CN104463190A - 年龄估计方法及设备 - Google Patents

Abstract

本发明公开了一种年龄估计方法及设备，属于计算机技术领域。所述方法包括：根据N个特征向量和所述N个特征向量对应的年龄值，建立翘曲高斯过程WGP公式，所述N个特征向量是从多个人脸图像中获取的；确定所述WGP公式的目标公式参数；根据所述目标公式参数确定待测试人脸图像的估计年龄。本发明解决了年龄估计的实用性较低的问题，实现了提高方法实用性的效果，本发明用于年龄估计。

Description

年龄估计方法及设备

技术领域

本发明涉及计算机技术领域，特别涉及一种年龄估计方法及设备。

背景技术

年龄估计可以根据人的脸部图像估计人的年龄，并应用于需要验证年龄的各种场合中，例如，自动售货机通过识别人脸图像可以估计顾客年龄，拒绝向未成年人出售香烟和含酒精饮料，网吧或酒吧通过识别人脸图像可以估计顾客年龄，限制不到法定年龄的顾客进入，计算机或手机通过识别人脸图像可以判断用户年龄从而确定是否允许用户打开特定的应用程序或网页。

现有技术中，可以通过基于子空间的年龄估计方法对人年龄进行估计，首先获取基于同一个人的各个年龄对应的大量训练数据，得到这个人的个人生长公式，该训练数据包括：人脸图像，和该人脸图像对应的特征向量等，然后将采用相同方法获取的不同人对应的个人生长公式组成一个子空间，接着该子空间对待测试图像进行重建，将重建误差最小的个人生长公式确定为该待测试图像对应的个人生长公式，最后将该待测试图像与该对应的个人生长公式中的各个年龄对应的图像进行对比，与待测试图像最接近的图像对应的年龄即为估计的年龄。其中，个人生长公式主要是通过提取人脸的特征并建立公式对人脸进行识别的。

通过基于子空间的年龄估计方法进行年龄估计时，需要收集同一个人的各个年龄对应的大量训练数据，实际应用中难以获得，因此年龄估计的实用性较低。

发明内容

为了解决年龄估计的实用性较低的问题，本发明实施例提供了一种年龄估计方法及设备。所述技术方案如下：

第一方面，提供了一种年龄估计方法，所述方法包括：

根据N个特征向量和所述N个特征向量对应的年龄值，建立翘曲高斯过程WGP公式，所述N个特征向量是从多个人脸图像中获取的；

确定所述WGP公式的目标公式参数；

根据所述目标公式参数确定待测试人脸图像的估计年龄；

所述WGP公式为：

$l=\frac{1}{2}[{\stackrel{\→}{g}}^T{(K+\mathrm{\β}{I}_N)}^{-1}\stackrel{\→}{g}+\ln |K+\mathrm{\β}{I}_N\left|\right]-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right);$

其中，所述l为目标函数值， $\stackrel{\→}{g}={(g_{\mathrm{\θ}}\left(y_1\right),...,g_{\mathrm{\θ}}\left(y_n\right),...,g_{\mathrm{\θ}}\left(y_N\right))}^T,$ 所述y_n为所述N个特征向量中第n个特征向量对应的年龄值，且1≤n≤N，翘曲函数g_θ(y_n)＝a ln(by_n+c)+d，a＞0，b＞0，所述K为核矩阵，所述K的第p行和第q列的元素值 $K_{\mathrm{pq}}={\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\←}{x}}_q\left|\right|}^2}{2{\mathrm{\σ}}^2}},{\mathrm{\σ}}^2=\frac{1}{N^2}\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\←}{x}}_q\left|\right|}^2,$ 所述为所述N个特征向量中的第p个特征向量，所述为所述N个特征向量中的第q个特征向量，(β，θ)为所述目标公式参数，所述β为所述N个特征向量对应的高斯噪声模型的方差参数，所述θ为所述翘曲函数中的a，b，c和d四个参数的集合，所述I_N为N×N的单位矩阵，(*)^T表示求括号内矩阵的转置矩阵，(*)^-1表示求括号内矩阵的逆矩阵，所述g_θ′(y_n)表示g_θ(y_n)的导数。

结合第一方面，在第一种可实现方式中，

所述确定所述WGP公式的目标公式参数，包括：

根据所述WGP公式建立第一正交高斯过程OGP公式；

通过所述第一OGP公式确定所述WGP公式的目标公式参数，以所述目标公式参数为变量的所述WGP公式的目标函数值最小；

所述第一OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\λ}}_n+\mathrm{\β}}+\ln ({\mathrm{\λ}}_n+\mathrm{\β}))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right);$

其中，USU^T＝K，所述为所述U的第n列向量，所述U为正交矩阵，所述S为对角矩阵，S＝diag(λ₁，...，λ_n，...，λ_N)，所述λ₁至λ_N为所述K的特征值。

结合第一方面或第一种可实现方式，在第二种可实现方式中，

所述根据所述目标公式参数确定待测试人脸图像的年估计年龄，包括：

根据所述目标公式参数和第一年龄估计公式确定待测试人脸图像的估计年龄，所述第一年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g};$

其中， ${\stackrel{\→}{k}}_t={[{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}}]}^T,$ 所述为所述N个特征向量中的第n个特征向量，所述为所述待测试人脸图像对应的特征向量， $\tilde{K}=K+\mathrm{\β}{I}_N.$

结合第一方面，在第三种可实现方式中，

所述确定所述WGP公式的目标公式参数，包括：

根据所述WGP公式建立第二正交高斯过程OGP公式；

通过所述第二OGP公式确定所述WGP公式的目标公式参数，以所述目标公式参数为变量的所述WGP公式的目标函数值最小；

所述第二OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{\mathrm{\α}{\mathrm{\λ}}_n+\mathrm{\β}}+\ln ({\mathrm{\α\λ}}_n+\mathrm{\β}))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right);$

其中，αUSU^T＝αK，所述为所述U的第n列向量，所述α为所述K的尺度参数，所述U为正交矩阵，所述S为对角矩阵，S＝diag(λ₁，...，λ_n，...，λ_N)，所述λ₁至λ_N为所述K的特征值。

结合第三种可实现方式，在第四种可实现方式中，

所述根据所述目标公式参数确定待测试人脸图像的估计年龄，包括：

根据所述目标公式参数和第二年龄估计公式确定待测试人脸图像的估计年龄，所述第二年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g};$

其中， ${\stackrel{\→}{k}}_t={[\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}}]}^T,$ 所述为所述N个特征向量中的第n个特征向量，所述为所述待测试人脸图像对应的特征向量， $\tilde{K}=\mathrm{\αK}+\mathrm{\β}{I}_N.$

结合第三或第四种可实现方式，在第五种可实现方式中，

所述通过所述第二OGP公式确定所述WGP公式的目标公式参数，包括：

将所述第二OGP公式中β更新为β_n，得到所述第三OGP公式；

通过所述第三OGP公式确定所述WGP公式的目标公式参数，以所述目标公式参数为变量的所述WGP公式的目标函数值最小；

所述第三OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{\mathrm{\α}{\mathrm{\λ}}_n+{\mathrm{\β}}_n}+\ln ({\mathrm{\α\λ}}_n+{\mathrm{\β}}_n))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right);$

其中，所述β_n为所述N个特征向量中的第n个特征向量对应的高斯噪声模型方差参数。

结合第五种可实现方式，在第六种可实现方式中，

所述根据所述目标公式参数确定待测试人脸图像的估计年龄，包括：

根据所述目标公式参数和第三年龄估计公式确定待测试人脸图像的估计年龄，所述第三年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g};$

其中， ${\stackrel{\→}{k}}_t={[\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}}]}^T,$ 所述B_N为对角矩阵，B_N＝diag(β₁，...，β_n，...，β_N)。

结合第五种可实现方式，在第七种可实现方式中，

所述通过所述第三OGP公式确定所述WGP公式的目标公式参数，包括：

确定所述第三OGP公式中的目标函数值最小时，α和β_n的关系式；

重复执行第三OGP公式的α、θ和的迭代更新过程直至所述第三OGP公式中的目标函数值最小，所述第三OGP公式的α、θ和的迭代更新过程包括：

采用共轭梯度法更新所述第二OGP公式的α和θ；

根据所述α、所述α和β_n的关系式确定β_n；

根据聚类算法对β₁至β_N进行聚类处理得到N个参数值，所述N个参数值中至少存在一组相同的参数值；

根据所述N个参数值确定更新后的所述更新后的为由所述N个参数值依次组成的N维向量；

其中，所述α和β_n的关系式为： ${\stackrel{\→}{h}}_2=\mathrm{\α}\stackrel{\→}{\mathrm{\λ}}+\stackrel{\→}{\mathrm{\β}},{\stackrel{\→}{h}}_2={({\stackrel{\→}{h}}_1^2,...,{\stackrel{\→}{h}}_n^2,...,{\stackrel{\→}{h}}_N^2)}^T,$ $\stackrel{\→}{\mathrm{\λ}}={({\mathrm{\λ}}_1,...,{\mathrm{\λ}}_N)}^T,\stackrel{\→}{\mathrm{\β}}={({\mathrm{\β}}_1,...,{\mathrm{\β}}_n,...,{\mathrm{\β}}_N)}^T.$

结合第七种可实现方式，在第八种可实现方式中，

所述采用共轭梯度法更新所述第二OGP公式的α和θ，包括：

根据所述第二OGP公式中的目标函数和偏导公式分别对所述α和θ求偏导，获取所述α的偏导数和所述θ的偏导数，所述偏导公式为：

$\frac{\∂l}{\∂\mathrm{\α}}=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{(\mathrm{\α}{\mathrm{\λ}}_n+\mathrm{\β}{-h}_n^2){\mathrm{\λ}}_n}{{(\mathrm{\α}{\mathrm{\λ}}_n+\mathrm{\β})}^2};$

$\frac{\∂l}{\∂\mathrm{\θ}}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{g_n}{\mathrm{\α}{\mathrm{\λ}}_n+\mathrm{\β}}\frac{\∂g_n}{\∂\mathrm{\θ}}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{\∂{\ln g}_{\mathrm{\θ}}^{\′}\left(y_n\right)}{\∂\mathrm{\θ}},\mathrm{\θ}=a,b,c,d;$

用所述α的偏导数更新所述第二OGP公式的α；

用所述θ的偏导数更新所述第二OGP公式的θ。

结合第七或第八种可实现方式，在第九种可实现方式中，

所述根据聚类算法对β₁至β_N进行聚类处理得到N个参数值，包括：

根据所述聚类算法将β₁至β_N划分为x组参数值，x＜N；

建立所述β₁至β_N与所述x组参数值中参数值的对应关系；

获取所述x组参数值中每组参数值的平均值；

用所述每组参数值的平均值更新所述x组参数值对应组的所有参数值；

根据所述β₁至β_N与所述x组参数值中参数值的对应关系、更新后的所述x组参数值，确定所述β₁至β_N与更新后的所述x组参数值中参数值的对应关系；

根据所述β₁至β_N与更新后的所述x组参数值中参数值的对应关系，按照所述β₁至β_N的顺序依次获取更新后的所述x组参数值中的参数值作为所述N个参数值。

结合第一方面、第一种可实现方式或第三种可实现方式，在第十种可实现方式中，

所述确定所述WGP公式的目标公式参数，包括：

通过共轭梯度算法确定所述WGP公式的目标公式参数，以所述目标公式参数为变量的所述WGP公式的目标函数值最小。

结合第一方面至第十种可实现方式，在第十一种可实现方式中，

在所述根据所述特征向量建立翘曲高斯过程WGP公式之前，所述方法还包括：

采用预设处理方法对多个人脸图像进行预处理；

在经过预处理的人脸图像中，通过预设方法获取所述N个特征向量；

在所述根据所述目标公式参数确定待测试人脸图像的估计年龄之前，所述方法还包括：

采用所述预设处理方法对待测试人脸图像进行预处理；

在经过预处理的待测试人脸图像中，通过所述预设方法获取所述待测试人脸图像对应的特征向量。

结合第十一种可实现方式，在第十二种可实现方式中，

所述经过预处理的人脸图像包括N个人脸图像，所述N个人脸图像包括：第一人脸图像，所述N个特征向量包括第一特征向量，

所述在经过预处理的人脸图像中，通过预设方法获取所述N个特征向量，包括：

采用密集的尺度不变特征转换特征作为描述子，在所述第一人脸图像提取第一子特征向量；

采用多尺度局部二值模式特征作为描述子，在所述第一人脸图像中提取第二子特征向量；

将所述第一子特征向量与所述第二子特征向量连接形成所述第一特征向量，或者，将所述第一子特征向量与所述第二子特征向量连接形成的特征向量进行降维处理得到所述第一特征向量。

第二方面，提供了一种年龄估计设备，所述年龄估计设备包括：

第一建立单元，用于根据N个特征向量和所述N个特征向量对应的年龄值，建立翘曲高斯过程WGP公式，所述N个特征向量是从多个经过预处理的人脸图像中获取的；

第一确定单元，用于确定所述WGP公式的目标公式参数，以所述目标公式参数为变量的所述WGP公式中的目标函数值最小；

第二确定单元，用于根据所述目标公式参数确定待测试人脸图像的估计年龄；

所述WGP公式为：

$l=\frac{1}{2}[{\stackrel{\→}{g}}^T{(K+\mathrm{\β}{I}_N)}^{-1}\stackrel{\→}{g}+\ln |K+\mathrm{\β}{I}_N\left|\right]-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right);$

