论文部分内容阅读
人脸年龄的估计是近年来的热点方向,大量的研究人员对此进行了深入,广泛地研究。我们认为人脸年龄的估计结果应该是一个动态的范围或者是多个离散的年龄而不是某一个年龄值或者是预先定义的年龄段。针对有多个待选估计年龄的情况,我们提出了新的评价指标BPMAE(Best Possible Mean Absolute Error)和CI/CL(Confidence Interval/Confidence Level)来评估本文提出方法的性能。在常用人脸数据库上的实验表明,我们提出的方法可以达到优良的性能。本文的主要工作内容如下:1)提出基于人脸AAM特征的TFIDF年龄估计方法。通过人脸图像的特征词定义,将经典的人脸AAM特征用信息检索学中的TFIDF算法来处理并统计了人脸特征词的TFIDF权重分布。在MORPH人脸数据库上的实验表明用TFIDF算法来进行年龄的估计可以达到优良的性能。2)研究了基于人脸LBP纹理特征的Density Peak聚类算法的年龄估计技术。首先用LBP对人脸图像进行建模,然后用Density Peak聚类算法找到每个年龄的中心人脸图像。最后根据测试人脸图像与中心的脸图像的距离来估计年龄。3)研究了一种动态年龄估计方法,将多个单一方法得到的年龄估计结果进行融合,并提出相应的融合模式,得到一个动态年龄区间而非固定组别或固定区间。实验表明,动态方法所取得的性能比单一方法上有所提高。4)提出了新的性能评价指标BPMAE(Best Possible Mean Absolute Error)和CI/CL(Confidence Interval/Confidence Level)来评估具有多个待选年龄的人脸年龄估计方法的性能。针对有多个待选年龄的估计结果,用统计的方法对其分布进行了研究。相对于传统的年龄组估计和单个年龄估计方法,提出一种动态区间的估计方法。