CN104992151A - 一种基于tfidf的人脸图像年龄的估计方法 - Google Patents

Abstract

本发明一种基于TFIDF的人脸图像的年龄估计方法，将一张人脸图像经过ASM算法提取68个关键特征点生成向量AAM_img，并将其的每个分量转换成Landmark-Term，根据给定人脸图像库，抽取出所有图像的AAM特征，组成AAM样本空间，再从中得到Landmark-Term字典，对于任意一个人脸图像将其转换成一个Landmark-Term向量TermVec(img)，给每个年龄组里所有Landmark-Term向量求和，则对所有的年龄组别，可得到Landmark-Term权重矩阵W，根据该权重矩阵W，利用得到投影向量Proj(img)估计给定的人脸图像的可能年龄，本发明处理的是脸部相对简单的特征，计算量小，有助于提高大样本数据下的人脸图像年龄估计的准确度及计算速度。

Description

一种基于TFIDF的人脸图像年龄的估计方法

技术领域

本发明涉及一种基于TFIDF的人脸图像年龄的估计方法。

背景技术

在过去的几年里，脸部年龄估计迅速成为一个热点话题，使得这个领域吸引了越来越多的人。脸部图像显示一系列可视化特征，例如身份、表情、姿势、种族、性别和年龄。脸部衰老取决于多种因素，包括人类基因、健康状况、生活方式以及环境。因老化带来面貌的变化会很大程度地降低许多应用的性能，因此在脸部图像分析领域里一个健壮的年龄估计系统成为一个极为重要的问题。

发明内容

本发明的目的在于提供一种基于TFIDF的人脸图像年龄的估计方法，与传统的人脸图像年龄的估计方法相比，简洁高效而且适用于大型数据库。

本发明一种基于TFIDF的人脸图像的年龄估计方法，包括以下几个步骤：

步骤1、将一张人脸图像img通过ASM算法提取68个关键特征点，生成形状向量AAM_img，记为AAM_img＝(x₁，x₂，…，x₁₃₆)，其中(x₁,x₂)作为形状向量AAM_img的第一个特征点，(x₃,x₄)作为形状向量AAM_img的第二个特征点，依次类推；

步骤2、将所述形状向量AAM_img的每个分量转换成Landmark-Term值，具体为:

将形状向量AAM_img＝(x₁，x₂，…，x₁₃₆)的第i个分量x_i转换成形式为“F-i-LOC”的字符串，其中i表示第i个分量，其中,为取整操作，width为预置的固定值，称“F-i-LOC”为形状向量AAM_img第i个Landmark-Term值,其中i的取值范围在[1,136]；

步骤3、根据给定的人脸图像库，抽取出所有人脸图像的形状向量AAM_img，组成形状向量AAM_img样本空间( )，假设整个AAM_img样本空间里有m个不同的Landmark-Term值，则所有的Landmark-Term值构成一个Landmark-Term字典DIC,DIC＝(term₁,term₂,...,term_m),其中term_i表示Landmark-Term字典DIC中的第i个Landmark-Term值；

步骤4、对于任意一个人脸图像的形状向量AAM_img，将其转换成一个Landmark-Term向量TermVec(img)，具体如下：

给定一个形状向量AAM_img，对应的Landmark-Term向量为TermVec(img)＝(v₁,v₂,...v_m)，其中，m为Landmark-Term字典中的Landmark-Term值总数，若形状向量AAM_img中存在一个分量转化成Landmark-Term值后与Landmark-Term字典DIC中的term_i相同，则v_i＝1，否则v_i＝0；

步骤5、给每个年龄组里所有Landmark-Term向量求和，则对所有的年龄组别，可得到Landmark-Term值的权重矩阵W，具体为：

将给定的人脸图像库中训练数据的所有人脸图像按年龄分组，对于每一个年龄组，将该年龄组内所有的Landmark-Term向量进行求和计算：其中,c_j表示第j个年龄组别，img∈c_j表示人脸图像img属于c_j年龄组，SumVec_j表示c_j年龄组的统计向量，其中第i个分量的值代表的是Landmark-Term字典DIC中的term_i在c_j年龄组中出现的总次数，用tf(term_i,j)表示，即 ${\mathrm{SumVec}}_j=\left[\begin{array}{c}tf({\mathrm{term}}_1,j)\\ tf({\mathrm{term}}_2,j)\\ ...\\ tf({\mathrm{term}}_m,j)\end{array}\right],$ 则对所有的年龄组别，采用TFIDF来权衡每个年龄组中每个Landmark-Term值的权重，按如下公式计算：

$w_{i,j}=tf({\mathrm{term}}_i,j)*log\left(\frac{\left|C\right|}{\underset{k}{\Σ}\mathrm{\χ}({\mathrm{SumVec}}_k\[i\])}\right)$