其中，所述l为目标函数值， $\stackrel{\→}{g}={(g_{\mathrm{\θ}}\left(y_1\right),...,g_{\mathrm{\θ}}\left(y_n\right),...,g_{\mathrm{\θ}}\left(y_N\right))}^T,$ 所述y_n为所述N个特征向量中第n个特征向量对应的年龄值，且1≤n≤N，翘曲函数g_θ(y_n)＝aln(by_n+c)+d，a＞0，b＞0，所述K为核矩阵，所述K的第p行和第q列的元素值 $K_{\mathrm{pq}}={\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\→}{x}}_q\left|\right|}^2}{{2\mathrm{\σ}}^2}},{\mathrm{\σ}}^2=\frac{1}{N^2}\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\→}{x}}_q\left|\right|}^2,$ 所述为所述N个特征向量中的第p个特征向量，所述为所述N个特征向量中的第q个特征向量，(β，θ)为所述目标公式参数，所述β为所述N个特征向量对应的高斯噪声模型的方差参数，所述θ为所述翘曲函数中的a，b，c和d四个参数的集合，所述I_N为N×N的单位矩阵，(*)^T表示求括号内矩阵的转置矩阵，(*)^-1表示求括号内矩阵的逆矩阵，所述g_θ′(y_n)表示g_θ(y_n)的导数。

结合第二方面，在第一种可实现方式中，

所述第一确定单元，包括：

第一建立模块，用于根据所述WGP公式建立第一正交高斯过程OGP公式；

第一确定模块，用于通过所述第一OGP公式确定所述WGP公式的目标公式参数，以所述目标公式参数为变量的所述WGP公式的目标函数值最小；

所述第一OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\λ}}_n+\mathrm{\β}}+\ln ({\mathrm{\λ}}_n+\mathrm{\β}))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right);$

其中，USU^T＝K，所述为所述U的第n列向量，所述U为正交矩阵，所述S为对角矩阵，S＝diag(λ₁，…，λ_n，…，λ_N)，所述λ₁至λ_N为所述K的特征值。

结合第二方面或第一种可实现方式，在第二种可实现方式中，

所述第二确定单元，包括：

第二确定模块，用于根据所述目标公式参数和第一年龄估计公式确定待测试人脸图像的估计年龄，所述第一年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g};$

其中， ${\stackrel{\→}{k}}_t={[{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}}]}^T,$ 所述为所述N个特征向量中的第n个特征向量，所述为所述待测试人脸图像对应的特征向量， $\tilde{K}=K+\mathrm{\β}{I}_N.$

结合第二方面，在第三种可实现方式中，

所述第一确定单元，包括：

第二建立模块，用于根据所述WGP公式建立第二正交高斯过程OGP公式；

第三确定模块，用于通过所述第二OGP公式确定所述WGP公式的目标公式参数，以所述目标公式参数为变量的所述WGP公式的目标函数值最小；

所述第二OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\α\λ}}_n+\mathrm{\β}}+\ln ({\mathrm{\α\λ}}_n+\mathrm{\β}))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right);$

其中，αUSU^T＝αK，所述为所述U的第n列向量，所述α为所述K的尺度参数，所述U为正交矩阵，所述S为对角矩阵，S＝diag(λ₁，…，λ_n，…，λ_N)，所述λ₁至λ_N为所述K的特征值。

结合第三种可实现方式，在第四种可实现方式中，

所述第二确定单元，包括：

第四确定模块，用于根据所述目标公式参数和第二年龄估计公式确定待测试人脸图像的估计年龄，所述第二年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g};$

其中， ${\stackrel{\→}{k}}_t=[\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}}{]}^T,$ 所述为所述N个特征向量中的第n个特征向量，所述为所述待测试人脸图像对应的特征向量， $\tilde{K}=\mathrm{\αK}+{\mathrm{\βI}}_N.$

结合第三或第四种可实现方式，在第五种可实现方式中，

所述第三确定模块，包括：

第一更新子模块，用于将所述第二OGP公式中β更新为β_n，得到所述第三OGP公式；

第一确定子模块，用于通过所述第三OGP公式确定所述WGP公式的目标公式参数，以所述目标公式参数为变量的所述WGP公式的目标函数值最小；

所述第三OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\α\λ}}_n+{\mathrm{\β}}_n}+\ln ({\mathrm{\α\λ}}_n+{\mathrm{\β}}_n))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right);$

其中，所述β_n为所述N个特征向量中的第n个特征向量对应的高斯噪声模型方差参数。

结合第五种可实现方式，在第六种可实现方式中，

所述第二确定单元，包括：

第五确定模块，用于根据所述目标公式参数和第三年龄估计公式确定待测试人脸图像的估计年龄，所述第三年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g};$

其中， ${\stackrel{\→}{k}}_t=[\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}}{]}^T,$ 所述B_N为对角矩阵，B_N＝diαg(β₁，...，β_n，...，β_N)。

结合第五种可实现方式，在第七种可实现方式中，

所述第一确定子模块，包括：

确定子单元，用于确定所述第三OGP公式中的目标函数值最小时，α和β_n的关系式；

处理子单元，用于重复执行第三OGP公式的α、θ和的迭代更新过程直至所述第三OGP公式中的目标函数值最小，所述第三OGP公式的α、θ和的迭代更新过程包括：

采用共轭梯度法更新所述第二OGP公式的α和θ；

根据所述α、所述α和β_n的关系式确定β_n；

根据聚类算法对β₁至β_N进行聚类处理得到N个参数值，所述N个参数值中至少存在一组相同的参数值；

根据所述N个参数值确定更新后的所述更新后的为由所述N个参数值依次组成的N维向量；

其中，所述α和β_n的关系式为： ${\stackrel{\→}{h}}_2=\mathrm{\α}\stackrel{\→}{\mathrm{\λ}}+\stackrel{\→}{\mathrm{\β}},{\stackrel{\→}{h}}_2={({\stackrel{\→}{h}}_1^2,...,{\stackrel{\→}{h}}_n^2,...,{\stackrel{\→}{h}}_N^2)}^T,$ $\stackrel{\→}{\mathrm{\λ}}={({\mathrm{\λ}}_1,...,{\mathrm{\λ}}_N)}^T,\stackrel{\→}{\mathrm{\β}}={({\mathrm{\β}}_1,...,{\mathrm{\β}}_n,...,{\mathrm{\β}}_N)}^T.$

结合第七种可实现方式，在第八种可实现方式中，

所述处理子单元具体用于：

根据所述第二OGP公式中的目标函数和偏导公式分别对所述α和θ求偏导，获取所述α的偏导数和所述θ的偏导数，所述偏导公式为：

$\frac{\∂l}{\∂\mathrm{\α}}=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{({\mathrm{\α\λ}}_n+\mathrm{\β}-h_n^2){\mathrm{\λ}}_n}{{({\mathrm{\α\λ}}_n+\mathrm{\β})}^2};$

$\frac{\∂l}{\∂\mathrm{\θ}}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{g_n}{{\mathrm{\α\λ}}_n+\mathrm{\β}}\frac{{\∂g}_n}{\∂\mathrm{\θ}}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{\∂\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right)}{\∂\mathrm{\θ}},\mathrm{\θ}=a,b,c,d;$

用所述α的偏导数更新所述第二OGP公式的α；

用所述θ的偏导数更新所述第二OGP公式的θ。

结合第七或第八种可实现方式，在第九种可实现方式中，

所述处理子单元具体用于：

根据所述聚类算法将β₁至β_N划分为x组参数值，x＜N；

建立所述β₁至β_N与所述x组参数值中参数值的对应关系；

获取所述x组参数值中每组参数值的平均值；

用所述每组参数值的平均值更新所述x组参数值对应组的所有参数值；

根据所述β₁至β_N与所述x组参数值中参数值的对应关系、更新后的所述x组参数值，确定所述β₁至β_N与更新后的所述x组参数值中参数值的对应关系；

根据所述β₁至β_N与更新后的所述x组参数值中参数值的对应关系，按照所述β₁至β_N的顺序依次获取更新后的所述x组参数值中的参数值作为所述N个参数值。

结合第二方面、第一种可实现方式或第三种可实现方式，在第十种可实现方式中，

所述第一确定单元，包括：

第六确定模块，用于通过共轭梯度算法确定所述WGP公式的目标公式参数，以所述目标公式参数为变量的所述WGP公式的目标函数值最小。

结合第二方面或第十种可实现方式，在第十一种可实现方式中，

所述年龄估计设备还包括：

第一预处理单元，用于采用预设处理方法对多个人脸图像进行预处理；

第一获取单元，用于在经过预处理的人脸图像中，通过预设方法获取所述N个特征向量；

第二预处理单元，用于采用所述预设处理方法对待测试人脸图像进行预处理；

第二获取单元，用于在经过预处理的待测试人脸图像中，通过所述预设方法获取所述待测试人脸图像对应的特征向量。

结合第十一种可实现方式，在第十二种可实现方式中，

所述经过预处理的人脸图像包括N个人脸图像，所述N个人脸图像包括：第一人脸图像，所述N个特征向量包括第一特征向量，

所述第一获取单元，包括：

第一提取模块，用于采用密集的尺度不变特征转换特征作为描述子，在所述第一人脸图像提取第一子特征向量；

第二提取模块，用于采用多尺度局部二值模式特征作为描述子，在所述第一人脸图像中提取第二子特征向量；

连接模块，用于将所述第一子特征向量与所述第二子特征向量连接形成所述第一特征向量，或者，将所述第一子特征向量与所述第二子特征向量连接形成的特征向量进行降维处理得到所述第一特征向量。

本发明提供了一种年龄估计方法及设备，由于能够从多个经过预处理的人脸图像中获取N个特征向量，并根据N个特征向量和N个特征向量对应的年龄值建立WGP公式，通过WGP公式的目标公式参数来确定待测试人脸图像的估计年龄，因此在估计年龄时，无需采用同一个人的各个年龄对应的大量训练数据，从而提高了方法的实用性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种年龄估计方法的流程图；

图2是本发明实施例提供的另一种年龄估计方法的流程图；

图3是本发明实施例提供的一种对人脸图像进行预处理方法的示意图；

图4是本发明实施例提供的一种在经过预处理的人脸图像中，通过预设方法获取N个特征向量方法的流程图；

图5是本发明实施例提供的一种确定WGP公式的目标公式参数方法的流程图；

图6是本发明实施例提供的另一种确定WGP公式的目标公式参数方法的流程图；

图7是本发明实施例提供的一种通过第二OGP公式确定WGP公式的目标公式参数方法的流程图；

图8是本发明实施例提供的一种年龄估计设备的结构示意图；

图9是本发明实施例提供的另一种年龄估计设备的结构示意图；

图10是本发明实施例提供的一种年龄估计设备的一种第一确定单元的结构示意图；

图11是本发明实施例提供的一种年龄估计设备的第一获取单元的结构示意图；

图12是本发明实施例提供的一种年龄估计设备的另一种第一确定单元的结构示意图；

图13是本发明实施例提供的一种年龄估计设备的又一种第一确定单元的结构示意图；

图14是本发明实施例提供的一种年龄估计设备的第三确定模块的结构示意图；

图15是本发明实施例提供的一种年龄估计设备的第一确定子模块的结构示意图；

图16是本发明实施例提供的一种年龄估计设备的一种第二确定单元的结构示意图；

图17是本发明实施例提供的一种年龄估计设备的另一种第二确定单元的结构示意图；

图18是本发明实施例提供的一种年龄估计设备的又一种第二确定单元的结构示意图；

图19是本发明实施例提供的又一种年龄估计设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

机器学习指的是从数据中提取规则或模式来把数据转换成信息，通常，机器学习时首先将数据进行预处理，形成特征，然后根据特征创建某种公式。机器学习问题主要分为三大类：监督学习、无监督学习和强迫学习，其中监督学习指的是根据经验数据(训练集)来学习输入-输出之间的映射关系，使得给定新的输入便可以得到相应的输出(预测值)。当训练集中的输出为值域为整个实数域，这种机器学习方法属于机器学习回归方法，在机器学习回归方法中，高斯过程回归(英文：Gaussian Process Regression；简称：GPR)是常用的方法之一，GPR方法需要假设观测值满足高斯分布，但是当观测值差距比较大，难以用高斯分布模拟时，就需要把观测空间的数据转换到某一个能够用GPR方法很好建模的空间，由此便产生了翘曲高斯过程(英文：Warped Gaussian Process；简称：WGP)公式，本发明实施例是在WGP公式的基础上进行年龄估计的。

本发明实施例提供一种年龄估计方法，如图1所示，该方法包括：

步骤101、根据N个特征向量和N个特征向量对应的年龄值，建立WGP公式，该N个特征向量是从多个人脸图像中获取的。

需要说明的是，该多个人脸图像是采用预设处理方法对多个人脸图像进行预处理之后得到的多个人脸图像。

步骤102、确定WGP公式的目标公式参数。

其中，以该目标公式参数为变量的WGP公式的目标函数值最小。

步骤103、根据目标公式参数确定待测试人脸图像的估计年龄。

需要说明的是，该待测人脸图像为需要进行年龄估计的人脸图像，而步骤101中的多个人脸图像是用于建立WGP公式的人脸图像，因此，待测人脸图像与步骤101所述的多个人脸图像不同。

上述WGP公式为：

$l=\frac{1}{2}[{\stackrel{\→}{g}}^T{(K+\mathrm{\β}{I}_N)}^{-1}\stackrel{\→}{g}+\ln |K+\mathrm{\β}{I}_N\left|\right]-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right);$

