CN101877054A - 一种针对人脸图像的年龄判别方法和装置 - Google Patents

Abstract

本发明提供了一种针对人脸图像的年龄判别方法和装置，其中的方法具体包括：基于纹理和形状特征，对人脸图像进行粗略估计；若粗略估计结果落入年龄最大组和年龄最小组，则结束本次操作；否则，依据从特定年龄组别样本获取的人脸特征库，对所述有效人脸图像进行精细估计，并依据精细估计结果确定该人脸图像所属的年龄组别。本发明用以提高年龄判别的精确度。

Description

一种针对人脸图像的年龄判别方法和装置

技术领域

本发明涉及人脸图像处理领域，特别是涉及一种针对人脸图像的年龄判别方法和装置。

背景技术

由于广泛的应用前景，人脸识别技术近年来得到了深入的研究。但另一种与人脸识别相关的技术尚未引起重视，那就是年龄变化。

一个人从出生开始逐渐长大成人的过程中，随着脸部骨骼的生长，脸型不断变长变大，相貌也在变化；而从青年不断衰老进入老年的过程中，皮肤逐渐衰老，皱纹不断增多。因此，如果能够根据人脸图像准确地判别年龄，将有助于对人的身份的正确鉴别。

此外，年龄判别在人机交互领域有着很多应用，例如网页浏览器可以根据用户的年龄来决定是否允许用户查看某些网页；自动售货机可以拒绝向未成年人出售香烟和酒精性饮料；公共场所可以根据不同年龄的需求提供相应的服务等。

尽管年龄判别有着广泛的应用，但至今相关的研究工作仍然很少。主要原因是，即使通过人眼所见，人的年龄判别也常常不准确，因此年龄判别不是一种典型的分类问题；其次，由于肖像权和个人隐私的原因，在同样的光照条件下采集不同年龄段的人脸图像本身就是个问题，作为研究基础的年龄数据库不是很多。

现有基于人体测量模型的年龄判别技术，通过人脸的皱纹和前额进行年龄判别，实际上并不能将脸上都有皱纹但形式有区别的新生儿和年长者区分开来，且只能粗略地将人脸年龄划分为儿童、青年和老年3类，无法完成精细的年龄判别。

