基于人脸图像的性别识别与年龄估计

针对以往利用人脸图像单方面进行性别识别或年龄估计,提出了利用公共特征、私有特征同时进行性别识别与年龄估计.用对光照、尺度变化具有很强鲁棒性的Gabor小波变换提取人脸特征.降维后的有效人脸特征分成公共特征、私有特征两部分,公共特征用于性别识别,私有特征进行年龄估计.在FG-NET人脸库及自建OFID人脸库中用RBF神经网络进行了实验,取得了良好效果.     

人脸图像的年龄估计技术研究

年龄信息作为人体的一种重要生物特征,在安全监控、人机交互、视频检索等领域有着巨大的应用潜力,并且是人脸识别技术的主要瓶颈问题之一。基于人脸图像的年龄估计技术作为一种新兴的生物特征识别技术,目前已经成为计算机视觉、人机交互等领域的一个重要研究课题。为此对国内外近几年来在年龄估计技术方面的发展情况进行了综述,主要包括年龄特征提取与年龄分类模式两大部分。同时对常用的年龄数据库、性能评价指标进行了总结,并在此基础上对当前的一些年龄估计系统的性能进行了对比。最后,对基于人脸图像的年龄估计技术所面临的挑战以及可能的发展方向进行了讨论。     

人脸图像年龄估计模型综述

人脸图像年龄估计是模式识别领域中一个重要的研究方向。本文针对人脸图像年龄估计中提出的模型进行了分析、分类、归纳和总结,指出了各种模型的优缺点和研究现状。     

基于人脸图像衰老特征相关性的年龄估计方法

研究年龄的自动准确识别问题。人脸中,与年纪相关的特征,例如皱纹、面部肌肉松垂、皮肤光泽下降等过于细微,捕获后容易缺失,很难建立稳定性较强的识别模型。传统的基于年纪相关年龄识别方法,在正常的人脸模型中添加年纪特征后,很容易导致模型的不稳定,年纪特征被淡化,年龄估计准确率不高。为解决上述问题,提出了衰老特征相关性计算的年龄估计方法。对提取的人脸图像衰老特征参数进行非线性变换处理,获取特征向量权值系数。利用小波变换方式计算衰老特征相关性系数,进行年龄估计。实验证明,新方法提高了年龄识别的准确率,取得了满意的效果。     

基于模糊隶属度的人脸图像年龄估计

由于人脸面貌特征与年龄存在着较大的不确定性,提出了基于模糊隶属度的人脸图像年龄估计.用对光照、尺度变化具有很强鲁棒性的Gabor小波变换提取人脸特征,为了避免维数灾难,降低后续计算量,利用主成份分析方法对提取到的特征进行降维,细致推导了适用于人脸图像年龄估计的模糊函数,根据最大隶属度原则,来估计人脸的年龄.在FG-NET人脸库及自建的FAID人脸库中进行了实验,取得了94％的最高识别率.     

一种基于人脸图像的年龄估计方法

有关年龄估计的研究在人机交互领域有着非常重要的意义。该文提出一种基于人脸图像的年龄估计方法,该方法首先基于颅面成长模式理论建立人脸测量模板,在此模板上计算面部几何比例特征,然后运用分数阶微分提取人脸局部区域的纹理特征,结合这两类特征构成个体年龄特征向量;通过聚类学习的方法训练年龄特征向量获得年龄-特征映射矩阵,最后由此矩阵表决出输入人脸的估计年龄。实验结果表明,基于这两种特征构建的年龄估计模型可以获得较好的年龄估计结果,年龄误差较小,分类准确率接近人的主观判断结果。     

基于加权字典对学习的人脸年龄估计方法

针对现有人脸年龄估计方法多数将人脸各部分同等对待或忽视部分特征的问题,提出一种基于加权字典对学习(DPL)的人脸年龄估计方法。将人脸进行分块,使用局部二值模式算法对人脸的主要特征区域和次要特征区域分别进行特征提取,得到人脸的主要特征和次要特征,再利用这2种特征分别训练DPL模型,并赋予不同的权重,使用训练好的加权DPL模型对目标人脸图像进行年龄分类。在MORPH和FG-NET数据集上的实验结果表明,该方法具有较高的分类准确率。     

