论文部分内容阅读
【摘 要】作为计算机视觉领域带你一个重要研究方向，人脸年龄估计具有非常广泛的实际应用价值。本文主要介绍了人脸年龄估计的相关方法：基于概率模式的方法、年龄函数方法、子空间模式方法。
【关键词】年龄估计、图像处理
【中图分类号】TP75【文献标识码】A【文章编号】1672-5158（2013）02-0170-01
1 引言
人脸年龄估计是计算机视觉领域和图像处理领域的重要研究课题，一直受到诸多研究人员的关注。所谓人脸年龄估计就是根据人脸图像提取年龄特征，采用计算机技术进行相关处理分析，自动判定人脸图像年龄的计算机视觉技术。人的年龄是一个随时间变化的长期的过程，在人的外部表现比较明显，如：人脸轮廓的变化、人脸皮肤的变化等，随着年龄的增长，人脸外貌会产生很大变化。
2 人脸年龄估计的方法分类
人脸年龄估计方法根据不同分类标准可分成不同的类别。多数分类是根据提取的特征进行的，可以分成三类：基于局部特征的人脸年龄估计方法，基于整体特征的人脸年龄估计方法，局部特征和整体特征相结合的人脸年龄估计方法。本文根据年龄估计发展历程进行分类：基于概率模式的方法，基于年龄函数的方法，基于年龄模式子空间的方法和其他新方法在年龄估计中的应用四类。
2.1 基于概率模式的方法
Hayashi等人[2]研究了基于Hough变换的皱纹纹理和人脸图像肤色分析的年龄和性别识别，由于主要采用皱纹特征进行分析统计，加上同龄男女皱纹相差巨大，所以精度不高。Lga等人开发一个用于估计年龄和性别识别的系统[3]，采用Gabor小波提取脸部特征，用支持向量机做为分类器进行年龄估计，得到较好效果。Lanitis等人[3]提出了一种定量的年龄分类器评估方法，可以合理而准确地估计未知人脸的年龄，但其人脸库中的图像仅限于 0～30岁，很难进行整个年龄段的年龄估计。
概率模型方法是最早使用在年龄估计中的一种方法，早期进行年龄估计主要是通过一些简单的特征如纹理的数量、颅骨的形状比例、颜色信息等进行统计分析，得出这些特征与年龄之间的简单关系，仍后根据这些关系进行年龄分类。这种方法简单、计算量小，但是估计精度不高，没有什么使用价值。
2.2 年龄函数方法
Lanitis et al [5]提出了第一个真正的年龄估计算法（年龄函数法），他们的年龄估计模式是采用一个年龄函数：通过对个人不同年龄的人脸图像进行训练，从而得到一个确定的二次年龄函数。实验结果表明，这种方法对年龄估计十分有效。
胡斓，夏利民在文献[6]中提出了基于Boosting RBF神经网络得到年龄估计函数的方法，文中首先用NMF方法提取人脸特征，然后用径向基函数神经网络RBF（Radial Basis Function）逼近的方法，确定一个人脸图像特征与相应年龄之间的估计函数。樊莉静和张建明提出了一种基于局域二值模式LBP与SVM回归相结合的年龄估计方法。张建明[4]于2010年又提出了提出了一种基于优选LBP与加权SVM回归相结合的年龄估计方法。
实验表明年龄函数方法要比基于概率模型的年龄特征分类方法性能要好，主要是基于概率模型方法没有考虑年龄变化的独立特征。但是年龄函数也有其缺陷：第一，采用二次函数表示人脸随年龄变化的规律主要是凭经验，没有理论证明；第二，年龄函数没有很好的应用人脸随年龄变化的时序特征；第三，训练的年龄函数是单独的个人年龄函数，而不同人的人脸随年龄变化差异巨大；第四，待估计年龄的人脸图像的年龄函数只是通过已知年龄函数的线性组合，而不是从某个模型生成年龄函数。
2.3 子空间模式方法
子空间模式方法主要有三类：线性判别分析，非负矩阵分解算法和年龄模式子空间。线性判别分析是一种常用的子空间分析方法，它通过最大化样本类间差异，最小化样本类内差异，提取最具判别能力的低维特征，属于有监督的学习方法。高峰等人提出一种基于Gabor特征和模糊线性判别分析（模糊 LDA）相结合的人脸年龄分类方法。
Xin Geng等人先后提出了一种基于子空间的自动年龄估计方法年龄模式子空间AGES（Aging Pattern Subspace），AGES是单个人的人脸图像在时间序列上的排列。在单个年龄模式中所有的人脸图像都必须是一个人的，所以一般的年龄模式都是不完整的。
子模式空间方法比年龄函数方法性能要好，它的优点表现为：它很好的应用了人脸随年龄变化的时序特征；有相应的理论基础；可以构建完整的年龄估计模型用于人脸年龄估计。但该方法的缺点是计算量大，很难应用于实际。
3 结束语
人脸年龄估计是人脸识别领域的一个新的研究方向，近年来已经成为一个研究热点。由于发展时间不长，所有存在很多问题需要解决，首先是需要建立比较完整的人脸年龄估计图像数据库，其次是寻找好的预处理方法和年龄特征提取方法。并且人脸年龄估计技术的发展在推动社会发展方面起着重要作用，并对其他技术有一定的促进作用。在今后的工作中，我们要努力需找图像预处理方法、年龄特征提取方法和分类模型用以提高年龄估计的精度。