总之，需要本领域技术人员迫切解决的一个技术问题就是：如何能够提供一种针对人脸图像的年龄判别方法，用以提高年龄判别的精确度。

发明内容

本发明所要解决的技术问题是提供一种针对人脸图像的年龄判别方法，用以提高年龄判别的精确度。

本发明还提供了一种针对人脸图像的年龄判别装置，用以保证上述方法在实际中的实现及应用。

为了解决上述问题，本发明公开了一种针对人脸图像的年龄判别方法，包括：

基于纹理和形状特征，对人脸图像进行粗略估计；

若粗略估计结果落入年龄最大组和年龄最小组，则结束本次操作；

否则，依据从特定年龄组别样本获取的人脸特征库，对所述有效人脸图像进行精细估计，并依据精细估计结果确定该人脸图像所属的年龄组别。

优选的，所述基于纹理和形状特征，对人脸图像进行粗略估计的步骤包括：

基于形状分析，判断人脸图像属于成人脸型还是儿童脸型；

若为成人脸型，则通过纹理分析，判断人脸图像是否属于年龄最大组，若否，则执行精细估计步骤；

若为儿童脸型，则通过纹理分析，判断人脸图像是否属于年龄最小组，若否，则执行精细估计步骤。

优选的，所述基于纹理和形状特征，对人脸图像进行粗略估计的步骤包括：

基于纹理分析，判断人脸图像属于非皱纹脸型还是皱纹脸型；

若为非皱纹脸型，则通过形状分析，判断人脸图像属于儿童脸型还是成人脸型；

若为皱纹脸型，则通过形状分析，判断人脸图像属于年龄最大组还是年龄最小组。

优选的，所述精细估计步骤包括：

对人脸图像进行双高斯差滤波；

对所述滤波后的人脸图像进行直方图均衡化操作；

首先对均衡化的后的人脸图像，做Gabor卷积，然后针对不同方向、不同尺度的Gabor卷积图像，提取LDA特征，并根据所述LDA特征建立年龄模板；

基于所述年龄模板，采用最近邻方法将人脸图像进行归类。

优选的，所述形状分析为器官比例分析，所述纹理分析为皱纹分析。

优选的，针对成人脸型，执行精细估计步骤后的年龄组别包括儿童、少年、青年和中年；

针对儿童脸型，执行精细估计步骤后的年龄组别包括幼儿和儿童。

优选的，在基于纹理和形状特征，对人脸图像进行粗略估计的步骤前，还包括：

对人脸图像进行预处理，以预处理后的人脸图像进行粗略估计操作。

优选的，所述对人脸图像进行预处理的步骤包括：

对所述人脸图像进行眼睛定位，得到眼睛位置；

根据所述眼睛位置，对所述人脸图像进行归一化操作；

从所述归一化后的人脸图像中割取预设大小的图像。

本发明还公开了一种针对人脸图像的年龄判别装置，包括：

粗略估计模块，用于基于纹理和形状特征，对人脸图像进行粗略估计，并判断粗略估计结果是否落入年龄最大组和年龄最小组，若是，则结束本次操作，否则，触发精细估计模块；

精细估计模块，用于依据从特定年龄组别样本获取的人脸特征库，对所述有效人脸图像进行精细估计，并依据所述精细估计结果确定该人脸图像所属的年龄组别。

优选的，所述粗略估计模块包括：

形状分析子模块，用于基于形状分析，判断人脸图像属于成人脸型还是儿童脸型；

成人脸型分析子模块，用于在人脸图像属于成人脸型时，通过纹理分析，判断人脸图像是否属于年龄最大组，若否，则触发精细估计模块；

儿童脸型分析子模块，用于在人脸图像属于儿童脸型时，通过纹理分析，判断人脸图像是否属于年龄最小组，若否，则触发精细估计模块。

优选的，所述粗略估计模块包括：

纹理分析子模块，用于基于纹理分析，判断人脸图像属于非皱纹脸型还是皱纹脸型；

非皱纹脸型分析子模块，用于在人脸图像属于非皱纹脸型时，通过形状分析，判断人脸图像属于儿童脸型还是成人脸型；

皱纹脸型分析子模块，用于在人脸图像属于皱纹脸型时，通过形状分析，判断人脸图像属于年龄最大组还是年龄最小组。

优选的，所述装置还包括：

预处理模块，用于对人脸图像进行预处理，并触发粗略估计模块对预处理后的人脸图像进行粗略估计操作。

优选的，所述预处理模块包括：

眼睛定位子模块，用于对所述人脸图像进行眼睛定位，得到眼睛位置；

归一化子模块，用于根据所述眼睛位置，对所述人脸图像进行归一化操作；

割取子模块，用于从所述归一化后的人脸图像中割取预设大小的图像。

与现有技术相比，本发明具有以下优点：

本发明将年龄判别分为粗略估计和精细估计，首先基于纹理和形状特征，对当前人脸图像进行粗略估计，得到粗略估计结果，然后在当前人脸图像不具有纹理时，对粗略估计结果进行精细估计，能够更为精细地将当前人脸图像判别为某一年龄组别，进而提高年龄判别的精细度；

再者，在当前人脸图像具有纹理时，粗略估计步骤可以将当前人脸图像判别为年龄最大组或者年龄最小组，此时可以结束本次判别，以提高判别的效率。

附图说明

图1是本发明一种针对人脸图像的年龄判别方法实施例1的流程图；

图2是本发明一种针对人脸图像的年龄判别方法实施例2的流程图；

图3是本发明一种眼睛定位的示意图；

图4是本发明一种针对人脸图像的年龄判别方法实施例3的流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

形状和纹理是人脸的有效特征。一般来说，不同年龄段的人脸具有不同的形状和纹理，而不同年龄段的人脸在某方面又会具有相似性，如少年段后的人脸在形状方面基本不再变化，或者新生儿段和老年段的脸上都有皱纹，因此，有必要将人脸按照不同的层级进行分析和处理，才能有效地进行针对人脸图像的年龄判别。