其中，l为目标函数值， $\stackrel{\→}{g}={(g_{\mathrm{\θ}}\left(y_1\right),...,g_{\mathrm{\θ}}\left(y_n\right),...,g_{\mathrm{\θ}}\left(y_N\right))}^T,$ y_n为N个特征向量中第n个特征向量对应的年龄值，且1≤n≤N，翘曲函数g_θ(y_n)＝a ln(by_n+c)+d，a＞0，b＞0，K为核矩阵，所述K的第p行和第q列的元素值 $K_{\mathrm{pq}}={\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\→}{x}}_q\left|\right|}^2}{{2\mathrm{\σ}}^2}},{\mathrm{\σ}}^2=\frac{1}{N^2}\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\→}{x}}_q\left|\right|}^2,$ 为N个特征向量中的第p个特征向量，为N个特征向量中的第q个特征向量，(β，θ)为目标公式参数，β为N个特征向量对应的高斯噪声模型的方差参数，θ为翘曲函数中的a，b，c和d四个参数的集合，I_N为N×N的单位矩阵，(*)^T表示求括号内矩阵的转置矩阵，(*)^-1表示求括号内矩阵的逆矩阵，所述g_θ′(y_n)表示g_θ(y_n)的导数。

综上所述，本发明实施例提供的年龄估计方法，由于能够从多个经过预处理的人脸图像中获取N个特征向量，并根据N个特征向量和N个特征向量对应的年龄值建立WGP公式，通过WGP公式的目标公式参数来确定待测试人脸图像的估计年龄，因此在估计年龄时，无需采用同一个人的各个年龄对应的大量训练数据，从而提高了方法的实用性。

需要说明的是，在WGP公式中，每一个特征向量映射到一个值，其中，第n个特征向量x_n映射的值为f(x_n)，f(*)是由核矩阵K确定的函数，相应的，高斯噪声模型为：g_θ(y_n)|f(x_n)～N(f(x_n)，β)；

该高斯噪声模型表示在给定f(x_n)时的g_θ(y_n)满足以f(x_n)为均值，以β为方差的高斯分布，N(f(x_n)，β)即以f(x_n)为均值，以β为方差的高斯分布。

进一步的，步骤102可以包括：根据WGP公式建立第一正交高斯过程(英文：Orthogonal Gaussian Process；简称：OGP)公式；通过第一OGP公式确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式的目标函数值最小，该第一OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\λ}}_n+\mathrm{\β}}+\ln ({\mathrm{\λ}}_n+\mathrm{\β}))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right),$

其中，USU^T＝K， 为U的第n列向量，U为正交矩阵，S为对角矩阵，S＝diag(λ₁，...，λ_n，...，λ_N)，λ₁至λ_N为K的特征值。

相应的，步骤103可以包括：根据目标公式参数和第一年龄估计公式确定待测试人脸图像的估计年龄，该第一年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g},$

其中， ${\stackrel{\→}{k}}_t={[{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,{\exp }^{-{\frac{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}{{2\mathrm{\σ}}^2}}^2},...,{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}}]}^T,$ 为N个特征向量中的第n个特征向量，为待测试人脸图像对应的特征向量， $\tilde{K}=K+\mathrm{\β}{I}_N.$

步骤102还可以包括：根据WGP公式建立第二OGP公式；通过第二OGP公式确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式的目标函数值最小，该第二OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\α\λ}}_n+\mathrm{\β}}+\ln (\mathrm{\α}{\mathrm{\λ}}_n+\mathrm{\β}))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right),$

其中，αUSU^T＝αK， 为U的第n列向量，α为K的尺度参数，U为正交矩阵，S为对角矩阵，S＝diag(λ₁，...，λ_n，...，λ_N)，λ₁至λ_N为K的特征值。

相应的，步骤103可以包括：根据目标公式参数和第二年龄估计公式确定待测试人脸图像的估计年龄，该第二年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g};$

其中， ${\stackrel{\→}{k}}_t={[\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,{\mathrm{\αexp}}^{-{\frac{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}{{2\mathrm{\σ}}^2}}^2},...,{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}}]}^T,$ 为N个特征向量中的第n个特征向量，为待测试人脸图像对应的特征向量， $\tilde{K}=\mathrm{\αK}+\mathrm{\β}{I}_N.$

需要说明的是，通过第二OGP公式确定WGP公式的目标公式参数，可以包括：将第二OGP公式中β更新为β_n，得到第三OGP公式；通过第三OGP公式确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式的目标函数值最小，该第三OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\α\λ}}_n+{\mathrm{\β}}_n}+\ln (\mathrm{\α}{\mathrm{\λ}}_n+{\mathrm{\β}}_n))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right),$

其中，β_n为N个特征向量中的第n个特征向量对应的高斯噪声模型方差参数。

相应的，步骤103可以包括：根据目标公式参数和第三年龄估计公式确定待测试人脸图像的估计年龄，该第三年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g},$

其中， ${\stackrel{\→}{k}}_t={[\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}}]}^T,$ B_N为对角矩阵，B_N＝diag(β₁，...，β_n，...，β_N)。

需要说明的是，通过第三OGP公式确定WGP公式的目标公式参数，可以包括：确定第三OGP公式中的目标函数值最小时，α和β_n的关系式；重复执行第三OGP公式的α、θ和的迭代更新过程直至第三OGP公式中的目标函数值最小。

进一步的，第三OGP公式的α、θ和的迭代更新过程，可以包括：采用共轭梯度法更新第二OGP公式的α和θ；根据α、α和β_n的关系式确定β_n；根据聚类算法对β₁至β_N进行聚类处理得到N个参数值，N个参数值中至少存在一组相同的参数值；根据N个参数值确定更新后的更新后的为由N个参数值依次组成的N维向量。

其中，α和β_n的关系式为： ${\stackrel{\→}{h}}_2=\mathrm{\α}\stackrel{\→}{\mathrm{\λ}}+\stackrel{\→}{\mathrm{\β}},{\stackrel{\→}{h}}_2={({\stackrel{\→}{h}}_1^2,...,{\stackrel{\→}{h}}_n^2,...,{\stackrel{\→}{h}}_N^2)}^T,$ $\stackrel{\→}{\mathrm{\λ}}={({\mathrm{\λ}}_1,...,{\mathrm{\λ}}_N)}^T,\stackrel{\→}{\mathrm{\β}}={({\mathrm{\β}}_1,...,{\mathrm{\β}}_n,...,{\mathrm{\β}}_N)}^T.$

采用共轭梯度法更新第二OGP公式的α和θ，可以包括：根据第二OGP公式中的目标函数和偏导公式分别对α和θ求偏导，获取α的偏导数和θ的偏导数，该偏导公式为：

$\frac{\∂l}{\∂\mathrm{\α}}=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{({\mathrm{\α\λ}}_n+\mathrm{\β}-h_n^2){\mathrm{\λ}}_n}{{({\mathrm{\α\λ}}_n+\mathrm{\β})}^2},$

$\frac{\∂l}{\∂\mathrm{\θ}}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{g_n}{{\mathrm{\α\λ}}_n+\mathrm{\β}}\frac{{\∂g}_n}{\∂\mathrm{\θ}}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{{\∂\ln g}_{\mathrm{\θ}}^{\′}\left(y_n\right)}{\∂\mathrm{\θ}},\mathrm{\θ}=a,b,c,d,$

用α的偏导数更新第二OGP公式的α；用θ的偏导数更新第二OGP公式的θ。

根据聚类算法对β₁至β_N进行聚类处理得到N个参数值，可以包括：根据聚类算法将β₁至β_N划分为x组参数值，x＜N；建立β₁至β_N与x组参数值中参数值的对应关系；获取x组参数值中每组参数值的平均值；用每组参数值的平均值更新x组参数值对应组的所有参数值；根据β₁至β_N与x组参数值中参数值的对应关系、更新后的x组参数值，确定β₁至β_N与更新后的x组参数值中参数值的对应关系；根据β₁至β_N与更新后的x组参数值中参数值的对应关系，按照β₁至β_N的顺序依次获取更新后的x组参数值中的参数值作为N个参数值。

确定WGP公式的目标公式参数，可以包括：通过共轭梯度算法确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式的目标函数值最小。

进一步的，在步骤101之前，该方法还可以包括：采用预设处理方法对多个人脸图像进行预处理；在经过预处理的人脸图像中，通过预设方法获取N个特征向量。

在根据目标公式参数确定待测试人脸图像的估计年龄之前，该方法还可以包括：采用预设处理方法对待测试人脸图像进行预处理；在经过预处理的待测试人脸图像中，通过预设方法获取待测试人脸图像对应的特征向量。

具体的，经过预处理的人脸图像包括N个人脸图像，N个人脸图像包括：第一人脸图像，N个特征向量包括第一特征向量，因此在经过预处理的人脸图像中，通过预设方法获取N个特征向量，可以包括：采用密集的尺度不变特征转换特征作为描述子，在第一人脸图像提取第一子特征向量；采用多尺度局部二值模式特征作为描述子，在第一人脸图像中提取第二子特征向量；将第一子特征向量与第二子特征向量连接形成第一特征向量，或者，将第一子特征向量与第二子特征向量连接形成的特征向量进行降维处理得到第一特征向量。

需要说明的是，在实际应用中，根据输入数据进行拟合建立的公式的参数越多，该公式对新的数据给出一个新的估计的能力就越强，而由于本发明实施例提供的年龄估计方法中建立的公式中增加了核矩阵参数α和N个高斯噪声公式方差参数β₁至β_N等新的目标公式参数，使得建立的年龄估计公式对新的人脸图像对应的特征向量进行年龄估计时的能力越强，因此该年龄估计方法提高了年龄估计的精确度。

综上所述，本发明实施例提供的年龄估计方法，由于能够从多个经过预处理的人脸图像中获取N个特征向量，并根据N个特征向量和N个特征向量对应的年龄值建立WGP公式，通过WGP公式的目标公式参数来确定待测试人脸图像的估计年龄，因此在估计年龄时，无需采用同一个人的各个年龄对应的大量训练数据，从而提高了方法的实用性，同时由于增加了新的目标公式参数，如α和β₁至β_N，提高了年龄估计的精确度。

本发明实施例提供一种年龄估计方法，如图2所示，该方法包括：

步骤201、采用预设处理方法对多个人脸图像进行预处理。

为了消除人脸图像中的冗余信息，滤除干扰、噪声，增强有关信息的可检测性，需要对人脸图像进行预处理，在预处理阶段，需要对人脸图像进行优化，尽可能去除或者减小外部环境对预处理图像的干扰，为后续获取特征向量做好铺垫。具体的可以如图3所示，其中，图3-1为预处理前的人脸图像，在进行该人脸图像的预处理时，首先将该人脸图像旋转至竖直方向，也就是将双眼中心点的连线处于水平方向，该水平方向可以为图3中x方向，然后对人脸图像进行尺度上的缩放，使两个眼睛中心点之间的距离k等于预设距离，最后对人脸图像进行修剪，去除图像背景、耳朵、额头及头发等区域，得到预处理后的人脸图像如图3-2所示，特别的，修剪之后的图像形状可以为圆形或者多边形，图3只是示意性说明。

步骤202、在经过预处理的人脸图像中，通过预设方法获取N个特征向量。

需要说明的是，假设经过预处理的人脸图像包括N个人脸图像，N个人脸图像包括：第一人脸图像，N个特征向量包括第一特征向量，本发明实施例以第一人脸图像为例说明，如图4所示，步骤202具体可以包括：

步骤2021、采用密集的尺度不变特征转换特征作为描述子，在第一人脸图像提取第一子特征向量。

密集的尺度不变特征转换特征是一种基于尺度空间的、对人脸图像缩放、旋转等保持不变性的图像局部特征描述子，可以用于从不同视角的第一人脸图像中提取第一子特征向量，其特征向量提取过程可以参考相关技术，本发明实施例对此不再赘述。

步骤2022、采用多尺度局部二值模式特征作为描述子，在第一人脸图像中提取第二子特征向量。

示例的，多尺度局部二值模式特征是一种利用结构法思想固定窗口特征，利用统计法做整体的特征提取的特征描述子，采用多尺度局部二值模式特征在第一人脸图像中提取第二子特征向量可以先把人脸图像分成小的区域块，然后用赋予不同权值的多尺度局部二值模式计算每个小区域块的描述子，最后把这些不同块的描述子连接起来，组成空域增强的直方图来表示该人脸图像的特征，根据该特征获取第一人脸图像的第二子特征向量。

步骤2023、根据第一子特征向量和第二子特征向量确定第一特征向量。

第一方面将第一子特征向量与第二子特征向量连接形成第一特征向量。

实际应用中，当第一子特征向量和第二子特征向量连接形成的第一特征向量的维度不高时，可以对第一子特征向量与第二子特征向量连接形成特征向量不进行降维处理，因为该特征向量在参与后续处理时不会需要很大的计算内存，同时处理速度也不会受到很大的影响。