其中tf(term_i,j)＝SumVec_j[i]是term_i在C_j年龄组中出现的总次数，|C|是年龄组别的总数,SumVec_k[i]表示在C_k年龄组的统计向量的第i个分量值，χ是判断函数, $\mathrm{\χ}\left(x\right)=\left\{\begin{array}{c}\begin{array}{cc}1,if& x>0\end{array}\\ 0,else\end{array}\right.,$ 其中k＝1,2，...,m；w_i,j表明term_i在C_j年龄组中重要的权重，权重越大，term_i在C_j年龄组中越重要，记W＝(w_i,j)_m×|C|为权重矩阵，其中m为Landmark-Term字典中的Landmark-Term值总数,|C|是年龄组别的总数；

步骤6、根据步骤5所得到的权重矩阵W得到投影向量proj(img)，具体为：

对于一个未知年龄分组的人脸图像img，按权重矩阵W将该待测年龄的人脸图像img的Landmark-Term向量投影到年龄组空间：

proj(img)＝W×TermVec(img)'

其中，TermVec(img)'是TermVec(img)的转置向量,proj(img)中第i个分量的值是该未知年龄分组的人脸图像img属于年龄组C_i的相似度，即意味着值越大，人脸图像img的年龄等于i的可能性越大；

步骤7、根据步骤6所得到的投影向量proj(img)，估计待测年龄的人脸图像img的最大若干可能年龄，按以下步骤计算:

(1)首先对proj(img)中的各分量按大小值进行降序排序；

(2)取降序排序后的前n个分量，n为用户自定义的一个数值；

(3)取该n个分量在原有投影向量proj(img)中的位置生成一个新向量posages(img)＝[topAge₁,topAge₂,...,topAge_n],其中,topAge₁表示proj(img)向量分量值最大的分量所在位置，即表示的是该待测年龄的人脸图像img最大可能年龄；topAge_i表示的是该待测年龄的人脸图像img中第i大可能的年龄，依此类推。

由于本发明处理的是脸部相对简单的特征，计算量小，有助于提高大样本数据下的人脸图像年龄估计的准确度及计算速度。

具体实施方式

本发明一种基于TFIDF的人脸图像年龄的估计方法，具体包括以下步骤：

步骤1、将一张人脸图像img通过ASM(Active Shape Model)算法提取68个关键特征点，生成形状向量AAM_img，该形状向量AAM_img包括人脸面部68处关键特征点,其中每个特征点代表人脸面部的关键部分,它们是毫无语义的原子元素,记为AAM_img＝(x₁，x₂，…，x₁₃₆)，其中(x₁,x₂)作为形状向量AAM_img的第一个特征点，(x₃,x₄)作为形状向量AAM_img的第二个特征点，依次类推；

步骤2、将所述形状向量AAM_img的每个分量转换成Landmark-Term值，具体为:

将形状向量AAM_img＝(x₁，x₂，…，x₁₃₆)的第i个分量x_i转换成形式为“F-i-LOC”的字符串，其中i表示第i个分量，其中,为取整操作，width为预置的固定值，称“F-i-LOC”为形状向量AAM_img第i个Landmark-Term值,其中i的取值范围在[1,136]，以AAM_img＝(5,7,…,91)为例,取width＝5，则第1个Landmark-Term值为“F-1-1”,第2个Landmark-Term值为“F-2-1”,最后一个Landmark-Term值为“F-136-18”；

步骤3、根据给定的人脸图像库，抽取出所有人脸图像的形状向量AAM_img，组成形状向量AAM_img样本空间，再从中得到Landmark-Term字典，具体为：

给定一个形状向量AAM_img样本空间( )，假设整个样本空间里有m个不同的Landmark-Term值，则所有的Landmark-Term值构成一个Landmark-Term字典,称之为DIC＝(term₁,term₂,...,term_m),其中term_i表示Landmark-Term字典DIC中的第i个Landmark-Term值；

步骤4、对于任意一个人脸图像样本的形状向量AAM_img，将其转换成一个Landmark-Term向量TermVec(img)，具体如下：

给定一个形状向量AAM_img，对应的Landmark-Term向量为TermVec(img)＝(v₁,v₂,...v_m)，其中，m为Landmark-Term字典中的Landmark-Term值总数，若形状向量AAM_img中存在一个分量转化成Landmark-Term值后与Landmark-Term字典DIC中的term_i相同，则v_i＝1，否则v_i＝0；

步骤5、给每个年龄组里所有Landmark-Term向量求和，则对所有的年龄组别，可得到Landmark-Term值的权重矩阵W，具体为：

将给定的人脸图像库中训练数据的所有人脸图像按年龄分组，对于每一个年龄组，将该年龄组内所有的Landmark-Term向量进行求和计算：其中,c_j表示第j个年龄组别，img∈c_j表示人脸图像img属于c_j年龄组，SumVec_j表示c_j年龄组的统计向量，其中第i个分量的值代表的是Landmark-Term字典DIC中的term_i在c_j年龄组中出现的总次数，用tf(term_i,j)表示，即 ${\mathrm{SumVec}}_j=\left[\begin{array}{c}tf({\mathrm{term}}_1,j)\\ tf({\mathrm{term}}_2,j)\\ ...\\ tf({\mathrm{term}}_m,j)\end{array}\right],$ 则对所有的年龄组别，本发明采用TFIDF来权衡每个年龄组中每个Landmark-Term值的权重，按如下公式计算：