面向人脸年龄估计的深度融合神经网络

目的 为了提高人脸图像年龄估计的精度,提出一种端对端可训练的深度神经网络模型来进行人脸年龄估计。方法 该网络模型由多个卷积神经网络（CNN）和一个深度置信网络（DBN）堆叠而成,称为深度融合网络（DFN）。首先使用多个并联的CNN提取人脸图像多个区域的外观特征,将得到的特征进行串接输入一个DBN网络进行非线性融合。为了实现DFN的端到端的整体训练,提出一种逐网络迭代训练（INWT）的机制。为了降低过拟合效应,那些对应人脸局部图像的CNN经过多次迭代迁移学习实现面向人脸年龄估计任务的训练。完成对DFN中所有CNN和DBN的预训练后,再进行全网络端到端的整体精调。结果 在两个人脸年龄图像库MORPHⅡ和FG-NET上对本文方法进行测试,实验结果显示基于DFN的人脸年龄估计方法能在两个人脸图像库中分别取得平均绝对误差（MAE）等于3.42和4.14的估计精度,与目前主流的年龄估计算法,如基于浅层学习的CA-SVR方法（两个数据库上取得的MAE分别等于5.88和4.75）,基于深度学习的DeepRank+方法（MORPHⅡ数据库上取得的MAE为3.49）和Deep-CS-LBMFL方法（FG-NET数据库上取得的MAE为4.22）等相比,估计精确度明显提高。结论 本文提出基于深度融合网络的人脸年龄估计方法与当前大部分基于深度神经网络的主流算法相比具有明显的优势。     

人脸年龄估计的深度学习方法综述

目的 人脸年龄估计技术作为一种新兴的生物特征识别技术,已经成为计算机视觉领域的重要研究方向之一。随着深度学习的飞速发展,基于深度卷积神经网络的人脸年龄估计技术已成为研究热点。方法 本文以基于深度学习的真实年龄和表象年龄估计方法为研究对象,通过调研文献,分析了基于深度学习的人脸年龄估计方法的基本思想和特点,阐述其研究现状,总结关键技术及其局限性,对比了常见人脸年龄估计方法的性能,展望了未来的发展方向。结果 尽管基于深度学习的人脸年龄估计研究取得了巨大的进展,但非受限条件下年龄估计的效果仍不能满足实际需求,主要因为当前人脸年龄估计研究仍存在以下困难：1）引入人脸年龄估计的先验知识不足;2）缺少兼顾全局和局部细节的人脸年龄估计特征表达方法;3）现有人脸年龄估计数据集的限制;4）实际应用环境下的多尺度人脸年龄估计问题。结论 基于深度学习的人脸年龄估计技术已取得显著进展,但是由于实际应用场景复杂,容易导致人脸年龄估计效果不佳。对目前基于深度学习的人脸年龄估计技术进行全面综述,从而为研究者解决存在的问题提供便利。     

多尺度YOLO人脸年龄估计方法研究

通过观察人脸估计年龄较为常见，但如何准确预测年龄则是一个难题。为提高人脸图像年龄估计的准确率，提出一种基于YOLO（You Only Look Once）模型的目标检测方法。将多尺度回归思想应用于卷积神经网络（Convolutional Neural Network，CNN），通过多尺度卷积改善模型对小尺寸目标的提取能力，结合特征通道分权重思想，改善特征提取操作中特征信息丢失的问题，构造决策树回归得到年龄估计。这种方法在人脸年龄图像库FG-NET上获得平均绝对误差（MAE）3.43，在GROUP数据集获得区间匹配度（AEM）62.4%。实验结果表明，通过多尺度特征回归以及通道权重分配，可以较为准确地进行人脸信息检测，并由此建立鲁棒性更强的人脸年龄估计模型。     

基于标签敏感最大间隔准则的人脸年龄两步估计算法

传统的最大间隔准则在计算类间离散度矩阵时往往忽略了类别之间的差异,但是对于人脸年龄估计,不同年龄标签之间的差异性是非常显著的。因此,在标签之间引入距离度量,提出标签敏感的最大间隔准则维数约减算法。此外,考虑到人脸变老的复杂性,提出两步的局部回归算法——K近邻-标签分布的支持向量回归(K Nearset Neighbors-Label Distribution Support Vector Reressor,KNN-LDSVR),以进行人脸年龄估计。在FGNET数据库子集上提出的人脸年龄估计方法的平均绝对误差为4.1岁,相对于已有的年龄估计方法,性能得到提升。     

基于多分类器融合算法的3D人脸年龄识别

为了提高人脸识别中待测人脸图像年龄估计的正确率,提出了一种基于多分类器融合的3D人脸年龄识别算法.首先.利用人脸的纹理信息将二维图像映射到标准三维模型上,并以贝叶斯决策理论为基础,对Kittler提出的多分类器融合算法理论框架及其组合规则进行了详细的研究、讨论和改进,然后应用改进后的多分类器组合规则将多个单独识别分类器加以融合以达到分类未知年龄目标人脸的目的,并估计人脸年龄.实验结果表明,算法可有效估计日标人脸年龄,并减小估计误差.     

