一种亚裔人脸的年龄特征模型生成方法及年龄估计方法

技术领域

本发明涉及计算机视觉和机器学习技术领域，特别涉及一种亚裔人脸的年龄特征模型生成方法及年龄估计方法。

背景技术

人脸作为一个对计算机来说识别和分析都非常困难的物体，从20世纪90年代开始就引起了研究者们的广泛关注。而成功有效的人脸年龄估计在智能监控，视频索引以及人口信息统计等领域又存在着巨大的应用前景。人脸年龄估计的平均绝对误差是其关键性指标。

与人脸性别识别或者人脸表情识别等问题相比，人脸年龄估计问题本身是一个复杂而困难的问题，即使是用人眼进行判断，也很难仅基于脸部信息准确估计一个人的年龄，而人眼却很容易判断一个人的性别或表情。故该研究领域的发展一直较为缓慢。

现有人脸年龄估计方法主要针对欧美人脸，而这些方法在亚裔人脸识别上效果都不太好。这是因为该领域研究者在进行方法设计、特征提取、测试等环节中，使用的都是国外的公共数据集，这些数据集均由欧美人脸数据组成；因此基于这些公共数据集提出的方法用在欧美人脸的年龄估计上效果非常好，但是用在亚裔人脸的分析上，效果就会出现明显下降。而且欧美人的人脸轮廓一般要大于亚裔人的人脸轮廓，而亚裔人脸的局部细微变化更多，也即局部区域信息更丰富，所以现有方法并不能很好的捕捉并描述这些信息。

发明内容

本发明的目的在于克服目前亚裔人脸年龄估计方法存在的上述缺陷，通过深入分析亚裔人脸的特点，提出一种亚裔人脸的年龄特征模型生成方法；该方法通过提取人脸的纹差图特征，可以提取到人脸重要器官区域和人脸皱纹区域的特征信息，通过图像差分、尺寸缩减、分块取最大值等操作进一步强化特征，最终得到对年龄估计敏感的特征；从而生成亚裔人脸的年龄特征模型；基于该模型，本发明还提供了一种亚裔人脸的年龄估计方法，能够实现对年龄的精确估计。

为了实现上述目的，本发明提供了一种亚裔人脸的年龄特征模型的生成方法，所述方法包括：

步骤S1)提取训练集中每张人脸图片的纹差特征图，从而得到每张人脸图片的原始特征向量F(z_i)；

步骤S2)确定原始特征向量F(z_i)的降维维度，基于主成分分析法对第i张训练图片的原始特征向量F(z_i)进行降维，得到降维后的特征向量F_D(z_i)；

步骤S3)基于支持向量机回归算法对降维后的特征向量F_D(z_i)进行训练生成年龄特征模型。

上述技术方案中，所述步骤S1)具体包括：

步骤S1-1)对人脸图片进行预处理，得到60×60像素大小的原始人脸图像；

步骤S1-2)基于局部二值模式算子对步骤S1-1)得到的原始人脸图像进行编码计算，得到局部二值模式编码图像；

步骤S1-3)分别对原始人脸图像和局部二值模式编码图像进行Gabor小波变换，得到两组Gabor响应图像簇；

步骤S1-4)对两组Gabor响应图像簇中图像作图像差分运算，得到差分图像簇{DOT(z_i)}；

步骤S1-5)对差分图像簇中的图像进行尺度缩减操作，得到图像数量减半的新的差分图像簇{DOT′(z_i)}；

步骤S1-6)对新的差分图像簇{DOT′(z_i)}中的图像进行最大池化操作，得到纹差特征图FM(z_i)；

步骤S1-7)将步骤S1-6)得到的纹差特征图FM(z_i)由二维图结构的形式转化为向量的形式，再对向量进行归一化，得到每一张训练图片的原始特征向量F(z_i)。