第二方面将第一子特征向量与第二子特征向量连接形成的特征向量进行降维处理得到第一特征向量。

当第一子特征向量和第二子特征向量连接形成的第一特征向量的维度较高时，该第一特征向量参与后续处理时会需要很大的计算内存，同时处理速度也会明显下降，因此需要对第一子特征向量与第二子特征向量连接形成特征向量进行降维处理。示例的，可以采用主成分分析(英文：Principal ComponentAnalysis；简称：PCA)方法对第一子特征向量与第二子特征向量连接形成的特征向量进行降维处理，具体可以包括：先把所有人脸图像(训练样本)对应的第一特征向量组合为一个矩阵，再获取该矩阵的协方差矩阵，接着获取该协方差矩阵的特征值和特征向量，构造特征脸空间，然后将获取到的特征向量按照特征值的大小进行组合形成一个映射矩阵，并根据特征值的贡献率选取以映射矩阵的前n行或者前n列作为最终的映射矩阵，最后将最终的映射矩阵对原始所有人脸图像对应的第一特征向量进行映射，达到降维的目的。通常特征值的贡献率取99％，即训练样本在前n个特征向量集上的投影有99％的能量。

步骤203、根据N个特征向量和N个特征向量对应的年龄值，建立WGP公式。

N个特征向量是从多个经过预处理的人脸图像中获取的。N个人脸图像中每个人脸图像对应一个特征向量，每个人脸图像对应一个年龄值，该年龄值是在提取人脸图像时，获取的该人脸图像对应的真实年龄，因此根据N个特征向量和N个特征向量对应的年龄值可以建立WGP公式，进行年龄估计。其中，N个特征向量是从多个经过预处理的人脸图像中获取的。

该WGP公式为：

$l=\frac{1}{2}[{\stackrel{\→}{g}}^T{(K+\mathrm{\β}{I}_N)}^{-1}\stackrel{\→}{g}+\ln |K+\mathrm{\β}{I}_N\left|\right]-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right)---\left(1\right)$

其中，l为目标函数值， $\stackrel{\→}{g}={(g_{\mathrm{\θ}}\left(y_1\right),...,g_{\mathrm{\θ}}\left(y_n\right),...,g_{\mathrm{\θ}}\left(y_N\right))}^T,$ y_n为N个特征向量中第n个特征向量对应的年龄值，且1≤n≤N，翘曲函数g_θ(y_n)＝aln(by_n+c)+d，a＞0，b＞0，K为核矩阵，K的第p行和第q列的元素值 $K_{\mathrm{pq}}={\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\→}{x}}_q\left|\right|}^2}{2{\mathrm{\σ}}^2}},{\mathrm{\σ}}^2=\frac{1}{N^2}\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\→}{x}}_q\left|\right|}^2,$ 为N个特征向量中的第p个特征向量，为N个特征向量中的第q个特征向量，(β，θ)为目标公式参数，β为N个特征向量对应的高斯噪声模型的方差参数，θ为翘曲函数中的a，b，c和d四个参数的集合，I_N为N×N的单位矩阵，(*)^T表示求括号内矩阵的转置矩阵，(*)^-1表示求括号内矩阵的逆矩阵，g_θ′(y_n)表示g_θ(y_n)的导数。

需要说明的是，在机器学习回归过程中，首先给定输入数据，通过对这些数据进行拟合得到一个估计函数(公式)，该估计函数可以对新的数据给出一个新的估计。示例的，当做一个房屋价值的评估系统时，一个房屋的价值有很多变量，比如面积、房屋结构布局、地段、朝向等，这些影响房屋价值的变量称为特征，假设房屋只受到面积这个变量的影响，给定五个房屋的价格和每个房屋对应的面积的数据集合，可以将房屋价格和房屋面积表示在二维坐标轴上，x轴表示房屋的面积，y轴表示房屋的价格，此时可以用一条曲线去拟合这些数据，那么对于一个新的房屋面积，就可以得到该新房屋对应的价格。

本发明实施例中，输入数据为N个特征向量和N个特征向量对应的年龄值每个人的年龄受到这个人的人脸图像对应的特征向量的影响，所以根据N个特征向量和N个特征向量对应的年龄值可以建立一个公式，该公式为WGP公式，WGP公式可以通过新的人脸图像对应的特征向量估计新的人脸图像对应的年龄。

步骤204、确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式中的目标函数值最小。

为了对年龄的估计更加精确，需要使公式(1)中的函数l的值最小，因此可以确定WGP公式的目标公式参数(β，θ)，使得公式(1)中以(β，θ)为变量的函数l达到最小值。

具体的，步骤204可以包括：通过共轭梯度算法确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式的目标函数值最小。

示例的，可以通过共轭梯度算法解决公式(1)的优化问题，以此来得到最优解，共轭梯度算法的基本思想是把共轭性与最速下降方法相结合，利用已知迭代点处的梯度方向构造一组共轭方向，并沿此方向进行搜索，求出目标函数的极小点，需要说明的是，第一个搜索方向取负梯度方向，否则构造的搜索方向不能保证共轭性。示例的，设A为n×n阶实对称正定矩阵，如果有两个n维非零向量S₁和S₂，满足：则称向量S₁和S₂对于矩阵A共轭，S₁和S₂称为共轭方向，也就是说，共轭方向是指若干个方向矢量组成的方向组，各方向具有某种共同的性质，各方向之间存在着特定的关系。共轭梯度算法是一种迭代算法，在每一步迭代时，需要计算WGP公式中参数β和参数θ的偏导数。其中，计算WGP公式中参数β的偏导数的公式为：

$\frac{\∂l}{\∂\mathrm{\β}}=\frac{1}{2}\mathrm{tr}\left(\right[{\tilde{K}}^{-1}-{\tilde{K}}^{-1}\stackrel{\→}{g}{\stackrel{\→}{g}}^T{\tilde{K}}^{-1}\left]\right)---\left(2\right)$

计算WGP公式中参数θ的偏导数的公式为：

$\frac{\∂l}{\∂\mathrm{\θ}}={\stackrel{\→}{g}}^T{\tilde{K}}^{-1}\frac{\∂\stackrel{\→}{g}}{\∂\mathrm{\θ}}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{\∂\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right)}{\∂\mathrm{\θ}}---\left(3\right)$

其中，θ＝a、b、c、d，tr(*)表示求括号内矩阵的迹(矩阵的特征值的总和)，即求括号内矩阵的主对角线元素的总和。公式(2)和公式(3)中的参数的解释可以参照公式(1)中相应的参数解释。

需要说明的是，根据N个特征向量和N个特征向量对应的年龄值，可以直接根据WGP公式确定WGP公式的目标公式参数，也可以通过将WGP公式转化为其他公式来得到WGP公式的目标公式参数，在本发明实施例中，假设对WGP公式变形后可以得到第一OGP公式、第二OGP公式和第三OGP公式中的任意一个，则根据变形后的WGP公式进行目标公式参数获取的过程如下：

一方面，当WGP公式变形后得到第一OGP公式时，步骤204如图5所示，具体可以包括：

步骤204a1、根据WGP公式建立第一OGP公式。

通过共轭梯度算法对公式(1)进行迭代求最优解时，每一步迭代都需要按照公式(2)和公式(3)来计算WGP公式中参数β和参数θ的偏导数，而每一步都需要求维度为N×N的矩阵的逆矩阵，从而使得当人脸图像(训练样本)数非常大时，计算复杂度就很高，因此可以根据WGP公式建立第一OGP公式。具体的，可以对核矩阵K进行奇异值分解：

K＝USU^T    (4)

其中，U为正交矩阵，UU^T＝I，I为单位矩阵，即I的主对角线上的元素都为1，其他元素全为0，S为对角矩阵，即S除主对角线元素以外，其他元素全为0，且S＝diag(λ₁，...，λ_n，...，λ_N)，λ₁至λ_N为K的特征值。U为K的左奇异向量矩阵，U^T为K的右奇异向量矩阵，S为K的奇异值矩阵，由KK^T的正交单位特征向量获得U。

将公式(4)代入公式(1)得到第一OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\λ}}_n+\mathrm{\β}}+\ln ({\mathrm{\λ}}_n+\mathrm{\β}))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right)---\left(5\right)$

其中， 为U的第n列向量。

步骤204b1、通过第一OGP公式确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式的目标函数值最小。

如步骤204所述，通过共轭梯度算法对公式(5)进行迭代运算求最优解，每一步迭代时，需要计算第一OGP公式中参数β和参数θ的偏导数。其中，计算WGP公式中参数β的偏导数的公式为：

$\frac{\∂l}{\∂\mathrm{\β}}=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{({\mathrm{\λ}}_n+\mathrm{\β}-h_n^2)}{{({\mathrm{\λ}}_n+\mathrm{\β})}^2}---\left(6\right)$

计算WGP公式中参数θ的偏导数的公式为：

$\frac{\∂l}{\∂\mathrm{\θ}}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{g_n}{{\mathrm{\λ}}_n+\mathrm{\β}}\frac{\∂g_n}{\∂\mathrm{\θ}}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{\∂\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right)}{\∂\mathrm{\θ}}---\left(7\right)$

其中，θ＝a、b、c、d，g_n为的第n列向量。公式(6)和公式(7)中的参数的解释可以参照公式(1)中相应的参数解释。

由公式(6)和公式(7)看出，第一OGP公式只需要计算一次奇异值分解，在每一步迭代时进行标量乘法，不再需要进行大量的矩阵逆运算，因此，构造第一OGP公式可以降低运算复杂度。

另一方面，当WGP公式变形后得到第二OGP公式时，步骤204如图6所示，具体可以包括：

步骤204a2、根据WGP公式建立第二OGP公式。

实际应用中，根据输入数据进行拟合建立的公式的参数越多，公式对新的数据给出一个新的估计的能力越强，因此根据N个特征向量和N个特征向量对应的年龄值建立的公式的参数越多，对新的人脸图像对应的特征向量估计该人脸图像对应的年龄就越精确。根据WGP公式建立第二OGP公式可以先根据WGP公式建立第一OGP公式，具体的，可以对WGP公式中的核矩阵K进行奇异值分解，建立第一OGP公式，然后再对第一OGP公式增加公式参数，建立第二OGP公式，具体的，可以对公式(5)增加核矩阵K的尺度参数α建立第二OGP公式，将公式(5)中核矩阵K变为αK后的第二OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\α\λ}}_n+\mathrm{\β}}+\ln ({\mathrm{\α\λ}}_n+\mathrm{\β}))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right)---\left(8\right)$

步骤204b2、通过第二OGP公式确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式的目标函数值最小。

如上述步骤204b1所述，通过共轭梯度算法对公式(8)进行迭代运算求最优解，由于引入了一个尺度参数α，因此每一步迭代时，需要计算第二OGP公式中参数α、参数β和参数θ的偏导数。其中，计算参数α的偏导数的公式为：

$\frac{\∂l}{\∂\mathrm{\α}}=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{(\mathrm{\α}{\mathrm{\λ}}_n+\mathrm{\β}-h_n^2){\mathrm{\λ}}_n}{{({\mathrm{\α\λ}}_n+\mathrm{\β})}^2}---\left(9\right)$

计算参数β的偏导数的公式为：

$\frac{\∂l}{\∂\mathrm{\β}}=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{(\mathrm{\α}{\mathrm{\λ}}_n+\mathrm{\β}-h_n^2)}{{(\mathrm{\α}{\mathrm{\λ}}_n+\mathrm{\β})}^2}---\left(10\right)$

计算参数θ的偏导数的公式为：

$\frac{\∂l}{\∂\mathrm{\θ}}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{g_n}{\mathrm{\α}{\mathrm{\λ}}_n+\mathrm{\β}}\frac{\∂g_n}{\∂\mathrm{\θ}}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{\∂\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right)}{\∂\mathrm{\θ}}---\left(11\right)$

其中，θ＝α、b、c、d。公式(9)、公式(10)和公式(11)中的参数的解释可以参照公式(1)中相应的参数解释。

又一方面，当WGP公式变形后得到第三OGP公式时，步骤204b2如图7所示，具体可以包括：

步骤204a3、将第二OGP公式中β更新为β_n，得到第三OGP公式。

为了进一步提高第二OGP公式估计年龄的能力，可以增加高斯噪声公式的方差参数，由原来的一个高斯噪声模型方差参数β变为N个特征向量对应的N高斯噪声模型的方差参数β₁，...，β_n，...，β_N。具体的，因此将公式(8)中的β更新为β_n得到的第三OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{\mathrm{\α}{\mathrm{\λ}}_n+{\mathrm{\β}}_n}+\ln (\mathrm{\α}{\mathrm{\λ}}_n+{\mathrm{\β}}_n))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right)---\left(12\right)$

步骤204b3、通过第三OGP公式确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式的目标函数值最小。

具体的，可以包括：

(1)确定第三OGP公式中的目标函数值最小时，α和β_n的关系式。

具体的，可以对公式(12)对参数α求偏导，对参数α求偏导的公式为：

$\frac{\∂l}{\∂\mathrm{\α}}=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{(\mathrm{\α}{\mathrm{\λ}}_n+{\mathrm{\β}}_n-h_n^2){\mathrm{\λ}}_n}{{(\mathrm{\α}{\mathrm{\λ}}_n+{\mathrm{\β}}_n)}^2}---\left(13\right)$

由公式(13)可知，当时，公式(12)可以得到最优解，将 $\mathrm{\α}{\mathrm{\λ}}_n+{\mathrm{\β}}_n=h_n^2$ 用向量形式可以表达为：

${\stackrel{\→}{h}}_2=\mathrm{\α}\stackrel{\→}{\mathrm{\λ}}+\stackrel{\→}{\mathrm{\β}}---\left(14\right)$

其中， ${\stackrel{\→}{h}}_2={({\stackrel{\→}{h}}_1^2,...,{\stackrel{\→}{h}}_n^2,...,{\stackrel{\→}{h}}_N^2)}^T,\stackrel{\→}{\mathrm{\λ}}={({\mathrm{\λ}}_1,...,{\mathrm{\λ}}_N)}^T,$ $\stackrel{\→}{\mathrm{\β}}={({\mathrm{\β}}_1,...,{\mathrm{\β}}_n,...,{\mathrm{\β}}_N)}^T.$

