一種基于人臉圖像融合特征的軟雙層年齡估計方法技術

本發明專利技術公開了一種基于人臉圖像融合特征的軟雙層年齡估計方法，包括：一、獲得待估計人臉圖像；二、對圖像進行預處理；三、提取融合特征x；四、判斷軟雙層年齡估計方法是否已存在：若是到第六步；若否則轉第五步；五、學習軟雙層年齡估計方法：對訓練圖像提取融合特征，將訓練圖像劃分為兩個階段，學習得到二元分類器F(x)，在年齡邊界設置重疊區域，擴大每個階段的年齡范圍，分別學習得到回歸模型Y(x)和A)x)；六、將融合特征x輸入軟雙層年齡估計方法：首先運用二元分類器F(x)，然后根據分類結果選擇應用回歸模型Y(x)或者A(x)，得到估計年齡值y；七、對估計年齡值進行修正處理。

【技術實現步驟摘要】
一種基于人臉圖像融合特征的軟雙層年齡估計方法
本專利技術屬于計算機應用
，特別是涉及一種基于人臉圖像融合特征的軟雙層年齡估計方法。
技術介紹
現在已經有了越來越多基于年齡的應用，如基于年齡的強制、控制和輔助等方面的應用。隨著拍照設備的普及，獲取人臉圖像越來越方便，人臉圖像成為人機交互的一種重要媒介。若能基于人臉圖像進行年齡估計，將能擴大基于年齡的應用。基于人臉圖像的年齡估計是指應用計算機技術對人臉圖像隨年齡變化的規律進行建模，從而使機器能夠根據面部圖像推測出人的大概年齡或所屬的年齡范圍(年齡段)。本專利技術主要針對準確的年齡值估計。現在已經有了一些針對基于人臉圖像的年齡估計的專利，如專利“基于數字人臉圖像的人類年齡自動估計方法”(專利號200910031218)和專利“年齡估計方法、設備和人臉識別系統”(專利號200910131059)都是采用簡單的人臉統計降維方法獲取人臉特征，不能有效的表達人臉年齡信息，專利“一種基于人臉識別技術的年齡評估方法”(專利號200910032756)則是基于簡單假設“長相相似的人在不同年齡段的面部特征也是相似的”，但有很多外在因素如生活、工作環境，影響人臉老化，這個假設在大多數的情況下并不成立。總的來說，現有技術存在以下缺點：只考慮單種圖像特征，沒有考慮到人臉隨年齡變化不僅包含形狀的變化，且包含紋理的變化，且其往往具有局部特性；只采用單層年齡估計方法，沒有考慮到人臉隨年齡變化大致存在兩個階段。
技術實現思路
專利技術目的：本專利技術針對現有基于人臉圖像的年齡估計方法存在的缺點，提供一種基于人臉圖像融合特征的軟雙層年齡估計方法。為了解決上述缺點，提高基于人臉圖像的年齡估計準確度，本專利技術公開了一種基于人臉圖像融合特征的軟雙層年齡估計方法，包括以下步驟，分別是：第一步獲得待估計或待訓練的人臉圖像；第二步對圖像進行預處理：首先若是非灰度圖像，則轉換為灰度圖像，然后使用人臉目標檢測框架將人臉與背景信息分離，最后將得到的人臉部分保存為大小統一的灰度圖像；第三步提取融合特征：先將人臉圖像劃分為圖像單元，對每個圖像單元提取HOG特征和LBP特征，在單元粒度上將兩種特征進行連接，最后將所有單元的特征連接，可得融合特征x；第四步判斷軟雙層年齡估計方法是否已存在：若是則跳轉到第六步；若否則轉入第五步；第五步學習軟雙層年齡估計方法：對訓練圖像進行圖像預處理，提取融合特征，得到訓練圖像集(X,Y)，采用由粗到細的策略，根據是否大于邊界年齡值b，得到數據集(X,Z)，學習得到二元分類器F(x)，在年齡邊界設置重疊區域，擴大每個階段的年齡范圍，得到數據集(YX,YYY和(AX,AY)，再分別應用回歸方法學習得到未成年人回歸模型Y(x)和成年人回歸模型A(x)；第六步將融合特征x輸入軟雙層年齡估計方法，首先運用二元分類器F(x)，然后根據分類結果選擇應用回歸模型Y(x)或者A(x)，得到估計年齡值y；第七步對估計年齡值進行處理，首先判斷y是否在年齡范圍，若否則調整到最近的年齡值；若是則進行四舍五入取整處理，得到最終的年齡估計值y*。該方法精度高，可自動完成。本專利技術步驟二中，圖像預處理包括1、顏色轉換：若是非灰度圖像，則使用OpenCV中的cvCvtColor函數將圖像轉換為灰度圖像，若原本就是灰度圖像則不進行處理。2、人臉檢測：使用OpenCV中的cvHaarDetectObjects函數來進行人臉檢測，其中的人臉分類器模型，可以采用已訓練好的且是OpenCV自帶的保存為haarcascadefrontalfacealt2.xml文件的模型，該人臉分類器模型可以有效應用于正面人臉檢測。3、保存檢測到的人臉圖像：使用OpenCV中的cvResize函數將檢測后的人臉圖像統一大小為height*width(如128*128),且采用的是雙線性插值方法(CVINTERLINEAR)。步驟三中，提取人臉圖像融合特征包括：1、劃分圖像單元：不訪假設單元大小為cellSize*cellSize(如16*16)，若圖像不能剛好被單元劃分，則需要進行插值操作，如使用雙線性插值方法。則單元個數cellNum可以根據公式(1)得到，其中height是圖像的高度，width是圖像的寬度。2、分別提取單元HOG特征和LBP特征：HOG特征和LBP特征分別是由Dalal和Ojala提出的分別描述形狀與紋理的局部特征的著名方法。具體分別參見Dalal,N.,Triggs,B.,2005.Histogramsoforientedgradientsforhumandetec-tion,in:ComputerVisionandPatternRecognition,2005.CVPR2005.IEEEComputerSocietyConferenceon,IEEE.pp.886–893.和Ojala,T.,Pietikainen,M.,Maenpaa,T.,2002.Multiresolutiongray-scaleandro-tationinvarianttextureclassificationwithlocalbinarypatterns.PatternAnalysisandMachineIntelligence,IEEETransactionson24,971–987.本文分別運用VLFeat庫中的vl_hog函數和vl_lbp函數來對圖像單元提取HOG特征cxHOG與ULBP特征cxLBP。3、在單元粒度上融合HOG特征和LBP特征：直接將cxHOG與cxLBP進行連接得到融合特征cx，可得cx的維度為兩種特征的維度和，若cxHOG的特征維度大小為36，cxLBP的特征維度大小為58，則cx的特征維度大小為94，至于哪種特征在前，哪種特征在后，則沒有什么區別。4、連接所有單元的特征：由步驟1可得單元個數cellNum，將所有單元的cx連接，可得最終的人臉圖像融合特征x，若height＝128，width＝128，cellSize＝16，則運用公式(1)可得cellNum＝64，則可得x的維度大小為6016。步驟四中，判斷是否已學習到軟雙層年齡估計方法，若是則跳轉到步驟六，若否則進入步驟五。步驟五中，學習軟雙層年齡估計方法包括：1、對訓練圖像進行圖像預處理，具體方法如步驟一；2、對訓練圖像提取人臉圖像融合特征，具體方法如步驟二；3、學習年齡段分類器：通過步驟1和2可得訓練圖像集(X,Y)，其中X為所有訓練集中人臉圖像融合特征的集合，Y為訓練圖像年齡值的集合。運用公式(2)將訓練圖像類標進行處理，其中b為邊界年齡值，15≤b≤25，z為處理后的類標，可得用于學習年齡段分類器的訓練圖像集(X,Z)，其中Z為集合X對應的處理后類標集合。最后應用二元分類方法學習得到分類器F(x)，如可以采用支持向量機(supportvectormachine,簡稱SVM)方法來得到F(x)。4、學習各個階段回歸模型：年齡是有范圍的，如不可能小于0歲，且一般不超過100歲，將年齡范圍記為[MIN,MAX]，其中MIN為年齡最小值，MAX為年齡最大值。在這里將年齡大致劃分為兩個階段，稱年齡小于b歲的階段為未成人階段，年齡大于b歲的階段為成年人階段。應用公式本文檔來自技高網...