上述技术方案中，所述步骤S1-1)具体包括：

步骤S1-1-1)对人脸图片进行图像灰度化处理：

遍历面部图像，对每一个像素点进行处理，得到每个像素的RGB值，通过运算分别提取出红、蓝、绿的值，根据人眼对红蓝绿三种颜色的敏感程度不同，最佳灰度转换公式为：

Grey＝(9798R+19235G+3735B)/32768>

其中Grey代表转换后的灰度值，R、G、B分别代表图像中每一个像素点的红色分量、绿色分量和蓝色分量；

步骤S1-1-2)采用双线性插值法将灰度化图像大小调整至60×60；

步骤S1-1-3)对调整大小后的图像进行增强：

利用直方图的统计数据进行图像直方图的修改，通过调整图像各灰度级别像素出现概率相等来改变图像中各灰度级别的像素值，从而实现图像增强；

步骤S1-1-4)对增强后的图像提取图像像素矩阵，得到原始人脸图像。

上述技术方案中，所述步骤S1-3)具体包括：

步骤S1-3-1)对步骤S1-1)得到的原始人脸图像进行Gabor小波变换：

取p个不同的方向和q个不同尺度的Gabor滤波器对原始人脸图像进行处理，得到一组p×q张Gabor响应图像簇{Gabor-I(z_i)}；其中z_i(i＝1…L)表示训练集中第i张图片；

步骤S1-3-2)对步骤S1-2)中得到的LBP编码图像进行Gabor小波变换：取p个不同的方向和q个不同尺度的Gabor滤波器对LBP编码图像进行处理，得到一组p×q张Gabor响应图像簇{Gabor-L(z_i)}。

上述技术方案中，所述步骤S1-4)的具体实现过程为：

对两组Gabor响应图像簇中图像作图像差分运算，得到差分图像簇：

{DOT(z_i)}＝|{Gabor-I(z_i)}-{Gabor-L(z_i)}|>

其中，{DOT(z_i)}表示训练集中第i张图片z_i的差分图像簇；{Gabor-I(z_i)}中任意一张图像Gabor-I(z_i)_k，由原始人脸图像经过尺度为m×m(m为整数)、方向为D的Gabor滤波器处理得到，在{Gabor-L(z_i)}中存在对应图像Gabor-L(z_i)_k，该图像由LBP编码图像经过同样的尺度为m×m、方向为D的Gabor滤波器处理得到。

则对应的差分图像DOT(z_i)_k由下式得到：

DOT(z_i)_k＝|Gabor-I(z_i)_kΔGabor-L(z_i)_k|>

其中“Δ”表示两张图像对应像素一一相减，“||”表示取绝对值。

这样，对两组图像中的每两张对应的图像做差分运算，即可得到差分图像簇{DOT(z_i)}；{DOT(z_i)}中包含p×q张图像。

上述技术方案中，所述步骤S1-5)具体包括：

步骤S1-5-1)将差分图像簇{DOT(z_i)}中p×q张图像按照每相邻两个尺度的滤波器对应的2q张图像划分为一个带，总共得到p/2个带；

步骤S1-5-2)在每个带中，将图片划分为q组，每组两张图片，这两张图片对应相同的方向，尺度不同，假设为和对其进行如下操作：

其中，DOT′(z_i)_k表示新的差分图像簇中的第k张图像，“Max()”函数表示在两张图像中，相同位置对应的两个像素点中取最大值作为新的像素值，构成一张新的图像。

上述技术方案中，所述步骤S1-6)具体包括：

步骤S1-6-1)对新的差分图像簇{DOT′(z_i)}中的图像，构成像素矩阵M；

原始人脸图像大小为x×y像素大小，{DOT′(z_i)}中共有(p/2×q)张图片，那么按一定顺序排列，{DOT′(z_i)}所有图像构成一个大小为(xp/2×yq)的像素矩阵M；