本发明的核心构思在于，针对不同年龄段的人脸在形状和纹理方面的不同，以及不同年龄段的人脸在某方面的相似性，设计多层次的年龄判别方法。

参照图1，示出了本发明一种针对人脸图像的年龄判别方法实施例1的流程图，具体可以包括：

步骤101、基于纹理和形状特征，对人脸图像进行粗略估计；

步骤102、若粗略估计结果落入年龄最大组和年龄最小组，则结束本次操作；

步骤103、否则，依据从特定年龄组别样本获取的人脸特征库，对所述有效人脸图像进行精细估计，并依据精细估计结果确定该人脸图像所属的年龄组别。

在具体实现中，粗略估计的实现过程可以为：首先基于当前人脸图像的形状特征，将具有相似性形状特征的年龄组别判别为一类，然后基于纹理特征，对该类进行进一步划分；或者为：首先基于当前人脸图像的纹理特征，将具有相似性纹理特征的年龄组别划分为一类，然后基于形状特征，对该类进行进一步划分。

例如，根据年龄将人脸分为7个组别，依次为新生儿(0-1)、幼儿(2-3)、儿童(4-7)、少年(8-15)、青年(16-45)、中年(46-65)、老年(66-)。在对当前人脸图像进行判别时，首先基于形状特征分析，将具当前人脸图像判别为成人脸型或者儿童脸型；然后，基于纹理特征，将成人脸型或者儿童脸型进一步划分，特别地，在当前人脸图像具有纹理(如皱纹纹理)时，进一步划分的结果为老人组别或者新生儿组别，这时可以结束本次操作，从而能够提高判别的速度。

在当前人脸图像不具有纹理时，需要在粗略估计结果的基础上进行精细估计，用以更为精细地将当前人脸图像判别为成人脸型或者儿童脸型包括的某一年龄组别(如成人脸型中的青年组别)，进而提高年龄判别的精确度。

参照图2，示出了本发明一种针对人脸图像的年龄判别方法实施例2的流程图，具体可以包括：

步骤201、对人脸图像进行预处理；

由于本发明采用多层次判别方法，对于每层判别，采用统计模式识别方法，对样本人脸图像进行离线训练得到判别模型，而采用所述判别模型对输入的人脸图像进行在线判别。这样，为保证获得较好的判别结果，需要对所述输入的人脸图像进行预处理，使得在线判别的人脸图像与离线训练的小样本人脸图像在尺寸、灰度等方面保持一致。

在实际中，步骤201可以通过以下子步骤实现：

子步骤A1、对所述人脸图像进行眼睛定位，得到眼睛位置；

将采集并分割获得的正面人脸图像中的双眼区域图像和非双眼区域图像作为训练样本，训练得到双眼区域检测器。例如，采用自适应增强(Adaboost，adaptive boosting)算法对10000张24×16的双眼区域图像和非双眼区域图像进行训练，得到双眼区域检测器。

在进行眼睛定位时，可以采用所述双眼区域检测器在人脸图像内搜索双眼区域位置，确定双眼区域位置后，在所述双眼区域位置内定位左眼位置和右眼位置。参考图3示出了一种眼睛定位的示意图，其中3a为双眼区域检测器搜索到的眼睛矩形区域位置，3b所示的矩形中心即为眼睛位置。

子步骤A2、根据所述眼睛位置，对所述人脸图像进行归一化操作；

在具体实现中，所述归一化操作可以包括尺寸归一化和灰度归一化操作。其中，尺寸归一化的操作可以为：将样本图像旋转，使每个人脸的双眼之间的连线为水平方向，然后按照双眼中心距离固定的原则，比例缩放旋转后的图像，根据双眼距离固定、双眼中心连线中点到人脸图像上矩形框距离固定的原则裁剪图像，即得到了尺寸归一化后的图像。