(2)重复执行第三OGP公式的α、θ和的迭代更新过程直至第三OGP公式中的目标函数值最小。

具体的，第三OGP公式的α、θ和的迭代更新过程可以包括：

①采用共轭梯度法更新第二OGP公式的α和θ：根据第二OGP公式中的目标函数和偏导公式分别对α和θ求偏导，获取α的偏导数和θ的偏导数，用α的偏导数更新第二OGP公式的α；用θ的偏导数更新第二OGP公式的θ。具体的，根据公式(8)和公式(9)对参数α求偏导，获取参数α的偏导数，根据公式(8)和公式(11)对参数θ求偏导，获取参数θ的偏导数，用α的偏导数更新公式(8)的α，用θ的偏导数更新公式(8)的θ。

②根据α、α和β_n的关系式确定β_n：由参数α的值和公式(14)确定参数β_n的值。

③根据聚类算法对β₁至β_N进行聚类处理得到N个参数值，N个参数值中至少存在一组相同的参数值。

实际应用中，机器学习常常会出现过拟合问题，过拟合指的是建立的公式对样本数据拟合的非常好，但是对于样本数据外的应用数据，拟合的效果非常差，产生过拟合的原因很多，其中一个原因就是建立的公式的参数过多，多参数公式会带来过拟合问题，由于步骤②中确定的中可能包含多个不相同的值，因此需要对进行聚类处理，降低不相同的值的个数，防止过拟合问题。

需要说明的是，聚类是将本身没有类别的样本聚集成不用的组，每组数据对象的集合叫作簇，聚类的目的是使得属于同一个簇的样本之间尽可能彼此相似，而不同簇的样本尽可能足够不相似。常见的聚类算法很多，其中，K-means(均值)聚类算法可以处理数值型的数据，因此可以采用K-means聚类算法对β₁至β_N进行聚类处理：首先从N个数据中任意选择K个数据作为初始聚类中心；然后根据剩余的其他数据与K个初始聚类中心的相似度，分别将剩余的其他数据分配给与其最相似的聚类中心；最后计算每个新簇的聚类中心，不断重复这一过程直到每个簇不再发生变化。

具体的，步骤③中根据聚类算法对β₁至β_N进行聚类处理得到N个参数值的过程可以包括：

根据聚类算法将β₁至β_N划分为x组参数值，x＜N；建立β₁至β_N与x组参数值中参数值的对应关系；获取x组参数值中每组参数值的平均值；用每组参数值的平均值更新x组参数值对应组的所有参数值；根据β₁至β_N与x组参数值中参数值的对应关系、更新后的x组参数值，确定β₁至β_N与更新后的x组参数值中参数值的对应关系；根据β₁至β_N与更新后的x组参数值中参数值的对应关系，按照β₁至β_N的顺序依次获取更新后的x组参数值中的参数值作为N个参数值。

示例的，由步骤②中确定的中的β₁至β₆的值为{1，2，4，9，5，8}，假设根据K-means聚类算法将β₁至β₆即{1，2，4，9，5，8}划分为3组参数值，分别为：{1，2}、{4，5}和{8，9}；接着建立β₁至β₆与这3组参数值中参数值的对应关系，如表1所示；然后获取这3组参数值中每组参数值的平均值：第一组参数值{1，2}的平均值为1.5，第二组参数值{4，5}的平均值为4.5，第三组参数值{8，9}的平均值为8.5；再用1.5将{1，2}更新为{1.5，1.5}，用4.5将{4，5}更新为{4.5，4.5}，用8.5将{8，9}更新为{8.5，8.5}；随后根据表1，更新后的{1.5，1.5}、{4.5，4.5}和{8.5，8.5}确定β₁至β₆与{1.5，1.5}、{4.5，4.5}和{8.5，8.5}的对应关系，如表2所示；最后根据表2，按照β₁至β₆的顺序依次获取3组参数值中的参数值作为6个参数值，即 $\stackrel{\→}{\mathrm{\β}}={\left(\mathrm{1.5,1.5,4.5,8.5,4.5,8.5}\right)}^T.$

表1

参数	参数值
		β1	1
β2	2
		β3	4
β5	5
		β6	8
β4	9

表2

参数	参数值
		β1	1.5
β2	1.5

β3	4.5
		β5	4.5
β6	8.5
		β4	8.5

④根据N个参数值确定更新后的更新后的为由N个参数值依次组成的N维向量。

步骤205、采用预设处理方法对待测试人脸图像进行预处理。

需要说明的是，对待测试人脸图像进行预处理的过程可以参考步骤201对第一人脸图像进行预处理的过程。

步骤206、在经过预处理的待测试人脸图像中，通过预设方法获取待测试人脸图像对应的特征向量。

通过预设方法获取待测试人脸图像对应的特征向量的过程可以参考步骤202对第一人脸图像进行特征向量提取的过程。

步骤207、根据待测试人脸图像对应的特征向量、目标公式参数确定待测试人脸图像的估计年龄。

需要说明的是，由于根据N个特征向量和N个特征向量对应的年龄值可以建立不同的公式，而不同的公式对应不同的年龄估计公式，所以当建立的公式为WGP公式或第一OGP公式时，相应的，步骤207具体可以包括：根据目标公式参数和第一年龄估计公式确定待测试人脸图像的估计年龄，该第一年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g}---\left(15\right)$

其中， ${\stackrel{\→}{k}}_t={[\mathrm{ex}{p}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}}]}^T,$ 为N个特征向量中的第n个特征向量，为待测试人脸图像对应的特征向量，公式(15)中的参数的解释可以参照公式(1)中相应的参数解释。

具体的，当建立的公式为WGP公式时，可以根据公式(1)和公式(15)确定待测试人脸图像的估计年龄：将公式(1)中确定的参数β和参数θ的值、N个特征向量和N个特征向量对应的年龄值、待测试人脸图像对应的特征向量代入公式(15)得到估计的年龄m；当建立的公式为第一OGP公式时，可以根据可以根据公式(5)和公式(15)确定待测试人脸图像的估计年龄：将公式(5)中确定的参数β和参数θ的值、N个特征向量和N个特征向量对应的年龄值、待测试人脸图像对应的特征向量代入公式(15)得到估计的年龄m。

当建立的公式为第二OGP公式时，相应的，步骤207具体可以包括：

根据目标公式参数和第二年龄估计公式确定待测试人脸图像的估计年龄，该第二年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g}---\left(16\right)$

其中， ${\stackrel{\→}{k}}_t={[\mathrm{\αex}{p}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}}]}^T,$ 为N个特征向量中的第n个特征向量，为待测试人脸图像对应的特征向量，公式(16)中的参数的解释可以参照公式(1)中相应的参数解释。

具体的，当建立的公式为第二OGP公式时，可以根据公式(8)和公式(16)确定待测试人脸图像的估计年龄：将公式(8)中确定的参数α、参数β和参数θ的值、N个特征向量和N个特征向量对应的年龄值、待测试人脸图像对应的特征向量代入公式(16)得到估计的年龄m。

当建立的公式为第三OGP公式时，相应的，步骤207具体可以包括：

根据目标公式参数和第三年龄估计公式确定待测试人脸图像的估计年龄，该第三年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g}---\left(17\right)$

其中， ${\stackrel{\→}{k}}_t={[\mathrm{\αex}{p}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}}]}^T,$ B_N为对角矩阵，即B_N除主对角线元素以外，其他元素全为0，且B_N＝diag(β₁，...，β_n，...，β_N)。公式(17)中的参数的解释可以参照公式(1)中相应的参数解释。

具体的，当建立的公式为第三OGP公式时，可以根据公式(12)和公式(17)确定待测试人脸图像的估计年龄：将公式(12)中确定的参数α、参数β_n和参数θ的值、N个特征向量和N个特征向量对应的年龄值、待测试人脸图像对应的特征向量代入公式(17)得到估计的年龄m。

进一步的，为了验证本发明实施例提供的年龄估计方法的效果，将本发明实施例提供的年龄估计方法记为[1]，将[1]与现有的年龄估计算法在人脸年龄数据库MORPH上进行测试，测试结果如表3所示，由表3可知，本发明实施例提供的年龄估计方法得到的平均年龄误差为4.12，现有的年龄估计算法中，平均年龄误差最小的是通过MTWGP算法得到的6.71，本发明实施例中提供的年龄估计方法估计的年龄误差明显小于6.71，因此精确度大于现有的年龄估计算法。

表3

综上所述，本发明实施例提供的年龄估计方法，由于能够从多个经过预处理的人脸图像中获取N个特征向量，并根据N个特征向量和N个特征向量对应的年龄值建立WGP公式，通过WGP公式的目标公式参数来确定待测试人脸图像的估计年龄，因此在估计年龄时，无需采用同一个人的各个年龄对应的大量训练数据，从而提高了方法的实用性，同时由于增加了新的目标公式参数，如α和β₁至β_N，提高了年龄估计的精确度。

需要说明的是，本发明实施例提供的年龄估计方法，可以应用于需要验证年龄的各种场合，如自动售货店、酒吧、网吧等场合。

示例的，本发明实施例提供的年龄估计方法可以应用于商家对广告的精确投放，比如玩具商家希望在孩子相对最多的地方投放广告，保健品商家希望在老年人相对最多的地方投放广告，具体过程可以包括：用摄像头采集各个地点的一定时间内的往来人群的人脸图像；使用本发明实施例提供的年龄估计方法对所有采集得到的人脸图像进行年龄估计；将每个地点的人脸图像按年龄段进行分类，绘出每个地点的年龄分布直方图；商家在不同年龄分布的地段投放不同内容的广告。

示例的，本发明实施例提供的年龄估计方法还可以应用于在各种数码设备如个人电脑、手机及平板电脑等，通过年龄估计来保护未成年人不会接触到网络上的不良信息，比如父母的电脑等设备上设置密码会降低用户体验度并且小孩很容易会获知密码，具体过程可以包括：在打开特定手机应用或者电脑软件时同时开启前置摄像头采集用户的人脸图像；使用本发明实施例提供的年龄估计方法对所有采集得到的人脸图像进行年龄估计，同时为防止用户用照片作弊还可以要求用户做眨眼等细微动作；根据年龄估计的结果和防止作弊结果判断是否允许当前用户打开此应用或者访问此网站，当前年龄不符合预设要求或作弊的用户都不被允许打开此应用或者访问此网站。

本发明实施例提供一种年龄估计设备30，如图8所示，该年龄估计设备30包括：

第一建立单元301，第一确定单元302和第二确定单元303。

第一建立单元301，用于根据N个特征向量和所述N个特征向量对应的年龄值，建立翘曲高斯过程WGP公式，N个特征向量是从多个人脸图像中获取的。

第一确定单元302，用于确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式中的目标函数值最小。

第二确定单元303，用于根据目标公式参数确定待测试人脸图像的估计年龄。

该WGP公式为：

$l=\frac{1}{2}[{\stackrel{\→}{g}}^T{(K+{\mathrm{\βI}}_N)}^{-1}\stackrel{\→}{g}+\ln |K+\mathrm{\β}{I}_N\left|\right]-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right),$

其中，l为目标函数值， $\stackrel{\→}{g}={(g_{\mathrm{\θ}}\left(y_1\right),...,g_{\mathrm{\θ}}\left(y_n\right),...,g_{\mathrm{\θ}}\left(y_N\right))}^T,$ y_n为N个特征向量中第n个特征向量对应的年龄值，且1≤n≤N，翘曲函数g_θ(y_n)＝aln(by_n+c)+d，a＞0，b＞0，K为核矩阵，K的第p行和第q列的元素值 $K_{\mathrm{pq}}=\mathrm{ex}{p}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\→}{x}}_q\left|\right|}^2}{2{\mathrm{\σ}}^2}},{\mathrm{\σ}}^2=\frac{1}{N^2}\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\→}{x}}_q\left|\right|}^2,$ 为N个特征向量中的第p个特征向量，为N个特征向量中的第q个特征向量，(β，θ)为目标公式参数，β为N个特征向量对应的高斯噪声模型的方差参数，θ为翘曲函数中的a，b，c和d四个参数的集合，I_N为N×N的单位矩阵，(*)^T表示求括号内矩阵的转置矩阵，(*)^-1表示求括号内矩阵的逆矩阵，所述g_θ′(y_n)表示g_θ(y_n)的导数。

综上所述，本发明实施例提供的年龄估计设备，由于第一建立单元能够从多个经过预处理的人脸图像中获取N个特征向量，并根据N个特征向量和N个特征向量对应的年龄值建立WGP公式，第二确定单元通过WGP公式的目标公式参数来确定待测试人脸图像的估计年龄，因此在估计年龄时，无需采用同一个人的各个年龄对应的大量训练数据，从而提高了方法的实用性。

本发明实施例提供另一种年龄估计设备30，如图9所示，该年龄估计设备30包括：

第一建立单元301，第一确定单元302，第二确定单元303，第一预处理单元304，第一获取单元305，第二预处理单元306和第二获取单元307。

第一建立单元301，用于根据N个特征向量和所述N个特征向量对应的年龄值，建立翘曲高斯过程WGP公式，N个特征向量是从多个经过预处理的人脸图像中获取的。

第一确定单元302，用于确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式中的目标函数值最小。

第二确定单元303，用于根据目标公式参数确定待测试人脸图像的估计年龄。

该WGP公式为：

$l=\frac{1}{2}[{\stackrel{\→}{g}}^T{(K+{\mathrm{\βI}}_N)}^{-1}\stackrel{\→}{g}+\ln |K+{\mathrm{\βI}}_N\left|\right]-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right),$

