论文部分内容阅读
近年来,随着模式识别和计算机视觉的发展,根据人脸图像自动进行年龄估计在人机交互、安全监控和娱乐等领域已经成为一个非常热门的话题。人脸图像的自动年龄估计问题是指采用计算机根据输入的人脸图像自动估计出其确切的年龄或所属的年龄范围。虽然研究者们为解决年龄估计问题付出了巨大努力,但仍然面临着很多的困难和挑战。一方面,人脸年龄估计问题受性别、种族、生活方式等外界因素的影响;另一方面,由于有确切年龄标注的人脸样本数量有限,已有年龄估计方法对于年龄多样性的学习在准确性上受到限制。因此人脸年龄估计问题的研究仍需要我们的继续努力和关注。现阶段人脸年龄估计的研究主要分两个方向:提取人脸图像的面部特征和年龄估计模型的学习。本论文针对年龄数据库的样本有限问题,深入剖析了年龄估计问题区别于普通分类或回归问题的特性,提出了充分利用年龄标签有序性的年龄估计算法。(1)基于多标签排序的人脸年龄估计算法。该算法将原本采用单一年龄标签表示的人脸样本改用多年龄标签来表示,通过标签矩阵的恢复理论来建立年龄估计模型。该方法针对训练样本的不足,提出采用年龄的有序性信息学习不同年龄之间的相关性,同时引入矩阵的迹范数控制模型的复杂度,据此构建出准确可靠的年龄估计模型。(2)基于结构化稀疏的人脸年龄估计算法。利用年龄标签的有序性信息,将人脸年龄估计模型转化为结构化稀疏学习模型。该算法引入结构化稀疏项学习人脸样本与不同年龄标签之间的相关性关系,即相近的年龄有相似的面部特征,并将全部年龄标签映射到同一个年龄特征空间内,不仅可以学习它的组稀疏性,同时还可以控制年龄估计模型的复杂度,以此提高年龄估计的准确性。除此之外,为实现人脸年龄估计问题从理论到实际应用的转化,本论文利用C++和OpenCV库建立了一个实时人脸年龄估计演示系统。以上两种年龄估计算法充分利用了年龄标签的有序性信息,在公开的FG-NET、Refined-MORPH等数据库上取得了优于现有年龄估计算法的性能,并且基于结构化稀疏的人脸年龄估计算法优于基于多标签排序的人脸年龄估计算法。