【技術保護點】
一種基于人臉圖像融合特征的軟雙層年齡估計方法，其特征在于，包括以下步驟：步驟一，獲得人臉圖像；步驟二，進行圖像預處理；步驟三，提取人臉圖像融合特征；步驟四，判斷是否已構建軟雙層年齡估計方法，若是則跳轉到步驟六，若否則進入步驟五；步驟五，構建軟雙層年齡估計方法；步驟六，應用軟雙層年齡估計方法得到估計年齡值；步驟七，對估計年齡值進行修正處理，得到最終的年齡估計。

【技術特征摘要】
1.一種基于人臉圖像融合特征的軟雙層年齡估計方法，其特征在于，包括以下步驟：步驟一，獲得人臉圖像；步驟二，進行圖像預處理；步驟三，提取人臉圖像融合特征；步驟四，判斷是否已構建軟雙層年齡估計方法，若是則跳轉到步驟六，若否則進入步驟五；步驟五，構建軟雙層年齡估計方法；步驟六，應用軟雙層年齡估計方法得到估計年齡值；步驟七，對估計年齡值進行修正處理，得到最終的年齡估計；步驟一，獲得人臉圖像包括如下步驟：圖像中人臉部分至少占圖像區域的30％以上，且人臉圖像是正面的，姿態角度小于10度；步驟二圖像預處理包括如下步驟：如果人臉圖像是非灰度圖像，則將其轉換為灰度圖像；將圖像中的人臉與背景分離開來；將人臉部分保存為統一大小的灰度圖像；步驟三提取人臉圖像融合特征包括如下步驟：將人臉圖像劃分為一組單元；對每個單元提取HOG特征與LBP特征；在單元粒度上連接HOG特征與LBP特征得到單元粒度的融合特征cx；將所有單元的融合特征cx連接成整個人臉圖像的融合特征x；步驟五中構建軟雙層年齡估計方法，包括如下步驟：根據步驟一對所有訓練圖像進行處理；根據步驟二、三得到所有訓練圖像的融合特征，形成訓練圖像集(X,Y)，其中X為所有訓練圖像中人臉圖像融合特征的集合，Y為訓練圖像對應年齡值的集合；對訓練圖像年齡值進行處理，其中b為邊界年齡值，15≤b≤25，z為處理后的類標，z值為1或-1，得到用于學習年齡段分類器的訓練圖像集(X,Z)，類標處理公式為...

【專利技術屬性】
技術研發人員：楊育彬，林時苗，
申請(專利權)人：南京大學，
類型：發明
國別省市：江蘇;32