其中，l为目标函数值， $\stackrel{\→}{g}={(g_{\mathrm{\θ}}\left(y_1\right),...,g_{\mathrm{\θ}}\left(y_n\right),...,g_{\mathrm{\θ}}\left(y_N\right))}^T,$ y_n为N个特征向量中第n个特征向量对应的年龄值，且1≤n≤N，翘曲函数g_θ(y_n)＝a ln(by_n+c)+d，a＞0，b＞0，K为核矩阵，K的第p行和第q列的元素值 $K_{\mathrm{pq}}={\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\→}{x}}_q\left|\right|}^2}{{2\mathrm{\σ}}^2}},{\mathrm{\σ}}^2=\frac{1}{N^2}\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\→}{x}}_q\left|\right|}^2,$ 为N个特征向量中的第p个特征向量，为N个特征向量中的第q个特征向量，(β，θ)为目标公式参数，β为N个特征向量对应的高斯噪声模型的方差参数，θ为翘曲函数中的a，b，c和d四个参数的集合，I_N为N×N的单位矩阵，(*)^T表示求括号内矩阵的转置矩阵，(*)^-1表示求括号内矩阵的逆矩阵，所述g_θ′(y_n)表示g_θ(y_n)的导数。

第一预处理单元304，用于采用预设处理方法对多个人脸图像进行预处理。

第一获取单元305，用于在经过预处理的人脸图像中，通过预设方法获取N个特征向量。

第二预处理单元306，用于采用预设处理方法对待测试人脸图像进行预处理。

第二获取单元307，用于在经过预处理的待测试人脸图像中，通过预设方法获取待测试人脸图像对应的特征向量。

如图10所示，第一确定单元302，包括：

第六确定模块3021，用于通过共轭梯度算法确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式的目标函数值最小。

经过预处理的人脸图像包括N个人脸图像，N个人脸图像包括：第一人脸图像，N个特征向量包括第一特征向量，如图11所示，第一获取单元305，包括：

第一提取模块3051，第二提取模块3052和连接模块3053。

第一提取模块3051，用于采用密集的尺度不变特征转换特征作为描述子，在第一人脸图像提取第一子特征向量。

第二提取模块3052，用于采用多尺度局部二值模式特征作为描述子，在第一人脸图像中提取第二子特征向量。

连接模块3053，用于将第一子特征向量与第二子特征向量连接形成第一特征向量，或者，将第一子特征向量与第二子特征向量连接形成的特征向量进行降维处理得到第一特征向量。

需要说明的是，本发明实施例提供的年龄估计设备和上述年龄估计方法相对应，由于根据N个特征向量和N个特征向量对应的年龄值，可以直接根据WGP公式确定WGP公式的目标公式参数，也可以通过将WGP公式转化为其他公式来得到WGP公式的目标公式参数，因此在本发明实施例中，假设对WGP公式变形后可以得到第一OGP公式、第二OGP公式和第三OGP公式中的任意一个，则根据变形后的WGP公式对应的第一确定单元202如下：

一方面，当WGP公式变形后得到第一OGP公式时，如图12所示，第一确定单元302，包括：

第一建立模块3021和第一确定模块3022。

第一建立模块3021，用于根据WGP公式建立第一正交高斯过程OGP公式。

第一确定模块3022，用于通过第一OGP公式确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式的目标函数值最小。

该第一OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\λ}}_n+\mathrm{\β}}+\ln ({\mathrm{\λ}}_n+\mathrm{\β}))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right),$

其中，USU^T＝K， 为U的第n列向量，U为正交矩阵，S为对角矩阵，S＝diag(λ₁，...，λ_n，...，λ_N)，λ₁至λ_N为K的特征值。

另一方面，当WGP公式变形后得到第二OGP公式时，如图13所示，第一确定单元302，包括：

第二建立模块3023和第三确定模块3024。

第二建立模块3023，用于根据WGP公式建立第二正交高斯过程OGP公式。

第三确定模块3024，用于通过第二OGP公式确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式的目标函数值最小。

该第二OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\α\λ}}_n+\mathrm{\β}}+\ln ({\mathrm{\α\λ}}_n+\mathrm{\β}))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right),$

其中，αUSU^T＝αK， 为U的第n列向量，α为K的尺度参数，U为正交矩阵，S为对角矩阵，S＝diag(λ₁，...，λ_n，...，λ_N)，λ₁至λ_N为K的特征值。

又一方面，当WGP公式变形后得到第三OGP公式时，如图14所示，第三确定模块3024，包括：

第一更新子模块3025和第一确定子模块3026。

第一更新子模块3025，用于将第二OGP公式中β更新为β_n，得到第三OGP公式。

第一确定子模块3026，用于通过第三OGP公式确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式的目标函数值最小。

该第三OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\α\λ}}_n+{\mathrm{\β}}_n}+\ln ({\mathrm{\α\λ}}_n+{\mathrm{\β}}_n))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right),$

其中，β_n为N个特征向量中的第n个特征向量对应的高斯噪声模型方差参数。

进一步的，如图15所示，第一确定子模块3026，包括：

确定子单元30261和处理子单元30262。

确定子单元30261，用于确定第三OGP公式中的目标函数值最小时，α和β_n的关系式。

处理子单元30262，用于重复执行第三OGP公式的α、θ和的迭代更新过程直至第三OGP公式中的目标函数值最小，第三OGP公式的α、θ和的迭代更新过程包括：

采用共轭梯度法更新第二OGP公式的α和θ；根据α、α和β_n的关系式确定β_n；根据聚类算法对β₁至β_N进行聚类处理得到N个参数值，N个参数值中至少存在一组相同的参数值；根据N个参数值确定更新后的更新后的为由所述N个参数值依次组成的N维向量；其中，α和β_n的关系式为： ${\stackrel{\→}{h}}_2=\mathrm{\α}\stackrel{\→}{\mathrm{\λ}}+\stackrel{\→}{\mathrm{\β}},{\stackrel{\→}{h}}_2={({\stackrel{\→}{h}}_1^2,...,{\stackrel{\→}{h}}_n^2,...,{\stackrel{\→}{h}}_N^2)}^T,\stackrel{\→}{\mathrm{\λ}}={({\mathrm{\λ}}_1,...,{\mathrm{\λ}}_N)}^T,$ $\stackrel{\→}{\mathrm{\β}}={({\mathrm{\β}}_1,...,{\mathrm{\β}}_n,...,{\mathrm{\β}}_N)}^T.$

处理子单元30262具体用于：根据第二OGP公式中的目标函数和偏导公式分别对α和θ求偏导，获取α的偏导数和θ的偏导数；用α的偏导数更新第二OGP公式的α；用θ的偏导数更新第二OGP公式的θ。

该偏导公式为：

$\frac{\∂l}{\∂\mathrm{\α}}=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{({\mathrm{\α\λ}}_n+\mathrm{\β}-h_n^2){\mathrm{\λ}}_n}{{({\mathrm{\α\λ}}_n+\mathrm{\β})}^2},$

$\frac{\∂l}{\∂\mathrm{\θ}}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{g_n}{{\mathrm{\α\λ}}_n+\mathrm{\β}}\frac{{\∂g}_n}{\∂\mathrm{\θ}}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{\∂\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right)}{\∂\mathrm{\θ}},\mathrm{\θ}=a,b,c,d,$

处理子单元30262还具体用于：根据聚类算法将β₁至β_N划分为x组参数值，x＜N；建立β₁至β_N与x组参数值中参数值的对应关系；获取x组参数值中每组参数值的平均值；用每组参数值的平均值更新x组参数值对应组的所有参数值；根据β₁至β_N与x组参数值中参数值的对应关系、更新后的x组参数值，确定β₁至β_N与更新后的x组参数值中参数值的对应关系；根据β₁至β_N与更新后的x组参数值中参数值的对应关系，按照β₁至β_N的顺序依次获取更新后的x组参数值中的参数值作为N个参数值。

需要说明的是，由于根据N个特征向量和N个特征向量对应的年龄值可以建立不同的公式，而不同的公式对应不同的年龄估计公式，所以当建立的公式为WGP公式或第一OGP公式时，相应的，如图16所示，第二确定单元303，包括：

第二确定模块3031，用于根据目标公式参数和第一年龄估计公式确定待测试人脸图像的估计年龄，该第一年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g},$

其中， ${\stackrel{\→}{k}}_t={[{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...{,\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}}]}^T,$ 为N个特征向量中的第n个特征向量，为待测试人脸图像对应的特征向量， $\tilde{K}=K+{\mathrm{\βI}}_N.$

当建立的公式为第二OGP公式时，相应的，如图17所示，第二确定单元303，包括：

第四确定模块3032，用于根据目标公式参数和第二年龄估计公式确定待测试人脸图像的估计年龄，该第二年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g},$

其中， ${\stackrel{\→}{k}}_t={[{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...{,\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}}]}^T,$ 为N个特征向量中的第n个特征向量，为待测试人脸图像对应的特征向量， $\tilde{K}=\mathrm{\αK}+{\mathrm{\βI}}_N.$

当建立的公式为第三OGP公式时，相应的，如图18所示，第二确定单元303，包括：

第五确定模块3033，用于根据目标公式参数和第三年龄估计公式确定待测试人脸图像的估计年龄，该第三年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g},$

其中， ${\stackrel{\→}{k}}_t={[{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}}]}^T,$ B_N为对角矩阵，B_N＝diag(β₁，...，β_n，...，β_N)。

综上所述，本发明实施例提供的年龄估计设备，由于第一建立单元能够从多个经过预处理的人脸图像中获取N个特征向量，并根据N个特征向量和N个特征向量对应的年龄值建立WGP公式，第二确定单元通过WGP公式的目标公式参数来确定待测试人脸图像的估计年龄，因此在估计年龄时，无需采用同一个人的各个年龄对应的大量训练数据，从而提高了方法的实用性，同时由于增加了新的目标公式参数，如α和β₁至β_N，提高了年龄估计的精确度。

本发明实施例提供又一种年龄估计设备60，如图19所示，该年龄估计设备60包括：

处理器601，用于根据N个特征向量和N个特征向量对应的年龄值，建立WGP公式，该N个特征向量是从多个人脸图像中获取的。

处理器601，用于确定WGP公式的目标公式参数。

处理器601，还用于根据目标公式参数确定待测试人脸图像的估计年龄。

需要说明的是，该WGP公式为：

$l=\frac{1}{2}[{\stackrel{\→}{g}}^T{(K+{\mathrm{\βI}}_N)}^{-1}\stackrel{\→}{g}+\ln |K+{\mathrm{\βI}}_N\left|\right]-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right),$

其中，l为目标函数值， $\stackrel{\→}{g}={(g_{\mathrm{\θ}}\left(y_1\right),...,g_{\mathrm{\θ}}\left(y_n\right),...,g_{\mathrm{\θ}}\left(y_N\right))}^T,$ y_n为N个特征向量中第n个特征向量对应的年龄值，且1≤n≤N，翘曲函数g_θ(y_n)＝αln(by_n+c)+d，a＞0，b＞0，K为核矩阵，所述K的第p行和第q列的元素值 $K_{\mathrm{pq}}={\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\→}{x}}_q\left|\right|}^2}{{2\mathrm{\σ}}^2}},{\mathrm{\σ}}^2=\frac{1}{N^2}\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\→}{x}}_q\left|\right|}^2,$ 为N个特征向量中的第p个特征向量，为N个特征向量中的第q个特征向量，(β，θ)为目标公式参数，β为N个特征向量对应的高斯噪声模型的方差参数，θ为翘曲函数中的a，b，c和d四个参数的集合，I_N为N×N的单位矩阵，(*)^T表示求括号内矩阵的转置矩阵，(*)^-1表示求括号内矩阵的逆矩阵，所述g_θ′(y_n)表示g_θ(y_n)的导数。

综上所述，本发明实施例提供的年龄估计设备，由于处理器能够从多个经过预处理的人脸图像中获取N个特征向量，并根据N个特征向量和N个特征向量对应的年龄值建立WGP公式，通过WGP公式的目标公式参数来确定待测试人脸图像的估计年龄，因此在估计年龄时，无需采用同一个人的各个年龄对应的大量训练数据，从而提高了方法的实用性。

处理器601具体用于：根据WGP公式建立第一正交高斯过程(英文：Orthogonal Gaussian Process；简称：OGP)公式；通过第一OGP公式确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式的目标函数值最小，该第一OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\λ}}_n+\mathrm{\β}}+\ln ({\mathrm{\λ}}_n+\mathrm{\β}))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right),$

其中，USU^T＝K， 为U的第n列向量，U为正交矩阵，S为对角矩阵，S＝diag(λ₁，...，λ_n，...，λ_N)，λ₁至λ_N为K的特征值。

相应的，处理器601还具体用于：根据目标公式参数和第一年龄估计公式确定待测试人脸图像的估计年龄，该第一年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g},$

其中， ${\stackrel{\→}{k}}_t={[{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}}]}^T,$ 为N个特征向量中的第n个特征向量，为待测试人脸图像对应的特征向量， $\tilde{K}=K+{\mathrm{\βI}}_N.$