步骤S1-6-2)构建训练图片的纹差特征图FM(z_i)对应的矩阵S；

将矩阵M划分为不重叠的2×2大小的小块，每个小块中的4个元素取最大值构成一个新的矩阵S，该矩阵S即为训练图片的纹差特征图FM(z_i)。

上述技术方案中，所述步骤S2)具体包括：

步骤S2-1)将原始特征向量F(z_i)的维度d划分为n等分，确定新维度d'的取值范围；

原始特征向量F(z_i)的维度为d，将d的取值划分为n等份，取值集合如下：

其中，表示整数取整运算；

设降维后的得到特征为F_D(z_i)，则其维度d'分别取这n个值：

步骤S2-2)d'依次取集合中的每个值，计算训练集所有图片对应的年龄估计平均绝对误差集合{MAE_m}；

对训练集中的L张图片，计算当d'取集合中的每个值时，训练集所有图片对应的年龄估计平均绝对误差如下：

其中，j表示训练集中第j张图片，k表示d'取集合中第k个值，即l_j表示训练集中第j张图片对应的真实年龄，表示训练集中第j张图片的年龄估计值；最终可以得到不同MAE值集合{MAE_m}其中m∈1,2,...,n；

步骤S2-3)取集合{MAE_m}中最小值MAE_min，以MAE_min对应的d'作为最终的降维维度；

步骤S2-4)基于步骤S2-3)得到的d'，利用主成分分析法对每张训练图片的原始特征向量F(z_i)进行降维，得到降维后的特征向量F_D(z_i)。

上述技术方案中，所述步骤S3)具体包括：

步骤S3-1)基于支持向量机回归算法构建最优化问题；

假设训练集样本为{x⁽ⁱ⁾,y⁽ⁱ⁾}(i＝1,2,...,m),x⁽ⁱ⁾表示每张训练图片降维后的特征向量F_D(z_i)，y⁽ⁱ⁾表示该训练图片对应的真实年龄，总共有L个样本；假设样本维数为D，则支持向量机回归的目标即是求解预测函数f(x)，使f(x⁽ⁱ⁾)与y⁽ⁱ⁾之间的差值不大于ε，ε是一个极小的数，控制着实际标签值与预测估计值之间的最大误差；最优化问题为：

f(x)＝w·x+b

步骤S3-2)利用拉格朗日乘子法对最优化求解问题进行转化，转换为对其对偶问题进行求解，得到预测函数f(x)的表达式；

步骤S3-3)所述年龄特征模型为预测函数f(x)。

基于上述的亚裔人脸的年龄特征模型，本发明还提供了一种亚裔人脸的年龄估计方法，所述方法包括：

步骤T1)提取待估计年龄的亚裔人脸图片的纹差特征图，从而得到人脸图片的原始特征向量F(z)；

步骤T2)确定原始特征向量F(z)的降维维度，基于主成分分析法对原始特征向量F(z)进行降维，得到降维后的特征向量F_D(z)；

步骤T3)将步骤T2)得到的特征向量F_D(z)输入到步骤S3)生成的年龄特征模型中的预测函数f(x)，计算出待估计年龄的亚裔人脸的预测年龄

本发明的方法优点在于：

1、本发明的方法可应用在安全监控、视频索引和人口信息统计等诸多场合；

2、本发明提出的年龄特征模型基于人脸重要器官区域和人脸皱纹区域提取特征，更关注人脸局部区域的信息及它们之间的相关性，确保特征中包含有足够的对年龄估计敏感的信息；

3、本发明提出的年龄特征模型是一种有效的特征提取模型，适用于人脸年龄估计；年龄特征模型结合SVR回归算法实现亚裔人脸年龄估计时可得到更低的误差，满足实际应用场景需要。

附图说明

图1为本发明的年龄特征模型生成方法的流程图。

具体实施方式

下面对本发明涉及的技术概念进行简要的介绍。

局部二值模式(Local Binary Pattern，LBP)方法是人脸相关研究领域较为常用方法。LBP图像编码定义为在3×3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3×3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码，共256种)，即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。