参考文献
[1] H.K.Young，V.L.Niels， “Age Classification from Facial Images，”Proceedings of IEEE Conf.on Computer Vision and Pattern Recognition. Seattle， Washington，U. S.A，1994：762-767
[2] J.Hayashi，“Age and Gender Estimation Based on Wrinkle Texture and Color of Facial Images，” Proceedings of the 16th International Conference. 2002：405-408
[3] Lanitisa， Taylorc，Cootesytf，“Toward automatic simulation of aging effects on face images”IEEE Trans on Pattern Analysis and Ma chine Intelligence， 2002，24 （4）： 442-445
[4] Jian-Ming Zhang，Fang Fang，Li Chen，Feng Qing-Yang， Xiao Liu，“Age estimati on based on selected local binary and weighted support vector machine，”Application Research of Computers，Vol.27，No.1 ，Jan.2010
[5] A. Lanitis，C.J.Taylor， and T.Cootes，“Toward Automatic Simulation of Aging Effects on Face Images，” IEEE Trans.Pattern Analysis and Machine Intelligence，vol.24，no.4，pp.442-455，Apr.2002
[6] 胡 斓，夏利民，“基于 Boosting RBF 神经网络的人脸年龄估计，”计算机工程，第32卷 第19期，2006
【关键词】年龄估计、图像处理
【中图分类号】TP75【文献标识码】A【文章编号】1672-5158（2013）02-0170-01
1 引言
人脸年龄估计是计算机视觉领域和图像处理领域的重要研究课题，一直受到诸多研究人员的关注。所谓人脸年龄估计就是根据人脸图像提取年龄特征，采用计算机技术进行相关处理分析，自动判定人脸图像年龄的计算机视觉技术。人的年龄是一个随时间变化的长期的过程，在人的外部表现比较明显，如：人脸轮廓的变化、人脸皮肤的变化等，随着年龄的增长，人脸外貌会产生很大变化。
2 人脸年龄估计的方法分类
人脸年龄估计方法根据不同分类标准可分成不同的类别。多数分类是根据提取的特征进行的，可以分成三类：基于局部特征的人脸年龄估计方法，基于整体特征的人脸年龄估计方法，局部特征和整体特征相结合的人脸年龄估计方法。本文根据年龄估计发展历程进行分类：基于概率模式的方法，基于年龄函数的方法，基于年龄模式子空间的方法和其他新方法在年龄估计中的应用四类。
2.1 基于概率模式的方法
Hayashi等人[2]研究了基于Hough变换的皱纹纹理和人脸图像肤色分析的年龄和性别识别，由于主要采用皱纹特征进行分析统计，加上同龄男女皱纹相差巨大，所以精度不高。Lga等人开发一个用于估计年龄和性别识别的系统[3]，采用Gabor小波提取脸部特征，用支持向量机做为分类器进行年龄估计，得到较好效果。Lanitis等人[3]提出了一种定量的年龄分类器评估方法，可以合理而准确地估计未知人脸的年龄，但其人脸库中的图像仅限于 0～30岁，很难进行整个年龄段的年龄估计。
概率模型方法是最早使用在年龄估计中的一种方法，早期进行年龄估计主要是通过一些简单的特征如纹理的数量、颅骨的形状比例、颜色信息等进行统计分析，得出这些特征与年龄之间的简单关系，仍后根据这些关系进行年龄分类。这种方法简单、计算量小，但是估计精度不高，没有什么使用价值。
2.2 年龄函数方法
Lanitis et al [5]提出了第一个真正的年龄估计算法（年龄函数法），他们的年龄估计模式是采用一个年龄函数：通过对个人不同年龄的人脸图像进行训练，从而得到一个确定的二次年龄函数。实验结果表明，这种方法对年龄估计十分有效。
