论文部分内容阅读
近年来,随着计算机视觉的发展,人脸识别技术成为模式识别领域非常热门的一个研究课题。人脸是人类非常重要的生物学特征之一,人脸中包含了很多重要的信息,例如身份、性别、年龄、表情、种族等等。在这所有的信息中,人脸显示出的年龄信息是人类身份识别的重要依据,并且人脸图像的年龄估计在人机交互、计算机视觉、智慧商业等领域有着非常不错的应用前景。因此,人脸年龄估计引起了越来越多的学者的关注。现有的人脸年龄估计的算法主要从人脸特征与估计方法两方面解决人脸图像的年龄估计问题。特征方面,Gabor特征、LBP(Local Binary Patterns)特征等基本人脸纹理特征,以及针对人脸的AAM(Active Appearance Model)特征等都是人脸年龄估计的常用特征。估计方法方面,研究学者大致采用分类与回归两种方法解决人脸的年龄估计问题。但是由于人脸呈现出的年龄受性别、健康状况等多种因素的影响,不同年龄特征间存在着复杂的内在联系等因素,导致对于人脸年龄估计的研究存在着很大的难点与挑战。本论文以解决人脸图像的年龄估计问题为出发点,深入研究了两种人脸年龄估计的方法,利用FGNET、Morph等数据库进行算法验证,并建立一个实时人脸年龄估计的演示系统,实现人脸年龄的实时估计,将算法转化为实际应用。(1)、基于卷积神经网络的人脸年龄估计方法。该方法构建了一个多层卷积神经网络,通过卷积神经网络获取深度卷积激活特征,作为人脸年龄估计的特征,并利用支持向量机(SVM)的方法训练年龄估计模型,得到年龄估计结果。利用Gobar特征与支持向量机(SVM),基于C++语言与OpenCV开源库实现实时的人脸年龄估计系统,实现算法到应用的有效转化。(2)、基于结构化的低秩特征表示的人脸年龄估计方法。该方法采用带约束的块对角化的方法,通过引入块对角稀疏正则项学习人脸特征的新的区分力强的低秩特征表示,这种新的特征表示很好地利用相近年龄特征之间的的相似性与结构性,可以提高年龄估计的准确率。在学习到新的特征表示之后,采用回归的方法进行人脸图像的年龄估计。以上年龄估计的方法都取得了很好的效果,并且基于结构化的低秩特征表示的人脸年龄估计方法在结果上优于基于卷积神经网络的人脸年龄估计方法。