Gabor小波被广泛应用于图像识别、图像处理领域，在模式识别领域中，Gabor小波变换也是一种非常有效的特征描述子。在空域，一个2维的Gabor滤波器是一个正弦平面波和高斯核函数的乘积，具有在空间域和频率域同时取得最优局部化的特性，与人类生物视觉特性很相似，因此能够很好地描述对应于空间频率(尺度)、空间位置及方向选择性的局部结构信息。实质上，Gabor小波变换是为了提取信号Fourier变换的局部信息，使用了一个Gauss函数作为窗函数，因为一个Gauss函数的Fourier变换还是一个Gauss函数，所以Fourier逆变换也是局部的。通过频率参数和高斯函数参数的选取，Gabor变换可以选取很多部位的特征信息。输入人脸图像经过Gabor小波变换后，可得到一组Gabor小波响应图像簇。

主成分分析(Principal Component Analysis，PCA)降维方法的原理为去除原始数据中各数据分量间的相关关系，去除冗余信息，保留最主要的成分。PCA计算原始数据协方差矩阵中最大的几个特征值所对应的特征向量并得到对应的子空间，将特征向量投影到该子空间以达到用较少数量的特征对样本空间进行描述的目的。支持向量机在解决分类问题时(通常是二分类问题)，是基于结构风险最小化的准则寻找一个最优分类超平面，将样本一分为二，达到不同类别间具有最大的类间间隔。分类问题中常用离散的整数值表示样本的类别，与分类问题不同，回归问题中的每个样本的标签是连续的实数。故支持向量机回归(Support Vector Regression，SVR)旨在寻找一个超平面，能够准确预测样本的分布，近似样本数据。

现结合附图和具体实施例对本发明做进一步的描述。

如图1所示，一种亚裔人脸的年龄特征模型的生成方法，所述方法包括：

步骤S1)提取训练集中每张人脸图片的纹差特征图(Feature Map of Difference of Texture，FMDT)，从而得到每张人脸图片的原始特征向量；具体包括：

步骤S1-1)对人脸图片进行预处理，得到60×60像素大小的原始人脸图像；具体包括：

步骤S1-1-1)对人脸图片进行图像灰度化处理：

遍历面部图像，对每一个像素点进行处理，得到每个像素的RGB值，通过运算分别提取出红、蓝、绿的值，根据人眼对红蓝绿三种颜色的敏感程度不同，最佳灰度转换公式为：

Grey＝(9798R+19235G+3735B)/32768>

其中Grey代表转换后的灰度值，R、G、B分别代表图像中每一个像素点的红色分量、绿色分量和蓝色分量；

步骤S1-1-2)采用双线性插值法将灰度化图像大小调整至60×60；

步骤S1-1-3)对调整大小后的图像进行增强：

利用直方图的统计数据进行图像直方图的修改，通过调整图像各灰度级别像素出现概率相等来改变图像中各灰度级别的像素值，从而实现图像增强；

步骤S1-1-4)对增强后的图像提取图像像素矩阵，得到原始人脸图像；

步骤S1-2)基于LBP算子对步骤S1-1)得到的原始人脸图像进行编码计算，得到LBP编码图像；

步骤S1-3)分别对原始人脸图像和LBP编码图像进行Gabor小波变换；具体包括：

步骤S1-3-1)对步骤S1-1)得到的原始人脸图像进行Gabor小波变换：

取p个不同的方向和q个不同尺度的Gabor滤波器对原始人脸图像进行处理，得到一组p×q张Gabor响应图像簇{Gabor-I(z_i)}；其中z_i表示训练集中第i张图片；

步骤S1-3-2)对步骤S1-2)中得到的LBP编码图像进行Gabor小波变换：

取p个不同的方向和q个不同尺度的Gabor滤波器对LBP编码图像进行处理，得到一组p×q张Gabor响应图像簇{Gabor-L(z_i)}。

步骤S1-4)对两组Gabor响应图像簇中图像作图像差分运算，得到差分图像簇：

{DOT(z_i)}＝|{Gabor-I(z_i)}-{Gabor-L(z_i)}| (1)>

其中，{DOT(z_i)}表示训练集中第i张图片z_i的差分图像簇；{Gabor-I(z_i)}中任意一张图像Gabor-I(z_i)_k，由原始人脸图像经过尺度为m×m(m为整数)、方向为D的Gabor滤波器处理得到，在{Gabor-L(z_i)}中存在对应图像Gabor-L(z_i)_k，该图像由LBP编码图像经过同样的尺度为m×m、方向为D的Gabor滤波器处理得到。