处理器601具体用于：根据WGP公式建立第二OGP公式；通过第二OGP公式确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式的目标函数值最小，该第二OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\α\λ}}_n+\mathrm{\β}}+\ln ({\mathrm{\α\λ}}_n+\mathrm{\β}))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right),$

其中，αUSU^T＝αK， 为U的第n列向量，α为K的尺度参数，U为正交矩阵，S为对角矩阵，S＝diag(λ₁，...，λ_n，...，λ_N)，λ₁至λ_N为K的特征值。

相应的，处理器601还具体用于：根据目标公式参数和第二年龄估计公式确定待测试人脸图像的估计年龄，该第二年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g},$

其中， ${\stackrel{\→}{k}}_t={[{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}}]}^T,$ 为N个特征向量中的第n个特征向量，为待测试人脸图像对应的特征向量， $\tilde{K}=\mathrm{\αK}+{\mathrm{\βI}}_N.$

处理器601还具体用于：将第二OGP公式中β更新为β_n，得到第三OGP公式；通过第三OGP公式确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式的目标函数值最小，该第三OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\α\λ}}_n+\mathrm{\β}}+\ln ({\mathrm{\α\λ}}_n+{\mathrm{\β}}_n))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right),$

其中，β_n为N个特征向量中的第n个特征向量对应的高斯噪声模型方差参数。

相应的，处理器601还具体用于：根据目标公式参数和第三年龄估计公式确定待测试人脸图像的估计年龄，该第三年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g},$

其中， ${\stackrel{\→}{k}}_t={[{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}},...,{\mathrm{\αexp}}^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{{2\mathrm{\σ}}^2}}]}^T,$ B_N为对角矩阵，B_N＝diαg(β₁，...，β_n，...，β_N)。

进一步的，处理器601还具体用于：确定第三OGP公式中的目标函数值最小时，α和β_n的关系式；重复执行第三OGP公式的α、θ和的迭代更新过程直至第三OGP公式中的目标函数值最小：采用共轭梯度法更新第二OGP公式的α和θ；根据α、α和β_n的关系式确定β_n；根据聚类算法对β₁至β_N进行聚类处理得到N个参数值，N个参数值中至少存在一组相同的参数值；根据N个参数值确定更新后的更新后的为由N个参数值依次组成的N维向量。

其中，α和β_n的关系式为： ${\stackrel{\→}{h}}_2=\mathrm{\α}\stackrel{\→}{\mathrm{\λ}}+\stackrel{\→}{\mathrm{\β}},{\stackrel{\→}{h}}_2={({\stackrel{\→}{h}}_1^2,...,{\stackrel{\→}{h}}_n^2,...,{\stackrel{\→}{h}}_N^2)}^T,$ $\stackrel{\→}{\mathrm{\λ}}={({\mathrm{\λ}}_1,...,{\mathrm{\λ}}_N)}^T,\stackrel{\→}{\mathrm{\β}}={({\mathrm{\β}}_1,...,{\mathrm{\β}}_n,...,{\mathrm{\β}}_N)}^T.$

处理器601还具体用于：根据第二OGP公式中的目标函数和偏导公式分别对α和θ求偏导，获取α的偏导数和θ的偏导数，该偏导公式为：

$\frac{\∂l}{\∂\mathrm{\α}}=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{({\mathrm{\α\λ}}_n+\mathrm{\β}-h_n^2){\mathrm{\λ}}_n}{{({\mathrm{\α\λ}}_n+\mathrm{\β})}^2},$

$\frac{\∂l}{\∂\mathrm{\θ}}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{g_n}{{\mathrm{\α\λ}}_n+\mathrm{\β}}\frac{{\∂g}_n}{\∂\mathrm{\θ}}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{{\∂\ln g}_{\mathrm{\θ}}^{\′}\left(y_n\right)}{\∂\mathrm{\θ}},\mathrm{\θ}=a,b,c,d,$

用α的偏导数更新第二OGP公式的α；用θ的偏导数更新第二OGP公式的θ。

处理器601还具体用于：根据聚类算法将β₁至β_N划分为x组参数值，x＜N；建立β₁至β_N与x组参数值中参数值的对应关系；获取x组参数值中每组参数值的平均值；用每组参数值的平均值更新x组参数值对应组的所有参数值；根据β₁至β_N与x组参数值中参数值的对应关系、更新后的x组参数值，确定β₁至β_N与更新后的x组参数值中参数值的对应关系；根据β₁至β_N与更新后的x组参数值中参数值的对应关系，按照β₁至β_N的顺序依次获取更新后的x组参数值中的参数值作为N个参数值。

处理器601还用于：通过共轭梯度算法确定WGP公式的目标公式参数，以目标公式参数为变量的WGP公式的目标函数值最小。

处理器601还用于：采用预设处理方法对多个人脸图像进行预处理；在经过预处理的人脸图像中，通过预设方法获取N个特征向量。采用预设处理方法对待测试人脸图像进行预处理；在经过预处理的待测试人脸图像中，通过预设方法获取待测试人脸图像对应的特征向量。

处理器601还用于：采用密集的尺度不变特征转换特征作为描述子，在第一人脸图像提取第一子特征向量；采用多尺度局部二值模式特征作为描述子，在第一人脸图像中提取第二子特征向量；将第一子特征向量与第二子特征向量连接形成第一特征向量，或者，将第一子特征向量与第二子特征向量连接形成的特征向量进行降维处理得到第一特征向量。

综上所述，本发明实施例提供的年龄估计设备，由于处理器能够从多个经过预处理的人脸图像中获取N个特征向量，并根据N个特征向量和N个特征向量对应的年龄值建立WGP公式，通过WGP公式的目标公式参数来确定待测试人脸图像的估计年龄，因此在估计年龄时，无需采用同一个人的各个年龄对应的大量训练数据，从而提高了方法的实用性，同时由于增加了新的目标公式参数，如α和β₁至β_N，提高了年龄估计的精确度。

需要说明的是，本发明实施例提供的年龄估计设备，可以应用于需要验证年龄的各种场合，具体可以参考上述年龄估计方法中的应用场合。

所述领域的技术人员元可以清楚地了解到，为描述的方便和简洁，上述描述的设备和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (26)

1.一种年龄估计方法，其特征在于，所述方法包括：

根据N个特征向量和所述N个特征向量对应的年龄值，建立翘曲高斯过程WGP公式，所述N个特征向量是从多个人脸图像中获取的；

确定所述WGP公式的目标公式参数；

根据所述目标公式参数确定待测试人脸图像的估计年龄；

所述WGP公式为：

$l=\frac{1}{2}[{\stackrel{\→}{g}}^T{(K+{\mathrm{\βI}}_N)}^{-1}\stackrel{\→}{g}+\ln |K+{\mathrm{\βI}}_N\left|\right]-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right);$

其中，所述l为目标函数值， $\stackrel{\→}{g}={(g_{\mathrm{\θ}}\left(y_1\right),...,g_{\mathrm{\θ}}\left(y_n\right),...,g_{\mathrm{\θ}}\left(y_N\right))}^T,$ 所述y_n为所述N个特征向量中第n个特征向量对应的年龄值，且1≤n≤N，翘曲函数g_θ(y_n)＝a ln(by_n+c)+d，a＞0，b＞0，所述K为核矩阵，所述K的第p行和第q列的元素值 $K_{\mathrm{pq}}={\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\→}{x}}_q\left|\right|}^2}{2{\mathrm{\σ}}^2}},{\mathrm{\σ}}^2=\frac{1}{N^2}\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\→}{x}}_q\left|\right|}^2,$ 所述为所述N个特征向量中的第p个特征向量，所述为所述N个特征向量中的第q个特征向量，(β，θ)为所述目标公式参数，所述β为所述N个特征向量对应的高斯噪声模型的方差参数，所述θ为所述翘曲函数中的a，b，c和d四个参数的集合，所述I_N为N×N的单位矩阵，(*)^T表示求括号内矩阵的转置矩阵，(*)^-1表示求括号内矩阵的逆矩阵，所述g_θ′(y_n)表示g_θ(y_n)的导数。

2.根据权利要求1所述的方法，其特征在于，

所述确定所述WGP公式的目标公式参数，包括：

根据所述WGP公式建立第一正交高斯过程OGP公式；

通过所述第一OGP公式确定所述WGP公式的目标公式参数，以所述目标公式参数为变量的所述WGP公式的目标函数值最小；

所述第一OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\λ}}_n+\mathrm{\β}}+\ln ({\mathrm{\λ}}_n+\mathrm{\β}))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right);$

其中，USU^T＝K，所述为所述U的第n列向量，所述U为正交矩阵，所述S为对角矩阵，S＝diag(λ₁，...，λ_n，...，λ_N)，所述λ₁至λ_N为所述K的特征值。

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述目标公式参数确定待测试人脸图像的估计年龄，包括：

根据所述目标公式参数和第一年龄估计公式确定待测试人脸图像的估计年龄，所述第一年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g};$

其中， ${\stackrel{\→}{k}}_t={[{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}}]}^T,$ 所述为所述N个特征向量中的第n个特征向量，所述为所述待测试人脸图像对应的特征向量， $\tilde{K}=K+{\mathrm{\βI}}_N.$

4.根据权利要求1所述的方法，其特征在于，

所述确定所述WGP公式的目标公式参数，包括：

根据所述WGP公式建立第二正交高斯过程OGP公式；

通过所述第二OGP公式确定所述WGP公式的目标公式参数，以所述目标公式参数为变量的所述WGP公式的目标函数值最小；

所述第二OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\α\λ}}_n+\mathrm{\β}}+\ln ({\mathrm{\α\λ}}_n+\mathrm{\β}))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right);$

其中，αUSU^T＝αK，所述为所述U的第n列向量，所述α为所述K的尺度参数，所述U为正交矩阵，所述S为对角矩阵，S＝diag(λ₁，...，λ_n，...，λ_N)，所述λ₁至λ_N为所述K的特征值。

5.根据权利要求4所述的方法，其特征在于，所述根据所述目标公式参数确定待测试人脸图像的估计年龄，包括：

根据所述目标公式参数和第二年龄估计公式确定待测试人脸图像的估计年龄，所述第二年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g};$

其中， ${\stackrel{\→}{k}}_t={[\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}}]}^T,$ 所述为所述N个特征向量中的第n个特征向量，所述为所述待测试人脸图像对应的特征向量， $\tilde{K}=\mathrm{\αK}+{\mathrm{\βI}}_N.$

6.根据权利要求4或5所述的方法，其特征在于，

所述通过所述第二OGP公式确定所述WGP公式的目标公式参数，包括：

将所述第二OGP公式中β更新为β_n，得到所述第三OGP公式；

通过所述第三OGP公式确定所述WGP公式的目标公式参数，以所述目标公式参数为变量的所述WGP公式的目标函数值最小；

所述第三OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\α\λ}}_n+{\mathrm{\β}}_n}+\ln ({\mathrm{\α\λ}}_n+{\mathrm{\β}}_n))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right);$

其中，所述β_n为所述N个特征向量中的第n个特征向量对应的高斯噪声模型方差参数。

7.根据权利要求6所述的方法，其特征在于，所述根据所述目标公式参数确定待测试人脸图像的估计年龄，包括：

根据所述目标公式参数和第三年龄估计公式确定待测试人脸图像的估计年龄，所述第三年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g};$

其中， ${\stackrel{\→}{k}}_t={[\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}}]}^T,$ 所述B_N为对角矩阵，B_N＝diag(β₁，...，β_n，...，β_N)。

8.根据权利要求6所述的方法，其特征在于，所述通过所述第三OGP公式确定所述WGP公式的目标公式参数，包括：

确定所述第三OGP公式中的目标函数值最小时，α和β_n的关系式；

重复执行第三OGP公式的α、θ和的迭代更新过程直至所述第三OGP公式中的目标函数值最小，所述第三OGP公式的α、θ和的迭代更新过程包括：

采用共轭梯度法更新所述第二OGP公式的α和θ；

根据所述α、所述α和β_n的关系式确定β_n；

根据聚类算法对β₁至β_N进行聚类处理得到N个参数值，所述N个参数值中至少存在一组相同的参数值；

根据所述N个参数值确定更新后的所述更新后的为由所述N个参数值依次组成的N维向量；

其中，所述α和β_n的关系式为： ${\stackrel{\→}{h}}_2=\mathrm{\α}\stackrel{\→}{\mathrm{\λ}}+\stackrel{\→}{\mathrm{\β}},{\stackrel{\→}{h}}_2={({\stackrel{\→}{h}}_1^2,...,{\stackrel{\→}{h}}_n^2,...,{\stackrel{\→}{h}}_N^2)}^T,$ $\stackrel{\→}{\mathrm{\λ}}={({\mathrm{\λ}}_1,...,{\mathrm{\λ}}_N)}^T,\stackrel{\→}{\mathrm{\β}}={({\mathrm{\β}}_1,...,{\mathrm{\β}}_n,...,{\mathrm{\β}}_N)}^T.$

9.根据权利要求8所述的方法，其特征在于，所述采用共轭梯度法更新所述第二OGP公式的α和θ，包括：

根据所述第二OGP公式中的目标函数和偏导公式分别对所述α和θ求偏导，获取所述α的偏导数和所述θ的偏导数，所述偏导公式为：

$\frac{\∂l}{\∂\mathrm{\α}}=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{({\mathrm{\α\λ}}_n+\mathrm{\β}-h_n^2){\mathrm{\λ}}_n}{{({\mathrm{\α\λ}}_n+\mathrm{\β})}^2};$