灰度归一化的操作可以采取对尺寸归一化后的图像进行灰度拉伸，以改善图像的对比度；或者，采用直方图均衡化等直方图修正技术使图像具有相近的统计意义上的均值和方差，以部分消除光照的影响，本发明对具体的操作方式不加以限制。

子步骤A3、从所述归一化后的人脸图像中割取预设大小的图像。

例如，从归一化后的人脸样本中截取出64×64的裸脸图像。

步骤202、基于形状分析，判断人脸图像属于成人脸型还是儿童脸型，若为成人脸型，则执行步骤203-205；若为儿童脸型，则执行步骤206-208；

步骤203、通过纹理分析，判断人脸图像是否属于老年组别，若是，则执行步骤204；若否，则执行步骤205；

步骤204、结束本次操作；

步骤205、依据从特定年龄组别样本获取的人脸特征库，对所述有效人脸图像进行精细估计，并依据精细估计结果判别该人脸图像属于儿童、少年、青年和中年中的某一组别；

步骤206、通过纹理分析，判断人脸图像是否属于新生儿组别，若是，则执行步骤207；若否，则执行步骤208；

步骤207、结束本次操作；

步骤208、依据从特定年龄组别样本获取的人脸特征库，对所述有效人脸图像进行精细估计，并依据精细估计结果判别该人脸图像属于幼儿、儿童中的某一组别。

本发明实施例根据年龄将人脸分为7个组别，依次为新生儿(0-1)、幼儿(2-3)、儿童(4-7)、少年(8-15)、青年(16-45)、中年(46-65)、老年(66-)。由于在一个人在从小孩长成少年人的成长过程中，脸型不断变长变大，而少年后的脸型在形状方面基本不再变化，从而具有相似性，因此，可以先基于形状分析，将人脸粗略地分为成人脸型和儿童脸型两类。

在实际中，所述形状分析可以为器官比例分析。对于人脸图像而言，假设人脸双眼中心距离x1，双眼中心连线和鼻尖的距离x2，鼻尖和嘴的中心距离为x3，人脸的顶部和下巴的距离x4。由于前面的尺寸归一化操作基于双眼中心距离相等的原则，所以对于归一化后的人脸，x1的值固定，x4的大小代表人脸的长度。基于器官比例分析可以将成人脸型和儿童脸型区分开来，以x2/x3为例，典型的成人脸型的x2∶x3值为1.5∶1，而典型的儿童脸型的x2∶x3值为1∶1。

在实际中，为提高判别的准确度，可以将小样本(如10000张)的64×64成人人脸图像和儿童人脸图像作为训练样本，基于(x2，x3，x4)特征构造分类器。在线判别时，根据所述分类器判断输入的人脸图像是成人脸型还是儿童脸型。

为提高分类器以及判别的精确度，在离线训练或者在线判别前，还应该对人脸器官进行精确定位。具体实现时，可以采用主动形状模型(ASM，Active Shape Model)方法，通过对执行步骤201后的预处理图像进行搜索，获得人脸器官(如鼻尖、顶部以及下巴)的精确位置。ASM是一种基于模型的特征匹配方法。它既可以灵活地改变模型的形状，以适应目标形状不确定的特性，又将形状的变化限制在模型允许的范围内，从而保证模型改变时不会受各种因素影响而出现不合理的形状。ASM方法首先针对特定目标建立形状模型并采用一系列的特征点来描述，称为点分布模型，然后，对形状模型中的每个特征点，建立特征点附近的灰度模型。最后，ASM方法利用所述灰度模型在目标图像中搜索特征点的最佳位置，同时根据搜索结果调整形状模型的参数，使模型匹配到目标的轮廓上。

此外，对于人脸而言，由于其器官的分布是固定的，所以也可以采用质心模型方法对器官进行精确定位，也即提取人脸器官质心(如鼻尖、嘴矩形区域的中心)的方法，本领域技术人员可以根据具体情况采用相应的器官精确定位方法，本发明对具体的操作方式不加以限制。