则对应的差分图像DOT(z_i)_k由下式得到：

DOT(z_i)_k＝|Gabor-I(z_i)_kΔGabor-L(z_i)_k| (2)>

其中“Δ”表示两张图像对应像素一一相减，“||”表示取绝对值。

这样，对两组图像中的每两张对应的图像做差分运算，即可得到差分图像簇{DOT(z_i)}；{DOT(z_i)}中仍然包含p×q张图像。

步骤S1-5)对差分图像簇中的图像进行尺度缩减操作，得到图像数量减半的新的差分图像簇{DOT′(z_i)}；具体包括：

步骤S1-5-1)将差分图像簇{DOT(z_i)}中p×q张图像按照每相邻两个尺度的滤波器对应的2q张图像划分为一个带，这样总共得到p/2个带；

步骤S1-5-2)在每个带中，将图片划分为q组，每组两张图片，这两张图片对应相同的方向，尺度不同，假设为和对其进行如下操作：

其中，DOT′(z_i)_k表示新的差分图像簇中的某张图像，“Max()”函数表示在两张图像中，相同位置对应的两个像素点中取最大值作为新的像素值，构成一张新的图像；

步骤S1-6)对新的差分图像簇{DOT′(z_i)}中的图像，进行最大池化(MAX-pooling)>i)；具体包括：

步骤S1-6-1)对新的差分图像簇{DOT′(z_i)}中的图像，构成像素矩阵M；

原始人脸图像大小为x×y像素大小，{DOT′(z_i)}中共有(p/2×q)张图片，那么按一定顺序排列，{DOT′(z_i)}所有图像构成一个大小为(xp/2×yq)的像素矩阵M；

步骤S1-6-2)构建训练图片的纹差特征图FM(z_i)对应的矩阵S；

将矩阵M划分为不重叠的2×2大小的小块，每个小块中的4个元素取最大值构成一个新的矩阵S，该矩阵S即为训练图片的纹差特征图FM(z_i)；

步骤S1-7)将步骤S1-6)得到的纹差特征图FM(z_i)由二维图结构的形式转化为向量的形式，再对向量进行归一化，得到每一张训练图片的原始特征向量F(z_i)。

步骤S2)确定原始特征向量F(z_i)的降维维度，基于主成分分析法(Principal>i)进行降维；具体包括：

步骤S2-1)将原始特征向量F(z_i)的维度d划分为n等分，确定新维度d'的取值范围；

原始特征向量F(z_i)的维度为d，将d的取值划分为n等份，取值集合如下：

其中，表示整数取整运算；

设降维后的得到特征为F_D(z_i)，则其维度d'分别取这n个值：

步骤S2-2)d'依次取集合中的每个值，计算训练集所有图片对应的年龄估计平均绝对误差集合{MAE_m}；

对训练集中的L张图片，计算当d'取集合中的每个值时，训练集所有图片对应的年龄估计平均绝对误差如下：

其中，j表示训练集中第j张图片，k表示d'取集合中第k个值，即l_j表示训练集中第j张图片对应的真实年龄，表示训练集中第j张图片的年龄估计值；最终可以得到不同MAE值集合{MAE_m}其中m∈1,2,...,n。

步骤S2-3)取集合{MAE_m}中最小值MAE_min，以MAE_min对应的d'作为最终的降维维度；

步骤S2-4)基于步骤S2-3)得到的d'，利用主成分分析法(Principal Component Analysis，PCA)对每张训练图片的原始特征向量F(z_i)进行降维，得到降维后的特征向量F_D(z_i)；

步骤S3)基于支持向量机回归算法(Support Vector Regression，SVR)对降维后的特征F_D(z_i)进行训练生成年龄特征模型；具体包括如下步骤：

