分出年龄数据集中的80％数据作为训练集，剩下20％作为验证集，保证同一个人的数据仅出现在一个集合中。步骤三、训练集分组：将步骤二中划分出的训练集分别按照年龄段和身份信息分组并保存。步骤四、提取多尺度方向梯度直方图特征：对步骤二划分的训练集图片首先进行灰度化处理并做伽马归一化，之后利用梯度算子计算图片每个像素点水平方向和竖直方向的梯度值，计算公式如公式一和公式二：Gx(x,y)＝H(x+1,y)-H(x-1,y)公式一Gy(x,y)＝H(x,y+1)-H(x,y-1)公式二其中，Gx(x,y)，Gy(x,y)，H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、竖直方向梯度和像素值。然后计算像素点(x,y)处的梯度幅值G(x,y)和梯度方向α(x,y)，计算公式如公式三和公式四：接着在全图合成大尺寸的方向梯度直方图特征，并根据步骤一中关键点定位的结果在眼部周围提取小尺寸的方向梯度直方图特征，最后将两个尺寸的特征拼接在一起作为整张人脸的特征。步骤五、特征降维：使用主成分分析算法对步骤四中提取的方向梯度直方图特征进行降维，保留98％的能量。步骤六、训练隐变量分析模型：将步骤六中提取的图片特征建模成年龄相关特征和身份相关特征以及其他无关噪声的线性组合，建模形式如公式五：t＝β+Ux+Vy+ε公式五其中，t是提取的特征，β是训练集中特征的均值，Ux表示的是年龄相关的特征，Vy表示的是身份相关的特征，ε表示其他无关噪声，假设其服从正态分布：ε～N(0,δ2I)。首先计算出β，然后根据步骤三中按照年龄段和身份信息划分的样本组，利用最大期望(Expectationmaximization)算法估计出参数U,V,δ。接着根据公式六从原特征中计算出年龄相关的特征并保存：f＝UUTΣ-1(t-β)公式六其中，Σ＝δ2I+UUT+VVT。步骤七、训练回归器：将步骤六中提取的年龄相关的特征作为输入，训练一个线性回归器模型并保存，本专利技术采用的是现有的线性(LibLinear)函数库完成回归器的训练。步骤八、方法测评：在上述步骤完成后，将验证集中的图片先按照步骤五提取多尺寸方向梯度直方图特征。再使用步骤六中训练好的隐变量分析模型，根据公式六提取出年龄相关的特征。最后将年龄相关特征送入步骤七中训练好的线性回归器得到预测的年龄，并使用平均绝对误差作为评价指标评估算法性能，平均绝对误差的计算公式见公式七：综上所述，本专利技术首先根据人脸信息的先验知识，对人脸图片提取全局特征后，针对眼睛周围包含的丰富的细节特征进行了精细化的提取，合成了多尺寸的方向梯度直方图特征。由于提取的特征包含了很多年龄无关的噪声，本专利技术利用隐变量分析算法对特征做了进一步分析，使得处理后的特征都是高度年龄相关的，从而提高了年龄估计的准确性。附图说明图1是本专利技术中提取方向梯度直方图特征流程图。图2是专利技术的总体流程图。具体实施方式下面结合附图和具体实施方式对本专利技术作进一步详细的说明。一种基于方向梯度和隐变量分析的人脸年龄估计方法，其整体步骤如下。步骤一、数据预处理阶段：利用现有的人脸检测和人脸关键点定位算法对人脸图片进行人脸检测和关键点(68个关键点)定位，裁剪出人脸区域(如果没有检测出人脸则将该图片删除)，按照瞳孔和上嘴唇的位置将图片对齐并缩放到128×160大小保存。本步骤包括但不限于基于68点进行人脸对齐。步骤二、数据集划分：为了避免模型在数据集上过拟合，提高模型的泛化能力。需要将数据集进行划分，随机划分出80％的数据作为训练集，剩下的20％作为验证集，并保证同一个人的数据仅出现在一个集合中。步骤三、训练集分组：为了训练隐变量分析模型，需要将训练集的数据分别按照年龄段和身份信息分组，值得注意的是，按照年龄段分组需要考虑到数据集样本的年龄分布情况，划分的年龄段要保证每个段内的训练样本数目接近。步骤四、提取多尺度方向梯度直方图特征：对步骤二划分的训练集图片首先进行灰度化处理并做伽马归一化，之后利用梯度算子计算图片每个像素点水平方向和竖直方向的梯度值，计算公式如公式一和公式二：Gx(x,y)＝H(x+1,y)-H(x-1,y)公式一Gy(x,y)＝H(x,y+1)-H(x,y-1)公式二其中，，Gx(x,y)，Gy(x,y)，H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、竖直方向梯度和像素值。然后计算像素点(x,y)处的梯度幅值G(x,y)和梯度方向α(x,y)，计算公式如公式三和公式四：接着在全图以16×16(或8×8)作为细胞单元尺寸合成大尺寸的方向梯度直方图特征，并根据步骤一中关键点定位的结果在眼部周围提取8×8(或4×4)大小的小尺寸的方向梯度直方图特征，最后将两个尺寸的特征拼接在一起作为整张人脸的特征，提取的过程如图1所示。步骤五、特征降维：由于步骤四中提取的方向梯度直方图特征是多尺寸的，导致特征维数很高，所以有必要对特征进行降维处理以减小后续算法的运算量，本专利技术使用主成分分析算法进行降维并保留98％的能量。本步骤包含但不限于使用主成分分析的降维方法。步骤六、训练隐变量分析模型：将步骤六中提取的图片特征建模本文档来自技高网...