在所述7个年龄组别中，只有新生儿组别和老年组别具有显著的皱纹纹理，所以可以基于纹理分析，将新生儿组别从儿童脸型中筛选出来，以及将老年组别从成人脸型中筛选出来。

纹理一般指人们所观察到的图像中象元(或子区域)的灰度变化规律，它是图象中一个基本且重要的特性。在具体实现中，可以采用Gabor变换提取人脸图像的纹理特征，发挥Gabor滤波器的优势，使得对于器官定位等人脸图像预处理步骤所造成的误差更加鲁棒。此外，本领域技术人员还可以根据具体情况采用其它纹理提取方法，如局部二值模式(LBP，Local BinaryPattern)LBP，Wigener分布方法等，本发明对具体的纹理提取方法不加以限制。

对于步骤205中少年、青年和中年所属的成人脸型，由于其在形状方面已经很相似，通过形状分析，已经不能有效地区分出这三种不同的年龄。但由于所述三种不同的年龄在纹理方面存在细微的差别，这时，可以采用Gabor+LDA(线性判别分析，Linnear Discriminant analysis)特征提取人脸的纹理特征，并根据所述纹理特征建立年龄模板，通过最近邻方法对输入的人脸图像进行年龄判别。其实现过程可以包括以下子步骤：

子步骤B1、对人脸图像进行双高斯差(DoG，Diffence of Gaussian)滤波；子步骤B2、对所述滤波后的人脸图像进行直方图均衡化(HistogramEqualization)操作；

子步骤B3、首先对均衡化的后的人脸图像，做Gabor卷积，然后针对不同方向、不同尺度的Gabor卷积图像，提取LDA特征，并根据所述LDA特征建立年龄模板；

子步骤B4、基于所述年龄模板，采用最近邻方法将人脸图像进行归类。

对于步骤208中幼儿、儿童所属的儿童脸型，由于幼儿的脸型和儿童的脸型已经很相似，也可以采用统计的方法，通过提取纹理特征，构造离线分类器，然后基于所述离线分类器对输入的人脸图像进行在线判别。由于其实现过程与步骤205类似，在此不作赘述。

值得一提的是，经研究特定年龄组别样本获取的人脸特征库可以发现，有些儿童脸在形状方面已经非常接近少年，所以步骤202将其判别为成人脸型。但是，该儿童脸实际上不属于少年组别，因此，本发明在执行步骤205时通过纹理分析将其判别为正确的组别，以保证判别的准确度。

当然，上述采用Gabor+LDA判别成人非皱纹脸型的方法只是作为示例，本领域技术人员还可以根据具体情况采用其它纹理提取方法，例如Gabor+LBP，LBP等，本发明对具体的操作方式不加以限制。

此外，上述64×64的裸脸图像也只是作为示例，本领域技术人员可以根据具体情况采用其它大小的图像，如128×128等，本发明对具体的图像大小不加以限制。

可以理解，本发明实施例的7个年龄组别只是作为示例，本领域技术人员还可以根据需求增加年龄组别的数目，例如，如果想提高中年组别(46-65)的精细度，可以对步骤208判别的中年组别进一步划分，本发明对年龄组别的数目以及年龄判别的精细度不加以限制。

