论文部分内容阅读
人脸图像反映了重要的年龄信息,人脸年龄估计有着重要的研究意义和应用价值。对人脸年龄估计进行深入探索,将会对模式识别、人工智能、机器人等领域的研究起到巨大推动作用。目前对公共安全领域中的人脸库进行自动更新、对商业中不同年龄段的顾客在某商品购买力上的信息采集、对影视剧中的人物进行衰老模拟等年龄估计应用需求越来越迫切。论文在国内外人脸年龄研究的基础上,首次提出基于分层加权机制的支持向量机年龄估计模型。人脸年龄估计模型主要由人脸图像特征提取、模型训练、年龄估计三部分组成。目前的一些年龄估计模型是对整幅人脸图像进行特征提取,提取的特征中含有很多冗余信息。论文在人脸特征提取上采用的是AAM组合外观模型,它对人脸形状区域内的图像进行特征提取,该特征融合了人脸形状和皮肤纹理的信息,摒弃了很多冗余信息,更能充分反映人脸年龄的特征。为了实现人脸年龄估计的自动性,需要对人脸图像进行自动人脸拟合。目前的人脸拟合算法在人脸特征点的定位上还不够理想。论文在已有算法的基础上进行改进,提出一种基于局部纹理约束的LTC_RSIC_AAM人脸拟合算法。相对于目前的人脸拟合算法,LTC_RSIC_AAM算法不管在人脸轮廓特征点的定位上,还是在人脸形状的拟合上都更加准确。由于支持向量机在模式分类中表现突出,因此论文采用支持向量机作为年龄估计模型对年龄特征数据进行分类和预测。论文首次在支持向量机中引入分层加权机制。由于不同年龄段的人有着不同的年龄增长规律,通过对特征数据按照年龄进行分段训练分层子模型,对不同年龄段的特征数据用不同的子模型进行年龄预测。然后对惩罚参数进行加权处理,以解决两类由于样本数目不均衡引起的分类偏置问题,从而使得年龄估计的准确度进一步提高。实验结果表明,论文提出的基于分层加权支持向量机模型的自动人脸年龄估计方法要比目前研究领域中已知的年龄估计方法取得的效果要好。年龄估计平均绝对误差缩小到4岁以内,达到3.85岁的结果。