$\frac{\∂l}{\∂\mathrm{\θ}}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{g_n}{{\mathrm{\α\λ}}_n+\mathrm{\β}}\frac{\∂g_n}{\∂\mathrm{\θ}}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{\∂\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right)}{\∂\mathrm{\θ}},\mathrm{\θ}=a,b,c,d;$

用所述α的偏导数更新所述第二OGP公式的α；

用所述θ的偏导数更新所述第二OGP公式的θ。

10.根据权利要求8或9所述的方法，其特征在于，所述根据聚类算法对β₁至β_N进行聚类处理得到N个参数值，包括：

根据所述聚类算法将β₁至β_N划分为x组参数值，x＜N；

建立所述β₁至β_N与所述x组参数值中参数值的对应关系；

获取所述x组参数值中每组参数值的平均值；

用所述每组参数值的平均值更新所述x组参数值对应组的所有参数值；

根据所述β₁至β_N与所述x组参数值中参数值的对应关系、更新后的所述x组参数值，确定所述β₁至β_N与更新后的所述x组参数值中参数值的对应关系；

根据所述β₁至β_N与更新后的所述x组参数值中参数值的对应关系，按照所述β₁至β_N的顺序依次获取更新后的所述x组参数值中的参数值作为所述N个参数值。

11.根据权利要求1、2或4所述的方法，其特征在于，

所述确定所述WGP公式的目标公式参数，包括：

通过共轭梯度算法确定所述WGP公式的目标公式参数，以所述目标公式参数为变量的所述WGP公式的目标函数值最小。

12.根据权利要求1至11任意一项权利要求所述的方法，其特征在于，

在所述根据所述特征向量建立翘曲高斯过程WGP公式之前，所述方法还包括：

采用预设处理方法对多个人脸图像进行预处理；

在经过预处理的人脸图像中，通过预设方法获取所述N个特征向量；

在所述根据所述目标公式参数确定待测试人脸图像的估计年龄之前，所述方法还包括：

采用所述预设处理方法对待测试人脸图像进行预处理；

在经过预处理的待测试人脸图像中，通过所述预设方法获取所述待测试人脸图像对应的特征向量。

13.根据权利要求12所述的方法，其特征在于，所述经过预处理的人脸图像包括N个人脸图像，所述N个人脸图像包括：第一人脸图像，所述N个特征向量包括第一特征向量，

所述在经过预处理的人脸图像中，通过预设方法获取所述N个特征向量，包括：

采用密集的尺度不变特征转换特征作为描述子，在所述第一人脸图像提取第一子特征向量；

采用多尺度局部二值模式特征作为描述子，在所述第一人脸图像中提取第二子特征向量；

将所述第一子特征向量与所述第二子特征向量连接形成所述第一特征向量，或者，将所述第一子特征向量与所述第二子特征向量连接形成的特征向量进行降维处理得到所述第一特征向量。

14.一种年龄估计设备，其特征在于，所述年龄估计设备包括：

第一建立单元，用于根据N个特征向量和所述N个特征向量对应的年龄值，建立翘曲高斯过程WGP公式，所述N个特征向量是从多个人脸图像中获取的；

第一确定单元，用于确定所述WGP公式的目标公式参数；

第二确定单元，用于根据所述目标公式参数确定待测试人脸图像的估计年龄；

所述WGP公式为：

$l=\frac{1}{2}[{\stackrel{\→}{g}}^T{(K+{\mathrm{\βI}}_N)}^{-1}\stackrel{\→}{g}+\ln |K+{\mathrm{\βI}}_N\left|\right]-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right);$

其中，所述l为目标函数值， $\stackrel{\→}{g}={(g_{\mathrm{\θ}}\left(y_1\right),...,g_{\mathrm{\θ}}\left(y_n\right),...,g_{\mathrm{\θ}}\left(y_N\right))}^T,$ 所述y_n为所述N个特征向量中第n个特征向量对应的年龄值，且1≤n≤N，翘曲函数g_θ(y_n)＝a ln(by_n+c)+d，a＞0，b＞0，所述K为核矩阵，所述K的第p行和第q列的元素值 $K_{\mathrm{pq}}={\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\→}{x}}_q\left|\right|}^2}{2{\mathrm{\σ}}^2}},{\mathrm{\σ}}^2=\frac{1}{N^2}\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|{\stackrel{\→}{x}}_p-{\stackrel{\→}{x}}_q\left|\right|}^2,$ 所述为所述N个特征向量中的第p个特征向量，所述为所述N个特征向量中的第q个特征向量，(β，θ)为所述目标公式参数，所述β为所述N个特征向量对应的高斯噪声模型的方差参数，所述θ为所述翘曲函数中的a，b，c和d四个参数的集合，所述I_N为N×N的单位矩阵，(*)^T表示求括号内矩阵的转置矩阵，(*)^-1表示求括号内矩阵的逆矩阵，所述g_θ′(y_n)表示g_θ(y_n)的导数。

15.根据权利要求14所述的设备，其特征在于，

所述第一确定单元，包括：

第一建立模块，用于根据所述WGP公式建立第一正交高斯过程OGP公式；

第一确定模块，用于通过所述第一OGP公式确定所述WGP公式的目标公式参数，以所述目标公式参数为变量的所述WGP公式的目标函数值最小；

所述第一OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\λ}}_n+\mathrm{\β}}+\ln ({\mathrm{\λ}}_n+\mathrm{\β}))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right);$

其中，USU^T＝K，所述为所述U的第n列向量，所述U为正交矩阵，所述S为对角矩阵，S＝diag(λ₁，...，λ_n，...，λ_N)，所述λ₁至λ_N为所述K的特征值。

16.根据权利要求14或15所述的设备，其特征在于，所述第二确定单元，包括：

第二确定模块，用于根据所述目标公式参数和第一年龄估计公式确定待测试人脸图像的估计年龄，所述第一年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g};$

其中， ${\stackrel{\→}{k}}_t={[{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}}]}^T,$ 所述为所述N个特征向量中的第n个特征向量，所述为所述待测试人脸图像对应的特征向量， $\tilde{K}=K+{\mathrm{\βI}}_N.$

17.根据权利要求14所述的设备，其特征在于，

所述第一确定单元，包括：

第二建立模块，用于根据所述WGP公式建立第二正交高斯过程OGP公式；

第三确定模块，用于通过所述第二OGP公式确定所述WGP公式的目标公式参数，以所述目标公式参数为变量的所述WGP公式的目标函数值最小；

所述第二OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\α\λ}}_n+\mathrm{\β}}+\ln ({\mathrm{\α\λ}}_n+\mathrm{\β}))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right);$

其中，αUSU^T＝αK，所述为所述U的第n列向量，所述α为所述K的尺度参数，所述U为正交矩阵，所述S为对角矩阵，S＝diag(λ₁，...，λ_n，...，λ_N)，所述λ₁至λ_N为所述K的特征值。

18.根据权利要求17所述的设备，其特征在于，所述第二确定单元，包括：

第四确定模块，用于根据所述目标公式参数和第二年龄估计公式确定待测试人脸图像的估计年龄，所述第二年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g};$

其中， ${\stackrel{\→}{k}}_t={[\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}}]}^T,$ 所述为所述N个特征向量中的第n个特征向量，所述为所述待测试人脸图像对应的特征向量， $\tilde{K}=\mathrm{\αK}+{\mathrm{\βI}}_N.$

19.根据权利要求17或18所述的设备，其特征在于，

所述第三确定模块，包括：

第一更新子模块，用于将所述第二OGP公式中β更新为β_n，得到所述第三OGP公式；

第一确定子模块，用于通过所述第三OGP公式确定所述WGP公式的目标公式参数，以所述目标公式参数为变量的所述WGP公式的目标函数值最小；

所述第三OGP公式为：

$l=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(\frac{h_n^2}{{\mathrm{\α\λ}}_n+{\mathrm{\β}}_n}+\ln ({\mathrm{\α\λ}}_n+{\mathrm{\β}}_n))-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right);$

其中，所述β_n为所述N个特征向量中的第n个特征向量对应的高斯噪声模型方差参数。

20.根据权利要求19所述的设备，其特征在于，所述第二确定单元，包括：

第五确定模块，用于根据所述目标公式参数和第三年龄估计公式确定待测试人脸图像的估计年龄，所述第三年龄估计公式为：

$m={\stackrel{\→}{k}}_t^T{\tilde{K}}^{-1}\stackrel{\→}{g};$

其中， ${\stackrel{\→}{k}}_t={[\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_1-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_n-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}},...,\mathrm{\α}{\exp }^{-\frac{{\left|\right|{\stackrel{\→}{x}}_N-\stackrel{\→}{t}\left|\right|}^2}{2{\mathrm{\σ}}^2}}]}^T,$ 所述B_N为对角矩阵，B_N＝diag(β₁，...，β_n，...，β_N)。

21.根据权利要求19所述的设备，其特征在于，所述第一确定子模块，包括：

确定子单元，用于确定所述第三OGP公式中的目标函数值最小时，α和β_n的关系式；

处理子单元，用于重复执行第三OGP公式的α、θ和的迭代更新过程直至所述第三OGP公式中的目标函数值最小，所述第三OGP公式的α、θ和的迭代更新过程包括：

采用共轭梯度法更新所述第二OGP公式的α和θ；

根据所述α、所述α和β_n的关系式确定β_n；

根据聚类算法对β₁至β_N进行聚类处理得到N个参数值，所述N个参数值中至少存在一组相同的参数值；

根据所述N个参数值确定更新后的所述更新后的为由所述N个参数值依次组成的N维向量；

其中，所述α和β_n的关系式为： ${\stackrel{\→}{h}}_2=\mathrm{\α}\stackrel{\→}{\mathrm{\λ}}+\stackrel{\→}{\mathrm{\β}},{\stackrel{\→}{h}}_2={({\stackrel{\→}{h}}_1^2,...,{\stackrel{\→}{h}}_n^2,...,{\stackrel{\→}{h}}_N^2)}^T,$ $\stackrel{\→}{\mathrm{\λ}}={({\mathrm{\λ}}_1,...,{\mathrm{\λ}}_N)}^T,\stackrel{\→}{\mathrm{\β}}={({\mathrm{\β}}_1,...,{\mathrm{\β}}_n,...,{\mathrm{\β}}_N)}^T.$

22.根据权利要求21所述的设备，其特征在于，所述处理子单元具体用于：

根据所述第二OGP公式中的目标函数和偏导公式分别对所述α和θ求偏导，获取所述α的偏导数和所述θ的偏导数，所述偏导公式为：

$\frac{\∂l}{\∂\mathrm{\α}}=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{({\mathrm{\α\λ}}_n+\mathrm{\β}-h_n^2){\mathrm{\λ}}_n}{{({\mathrm{\α\λ}}_n+\mathrm{\β})}^2};$

$\frac{\∂l}{\∂\mathrm{\θ}}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\frac{g_n}{{\mathrm{\α\λ}}_n+\mathrm{\β}}\frac{\∂g_n}{\∂\mathrm{\θ}}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{\∂\ln g_{\mathrm{\θ}}^{\′}\left(y_n\right)}{\∂\mathrm{\θ}},\mathrm{\θ}=a,b,c,d;$

用所述α的偏导数更新所述第二OGP公式的α；

用所述θ的偏导数更新所述第二OGP公式的θ。

23.根据权利要求21或22所述的设备，其特征在于，所述处理子单元具体用于：

根据所述聚类算法将β₁至β_N划分为x组参数值，x＜N；

建立所述β₁至β_N与所述x组参数值中参数值的对应关系；

获取所述x组参数值中每组参数值的平均值；

用所述每组参数值的平均值更新所述x组参数值对应组的所有参数值；

根据所述β₁至β_N与所述x组参数值中参数值的对应关系、更新后的所述x组参数值，确定所述β₁至β_N与更新后的所述x组参数值中参数值的对应关系；

根据所述β₁至β_N与更新后的所述x组参数值中参数值的对应关系，按照所述β₁至β_N的顺序依次获取更新后的所述x组参数值中的参数值作为所述N个参数值。

24.根据权利要求14、15或17所述的设备，其特征在于，

所述第一确定单元，包括：

第六确定模块，用于通过共轭梯度算法确定所述WGP公式的目标公式参数，以所述目标公式参数为变量的所述WGP公式的目标函数值最小。

25.根据权利要求14至24任意一项权利要求所述的设备，其特征在于，

所述年龄估计设备还包括：

第一预处理单元，用于采用预设处理方法对多个人脸图像进行预处理；

第一获取单元，用于在经过预处理的人脸图像中，通过预设方法获取所述N个特征向量；

第二预处理单元，用于采用所述预设处理方法对待测试人脸图像进行预处理；

第二获取单元，用于在经过预处理的待测试人脸图像中，通过所述预设方法获取所述待测试人脸图像对应的特征向量。

26.根据权利要求25所述的设备，其特征在于，所述经过预处理的人脸图像包括N个人脸图像，所述N个人脸图像包括：第一人脸图像，所述N个特征向量包括第一特征向量，

所述第一获取单元，包括：

第一提取模块，用于采用密集的尺度不变特征转换特征作为描述子，在所述第一人脸图像提取第一子特征向量；

第二提取模块，用于采用多尺度局部二值模式特征作为描述子，在所述第一人脸图像中提取第二子特征向量；

连接模块，用于将所述第一子特征向量与所述第二子特征向量连接形成所述第一特征向量，或者，将所述第一子特征向量与所述第二子特征向量连接形成的特征向量进行降维处理得到所述第一特征向量。