胡斓，夏利民在文献[6]中提出了基于Boosting RBF神经网络得到年龄估计函数的方法，文中首先用NMF方法提取人脸特征，然后用径向基函数神经网络RBF（Radial Basis Function）逼近的方法，确定一个人脸图像特征与相应年龄之间的估计函数。樊莉静和张建明提出了一种基于局域二值模式LBP与SVM回归相结合的年龄估计方法。张建明[4]于2010年又提出了提出了一种基于优选LBP与加权SVM回归相结合的年龄估计方法。
实验表明年龄函数方法要比基于概率模型的年龄特征分类方法性能要好，主要是基于概率模型方法没有考虑年龄变化的独立特征。但是年龄函数也有其缺陷：第一，采用二次函数表示人脸随年龄变化的规律主要是凭经验，没有理论证明；第二，年龄函数没有很好的应用人脸随年龄变化的时序特征；第三，训练的年龄函数是单独的个人年龄函数，而不同人的人脸随年龄变化差异巨大；第四，待估计年龄的人脸图像的年龄函数只是通过已知年龄函数的线性组合，而不是从某个模型生成年龄函数。
2.3 子空间模式方法
子空间模式方法主要有三类：线性判别分析，非负矩阵分解算法和年龄模式子空间。线性判别分析是一种常用的子空间分析方法，它通过最大化样本类间差异，最小化样本类内差异，提取最具判别能力的低维特征，属于有监督的学习方法。高峰等人提出一种基于Gabor特征和模糊线性判别分析（模糊 LDA）相结合的人脸年龄分类方法。
Xin Geng等人先后提出了一种基于子空间的自动年龄估计方法年龄模式子空间AGES（Aging Pattern Subspace），AGES是单个人的人脸图像在时间序列上的排列。在单个年龄模式中所有的人脸图像都必须是一个人的，所以一般的年龄模式都是不完整的。
子模式空间方法比年龄函数方法性能要好，它的优点表现为：它很好的应用了人脸随年龄变化的时序特征；有相应的理论基础；可以构建完整的年龄估计模型用于人脸年龄估计。但该方法的缺点是计算量大，很难应用于实际。
3 结束语
人脸年龄估计是人脸识别领域的一个新的研究方向，近年来已经成为一个研究热点。由于发展时间不长，所有存在很多问题需要解决，首先是需要建立比较完整的人脸年龄估计图像数据库，其次是寻找好的预处理方法和年龄特征提取方法。并且人脸年龄估计技术的发展在推动社会发展方面起着重要作用，并对其他技术有一定的促进作用。在今后的工作中，我们要努力需找图像预处理方法、年龄特征提取方法和分类模型用以提高年龄估计的精度。
参考文献
[1] H.K.Young，V.L.Niels， “Age Classification from Facial Images，”Proceedings of IEEE Conf.on Computer Vision and Pattern Recognition. Seattle， Washington，U. S.A，1994：762-767
[2] J.Hayashi，“Age and Gender Estimation Based on Wrinkle Texture and Color of Facial Images，” Proceedings of the 16th International Conference. 2002：405-408
[3] Lanitisa， Taylorc，Cootesytf，“Toward automatic simulation of aging effects on face images”IEEE Trans on Pattern Analysis and Ma chine Intelligence， 2002，24 （4）： 442-445
[4] Jian-Ming Zhang，Fang Fang，Li Chen，Feng Qing-Yang， Xiao Liu，“Age estimati on based on selected local binary and weighted support vector machine，”Application Research of Computers，Vol.27，No.1 ，Jan.2010
[5] A. Lanitis，C.J.Taylor， and T.Cootes，“Toward Automatic Simulation of Aging Effects on Face Images，” IEEE Trans.Pattern Analysis and Machine Intelligence，vol.24，no.4，pp.442-455，Apr.2002
[6] 胡 斓，夏利民，“基于 Boosting RBF 神经网络的人脸年龄估计，”计算机工程，第32卷 第19期，2006