参照图4，示出了本发明一种针对人脸图像的年龄判别方法实施例3的流程图，具体可以包括：

步骤401、对人脸图像进行预处理；

步骤402、基于纹理分析，判断人脸图像属于非皱纹脸型还是皱纹脸型，若为非皱纹脸型，则执行步骤403-405，若为皱纹脸型，则执行步骤406；

步骤403、通过形状分析，判断人脸图像属于儿童脸型还是成人脸型，若为儿童脸型，则执行步骤404，若为成人脸型，则执行步骤405；

步骤404、依据从特定年龄组别样本获取的人脸特征库，对所述有效人脸图像进行精细估计，并依据精细估计结果判别该人脸图像属于幼儿、儿童中的某一组别；

步骤405、依据从特定年龄组别样本获取的人脸特征库，对所述有效人脸图像进行精细估计，并依据精细估计结果判别该人脸图像属于儿童、少年、青年和中年中的某一组别；

步骤406、通过形状分析，判断人脸图像属于新生儿组别还是老人组别。

本发明实施例根据年龄将人脸分为7个组别，依次为新生儿(0-1)、幼儿(2-3)、儿童(4-7)、少年(8-15)、青年(16-45)、中年(46-65)、老年(66-)。本实施例与实施例2的区别在于粗略估计的判别顺序，因为形状特征和纹理特征都是人脸的有效特征，而在所述7个年龄组别中，只有新生儿和老年具有显著的皱纹纹理，因此，可以首先基于纹理分析，将人脸粗略地划分为非皱纹脸型和皱纹脸型，然后根据成人脸型与儿童脸型在形状方面的差异，对粗略估计的脸型进行进一步判别。

对于皱纹脸型来说，新生儿和老年在形状方面又具有显著的区别，所以当输入的人脸图像属于新生儿或者老年时，本实施例具有较高的判别率。

本发明还提供了一种针对人脸图像的年龄判别装置，具体可以包括：

粗略估计模块，用于基于纹理和形状特征，对人脸图像进行粗略估计，并判断粗略估计结果是否落入年龄最大组和年龄最小组，若是，则结束本次操作，否则，触发精细估计模块；

精细估计模块，用于依据从特定年龄组别样本获取的人脸特征库，对所述有效人脸图像进行精细估计，并依据所述精细估计结果确定该人脸图像所属的年龄组别。

在本发明的一种优选实施例中，所述粗略估计模块可以包括以下子模块：

形状分析子模块，用于基于形状分析，判断人脸图像属于成人脸型还是儿童脸型；

成人脸型分析子模块，用于在人脸图像属于成人脸型时，通过纹理分析，判断人脸图像是否属于年龄最大组，若否，则触发精细估计模块；

儿童脸型分析子模块，用于在人脸图像属于儿童脸型时，通过纹理分析，判断人脸图像是否属于年龄最小组，若否，则触发精细估计模块。

在本发明的另一种优选实施例中，所述粗略估计模块可以包括以下子模块：

纹理分析子模块，用于基于纹理分析，判断人脸图像属于非皱纹脸型还是皱纹脸型；

非皱纹脸型分析子模块，用于在人脸图像属于非皱纹脸型时，通过形状分析，判断人脸图像属于儿童脸型还是成人脸型；

皱纹脸型分析子模块，用于在人脸图像属于皱纹脸型时，通过形状分析，判断人脸图像属于年龄最大组还是年龄最小组。

为提高年龄判别的准确度，本发明的年龄判别装置还可以包括：

预处理模块，用于对人脸图像进行预处理，并触发粗略估计模块对预处理后的人脸图像进行粗略估计操作。

在具体实现中，所述预处理模块可以包括以下子模块：

眼睛定位子模块，用于对所述人脸图像进行眼睛定位，得到眼睛位置；

归一化子模块，用于根据所述眼睛位置，对所述人脸图像进行归一化操作；

割取子模块，用于从所述归一化后的人脸图像中割取预设大小的图像。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的

比较简单，相关之处参见方法实施例的部分说明即可。

本发明可以适用于娱乐场所的人员监护和监控，网络或电视中的使用人群统计，幼儿护理等领域，可产生广泛的社会效益。

以上对本发明所提供的一种针对人脸图像的年龄判别方法和装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (13)