基于局部特征概率密度估计的三维模型特征提取方法

特征提取是三维模型检索中的关键.给出了基于局部特征概率密度估计的三维模型特征提取体系框架.针对三维表面局部几何特征集,利用核密度估计方法估计选定目标点的特定局部特征密度构成特征向量,用以描述三维模型.抽取三维网格模型的单元特征及多个单元特征组合而成的多元特征支持实现三维模型检索.实验验证了其检索性能优于基于统计的直方图特征提取方法.     

基于面部特征点的单幅图像人脸姿态估计方法

针对目前基于学习的姿态估计方法对训练样本及设备要求较高的问题,提出一种基于面部特征点定位的无需训练即能估计单幅图像中人脸姿态的方法.通过Adrian Bulat人脸特征点定位器和Candide-3构建稀疏通用人脸模型并获得五官特征点,确定模型绕Z轴的旋转范围及搜索步长,在指定Z轴旋转角度下,使用修正牛顿法通过模型的旋转...     

基于区域的年龄估计模型研究

随着年龄特征提取和年龄特征分类模式研究的不断深入,为了进一步满足基于年龄信息的人机交互系统在现实生活中的应用需求,构建有效的机器学习算法已成为人脸图像年龄估计技术的研究热点之一。首先,通过分析人脸图像的多个区域特征随年龄变化的规律,将面部分为前额区域、眼部区域、面中部区域及人脸整体区域,并分别构建深度卷积神经网络特征提取模型,实现每个区域年龄的特征提取;其次,以 Morph人脸库为样本集,将其划分为10～19岁、20～29岁、30～39岁、40～49岁、50～59岁、60岁以上6个年龄段,完成多区域年龄特征提取网络模型的训练及测试;最后,依据多区域网络年龄特征分类的准确率,确定基于区域的动态权值年龄估计模型。实验表明:所提模型在Morph人脸库中的年龄估计准确率达到72.6%,也将该人脸库的年龄分类类别由4个提升到6个。     

基于一种改进NMF算法的人脸年龄估计方法

基于人脸图像的年龄自动估计是人脸识别领域的一个重要研究方向,同时也是一个难点。对此,提出了一种改进的NMF算法来实现人脸年龄估计,该算法首先对NMF分解的基图像进行判别分析,保留最具判别力的基图像来构造子空间,然后将整体训练集图像向得到的子空间进行投影,并用RBF(radial basis function)神经网络进行训练和测试,提取包含在大多数人脸图像上的年龄信息来进行年龄估计,实验结果表明,该算法获得了较好的测试结果。     

基于图像差分特征的彩色图像差分预测与信息提取算法研究

图像特征提取预测技术一直是图像处理领域研究的热点与难点.提出了一种包含图像归一化特征融合的图像差分预测算法.基于色彩的图像差分特征测量方法充分利用了图像的色彩信息,将色彩信息全部转换到一个色彩空间中,然后将图像归一化到特定的视角距离范围内来提取出图像差分特征(IDF)信息.最后做了大量的仿真实验,结果表明,提出的方法可以极大地提高彩色图像差分预测性能;同时对图像的色域映射所造成的亮度失真进行的多尺度分析结果表明,以不同尺度提取的基于亮度的图像差分特征比一般的图像失真具有更高的尺度间相关性.     

基于深度图像的人脸模型特征点自动标定

准确标定人脸三维模型上的特征点是颅面形态学研究的关键问题之一。针对目前人脸特征点标定需要手工干预等问题,提出了一种基于深度图像的人脸三维模型特征点标定方法,该方法首先生成人脸三维模型的二维深度图像,然后采用SUSAN算子、灰度积分投影等方法在该图像上标定特征点,最终将标定好的特征点映射到人脸三维模型上,从而实现鼻尖点、嘴角点、眼角点以及耳朵处13个特征点的标定。实验结果表明,该方法可自动标定人脸模型特征点,准确获得特征点的位置,有效解决了人脸特征点标定因人工参与而带来的不准确性。