步骤S3-1)基于支持向量机回归算法构建最优化问题；

假设训练集样本为{x⁽ⁱ⁾,y⁽ⁱ⁾}(i＝1,2,...,m)，x⁽ⁱ⁾表示每张训练图片降维后的特征向量F_D(z_i)，y⁽ⁱ⁾表示该训练图片对应的真实年龄，总共有L个样本。假设样本维数为D，则SVR的目标即是求解预测函数f(x)，使f(x⁽ⁱ⁾)与y⁽ⁱ⁾之间的差值不大于ε，ε是一个极小的数，控制着实际标签值与预测估计值之间的最大误差。那么，f(x)的定义如下：

f(x)＝w·x+b

(5)>

其中，“·”表示向量内积；求解的w应使||w||²最小；一般称该超平面模型为ε-SVR；那么ε-SVR的最优化求解问题可表示为如下公式：

(6)>

s.t.|w·x⁽ⁱ⁾+b-y⁽ⁱ⁾|≤ε,i∈(1,2,...,m)

SVR引进惩罚系数和松弛变量来进行调节：

s.t.w·x⁽ⁱ⁾+b-y⁽ⁱ⁾≤ε+ξ_i (7)>

y⁽ⁱ⁾-w·x⁽ⁱ⁾-b≤ε+ξ_i^*

ξ_i,ξ_i^*≥0,i＝1,2,...,m

其中，

表示损失函数；

在本实施例中，设定SVR参数中的惩罚系数C＝128，学习参数g＝0.1，采用RBF(径向高斯基)核函数进行训练；

步骤S3-2)利用拉格朗日乘子法对最优化求解问题进行转化，转换为对其对偶问题进行求解，得到预测函数f(x)的表达式；

引入如下拉格朗日函数：

其中表示α_i和表示η_i和而α_i、η_i以及均为拉格朗日乘子。公式(9)的求解属于凸二次规划问题范畴，通过先求解L(w,α,η,b)函数对w,b,ξ的最小值转化，则求解满足L(w,α,η,b)函数对w,b,ξ的偏导分别为0的“鞍点”：

可得到带回公式(9)中可得：

这样，求解公式(9)的最优解问题转化为以下对偶问题的求解：

这样，就将问题转化为只包含一个α参数的最优化问题，得到α的值后便可求出相应的w，最终的f(x)为：

根据KKT条件，SVR的对偶问题只有满足以下条件时，对偶问题的解才等价于原问题的解：

α_i(ε+ξ_i-y⁽ⁱ⁾+w·x+b)＝0

(C-α_i)ξ_i＝0 (14)>

可看出当α_i＝C时，ξ_i才不等于0，此时样本点会落在ε(即离群点)，则：

ε-y⁽ⁱ⁾+w·x+b≥0,ξ_i＝0>i＜C

(15)

ε-y⁽ⁱ⁾+w·x+b＜0,ifα_i＞0

那么b的取值满足：

≤b≤ (16)>

由KKT条件还可看出，对于|f(x)-y⁽ⁱ⁾|＝ε+ξ_i^(*)的样本点，其对应的才不等于0；这些样本点即支持向量。

当核函数为K(x⁽ⁱ⁾,x)时，预测函数f(x)变为：

训练得到SVR模型后，只有支持向量对应的点决定着回归的预测值。

步骤S3-3)所述年龄特征模型为预测函数f(x)。

基于上述方法生成的亚裔人脸的年龄特征模型，本发明还提供了一种亚裔人脸的年龄估计方法，所述方法包括：

步骤T1)提取待估计年龄的亚裔人脸图片的纹差特征图，从而得到人脸图片的原始特征向量F(z)；

步骤T2)确定原始特征向量F(z)的降维维度，基于主成分分析法对原始特征向量F(z)进行降维，得到降维后的特征向量F_D(z)；

步骤T3)将步骤T2)得到的特征向量F_D(z)输入到步骤S3)生成的年龄特征模型中的预测函数f(x)，计算出待估计年龄的亚裔人脸的预测年龄。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。