1.一种针对人脸图像的年龄判别方法，其特征在于，包括：

基于纹理和形状特征，对人脸图像进行粗略估计；

若粗略估计结果落入年龄最大组和年龄最小组，则结束本次操作；

否则，依据从特定年龄组别样本获取的人脸特征库，对所述有效人脸图像进行精细估计，并依据精细估计结果确定该人脸图像所属的年龄组别。

2.如权利要求1所述的方法，其特征在于，所述基于纹理和形状特征，对人脸图像进行粗略估计的步骤包括：

基于形状分析，判断人脸图像属于成人脸型还是儿童脸型；

若为成人脸型，则通过纹理分析，判断人脸图像是否属于年龄最大组，若否，则执行精细估计步骤；

若为儿童脸型，则通过纹理分析，判断人脸图像是否属于年龄最小组，若否，则执行精细估计步骤。

3.如权利要求1所述的方法，其特征在于，所述基于纹理和形状特征，对人脸图像进行粗略估计的步骤包括：

基于纹理分析，判断人脸图像属于非皱纹脸型还是皱纹脸型；

若为非皱纹脸型，则通过形状分析，判断人脸图像属于儿童脸型还是成人脸型；

若为皱纹脸型，则通过形状分析，判断人脸图像属于年龄最大组还是年龄最小组。

4.如权利要求1所述的方法，其特征在于，所述精细估计步骤包括：

对人脸图像进行双高斯差滤波；

对所述滤波后的人脸图像进行直方图均衡化操作；

首先对均衡化的后的人脸图像，做Gabor卷积，然后针对不同方向、不同尺度的Gabor卷积图像，提取LDA特征，并根据所述LDA特征建立年龄模板；

基于所述年龄模板，采用最近邻方法将人脸图像进行归类。

5.如权利要求2或3所述的方法，其特征在于，所述形状分析为器官比例分析，所述纹理分析为皱纹分析。

6.如权利要求2或3所述的方法，其特征在于，

针对成人脸型，执行精细估计步骤后的年龄组别包括儿童、少年、青年和中年；

针对儿童脸型，执行精细估计步骤后的年龄组别包括幼儿和儿童。

7.如权利要求1所述的方法，其特征在于，在基于纹理和形状特征，对人脸图像进行粗略估计的步骤前，还包括：

对人脸图像进行预处理，以预处理后的人脸图像进行粗略估计操作。

8.如权利要求7所述的方法，其特征在于，所述对人脸图像进行预处理的步骤包括：

对所述人脸图像进行眼睛定位，得到眼睛位置；

根据所述眼睛位置，对所述人脸图像进行归一化操作；

从所述归一化后的人脸图像中割取预设大小的图像。

9.一种针对人脸图像的年龄判别装置，其特征在于，包括：

粗略估计模块，用于基于纹理和形状特征，对人脸图像进行粗略估计，并判断粗略估计结果是否落入年龄最大组和年龄最小组，若是，则结束本次操作，否则，触发精细估计模块；

精细估计模块，用于依据从特定年龄组别样本获取的人脸特征库，对所述有效人脸图像进行精细估计，并依据所述精细估计结果确定该人脸图像所属的年龄组别。

10.如权利要求9所述的装置，其特征在于，所述粗略估计模块包括：

形状分析子模块，用于基于形状分析，判断人脸图像属于成人脸型还是儿童脸型；

成人脸型分析子模块，用于在人脸图像属于成人脸型时，通过纹理分析，判断人脸图像是否属于年龄最大组，若否，则触发精细估计模块；

儿童脸型分析子模块，用于在人脸图像属于儿童脸型时，通过纹理分析，判断人脸图像是否属于年龄最小组，若否，则触发精细估计模块。

11.如权利要求9所述的装置，其特征在于，所述粗略估计模块包括：

纹理分析子模块，用于基于纹理分析，判断人脸图像属于非皱纹脸型还是皱纹脸型；

非皱纹脸型分析子模块，用于在人脸图像属于非皱纹脸型时，通过形状分析，判断人脸图像属于儿童脸型还是成人脸型；

皱纹脸型分析子模块，用于在人脸图像属于皱纹脸型时，通过形状分析，判断人脸图像属于年龄最大组还是年龄最小组。

12.如权利要求9所述的装置，其特征在于，还包括：

预处理模块，用于对人脸图像进行预处理，并触发粗略估计模块对预处理后的人脸图像进行粗略估计操作。

13.如权利要求12所述的装置，其特征在于，所述预处理模块包括：

眼睛定位子模块，用于对所述人脸图像进行眼睛定位，得到眼睛位置；

归一化子模块，用于根据所述眼睛位置，对所述人脸图像进行归一化操作；

割取子模块，用于从所述归一化后的人脸图像中割取预设大小的图像。

Images