【技术保护点】
1.一种基于方向梯度和隐变量分析的人脸年龄估计方法，其特征在于：所述方法的整体步骤为：步骤一、数据预处理阶段：利用现有的人脸检测和人脸关键点定位算法对人脸图片进行人脸检测和关键点定位，裁剪出人脸区域并将图片缩放到128×160大小保存；步骤二、数据集划分：随机划分出年龄数据集中的80％数据作为训练集，剩下20％作为验证集，保证同一个人的数据仅出现在一个集合中；步骤三、训练集分组：将步骤二中划分出的训练集分别按照年龄段和身份信息分组并保存；步骤四、提取多尺度方向梯度直方图(Histogram of oriented gradient)特征：对步骤二划分的训练集图片首先进行灰度化处理并做伽马归一化，之后利用梯度算子计算图片每个像素点水平方向和竖直方向的梯度值，计算公式如公式一和公式二：Gx(x,y)＝H(x+1,y)‑H(x‑1,y)  公式一Gy(x,y)＝H(x,y+1)‑H(x,y‑1)  公式二其中，Gx(x,y)，Gy(x,y)，H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、竖直方向梯度和像素值；然后计算像素点(x,y)处的梯度幅值G(x,y)和梯度方向α(x,y)，计算公式如公式三和公式四：...

【技术特征摘要】
1.一种基于方向梯度和隐变量分析的人脸年龄估计方法，其特征在于：所述方法的整体步骤为：步骤一、数据预处理阶段：利用现有的人脸检测和人脸关键点定位算法对人脸图片进行人脸检测和关键点定位，裁剪出人脸区域并将图片缩放到128×160大小保存；步骤二、数据集划分：随机划分出年龄数据集中的80％数据作为训练集，剩下20％作为验证集，保证同一个人的数据仅出现在一个集合中；步骤三、训练集分组：将步骤二中划分出的训练集分别按照年龄段和身份信息分组并保存；步骤四、提取多尺度方向梯度直方图(Histogramoforientedgradient)特征：对步骤二划分的训练集图片首先进行灰度化处理并做伽马归一化，之后利用梯度算子计算图片每个像素点水平方向和竖直方向的梯度值，计算公式如公式一和公式二：Gx(x,y)＝H(x+1,y)-H(x-1,y)公式一Gy(x,y)＝H(x,y+1)-H(x,y-1)公式二其中，Gx(x,y)，Gy(x,y)，H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、竖直方向梯度和像素值；然后计算像素点(x,y)处的梯度幅值G(x,y)和梯度方向α(x,y)，计算公式如公式三和公式四：接着在全图合成大尺寸的方向梯度直方图特征，并根据步骤一中关键点定位的结果在眼部周围提取小尺寸的方向梯度直方图特征，最后将两个尺寸的特征拼接在一起作为整张人脸的特征；步骤五、特征降维：使用主成分分析算法对步骤四中提取的方向梯度直方图特征进行降维，保留98％的能量；步骤六、训练隐变量分析模型：将步骤六中提取的图片特征建模成年龄相关特征和身份相关特征以及其他无关噪声的...

【专利技术属性】
技术研发人员：舒畅，洪建宇，刘洪盛，傅志中，周宁，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51