$w_{i,j}=tf({\mathrm{term}}_i,j)*log\left(\frac{\left|C\right|}{\underset{k}{\Σ}\mathrm{\χ}({\mathrm{SumVec}}_k\[i\])}\right)$

其中tf(term_i,j)＝SumVec_j[i]是term_i在C_j年龄组中出现的总次数，|C|是年龄组别的总数,SumVec_k[i]表示在C_k年龄组的统计向量的第i个分量值，χ是判断函数, $\mathrm{\χ}\left(x\right)=\left\{\begin{array}{c}\begin{array}{cc}1,if& x>0\end{array}\\ 0,else\end{array}\right.,$ 其中k＝1,2，...,m；w_i,j表明term_i在C_j年龄组中重要的权重，权重越大，term_i在C_j年龄组中越重要，记W＝(w_i,j)_m×|C|为权重矩阵，其中m为Landmark-Term字典中的Landmark-Term值总数,|C|是年龄组别的总数；

步骤6、根据步骤5所得到的权重矩阵W，利用已有的公式可以得到投影向量proj(img)，具体为：

对于一个未知年龄分组的人脸图像img，按权重矩阵W将待测年龄的人脸图像img的Landmark-Term向量投影到年龄组空间：

proj(img)＝W×TermVec(img)'

其中，TermVec(img)'是TermVec(img)的转置向量,proj(img)中第i个分量的值是该未知年龄分组的人脸图像img属于年龄组C_i的相似度，即意味着值越大，人脸图像img的年龄等于i的可能性越大；

步骤7、根据步骤6所得到的投影向量proj(img)，估计待测年龄的人脸图像img的最大若干可能年龄，按以下步骤计算:

(1)首先对proj(img)中的各分量按大小值进行降序排序；

(2)取降序排序后的前n个分量，n为用户自定义的一个数值；

(3)取该n个分量在原有投影向量proj(img)中的位置生成一个新向量posages(img)＝[topAge₁,topAge₂,...,topAge_n],其中,topAge₁表示proj(img)向量分量值最大的分量所在位置，即表示的是该待测年龄的人脸图像img最大可能年龄；topAge_i表示的是该待测年龄的人脸图像img中第i大可能的年龄，依此类推。

以上所述，并非对本发明的技术范围作任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (1)

1.一种基于TFIDF的人脸图像的年龄估计方法，其特征在于包括以下几个步骤：

步骤1、将一张人脸图像img通过ASM算法提取68个关键特征点，生成形状向量AAM_img，记为AAM_img＝(x₁，x₂，…，x₁₃₆)，其中(x₁,x₂)作为形状向量AAM_img的第一个特征点，(x₃,x₄)作为形状向量AAM_img的第二个特征点，依次类推；

步骤2、将所述形状向量AAM_img的每个分量转换成Landmark-Term值，具体为:

将形状向量AAM_img＝(x₁，x₂，...，x₁₃₆)的第i个分量x_i转换成形式为“F-i-LOC”的字符串，其中i表示第i个分量，其中,为取整操作，width为预置的固定值，称“F-i-LOC”为形状向量AAM_img第i个Landmark-Term值,其中i的取值范围在[1,136]；

步骤3、根据给定的人脸图像库，抽取出所有人脸图像的形状向量AAM_img，组成形状向量AAM_img样本空间(AAM_img1，AAM_img2，...，AAM_imgN)，假设整个AAM_img样本空间里有m个不同的Landmark-Term值，则所有的Landmark-Term值构成一个Landmark-Term字典DIC,DIC＝(term₁,term₂,...,term_m),其中term_i表示Landmark-Term字典DIC中的第i个Landmark-Term值；

步骤4、对于任意一个人脸图像的形状向量AAM_img，将其转换成一个Landmark-Term向量TermVec(img)，具体如下：

给定一个形状向量AAM_img，对应的Landmark-Term向量为TermVec(img)＝(v₁,v₂,...v_m)，其中，m为Landmark-Term字典中的Landmark-Term值总数，若形状向量AAM_img中存在一个分量转化成Landmark-Term值后与Landmark-Term字典DIC中的term_i相同，则v_i＝1，否则v_i＝0；

步骤5、给每个年龄组里所有Landmark-Term向量求和，则对所有的年龄组别，可得到Landmark-Term值的权重矩阵W，具体为：

将给定的人脸图像库中训练数据的所有人脸图像按年龄分组，对于每一个年龄组，将该年龄组内所有的Landmark-Term向量进行求和计算：其中,c_j表示第j个年龄组别，img∈c_j表示人脸图像img属于c_j年龄组，SumVec_j表示c_j年龄组的统计向量，其中第i个分量的值代表的是Landmark-Term字典DIC中的term_i在c_j年龄组中出现的总次数，用tf(term_i,j)表示，即 ${\mathrm{SumVec}}_j=\left[\begin{array}{c}tf(ter{m}_1,j)\\ tf(ter{m}_2,j)\\ ...\\ tf(ter{m}_m,j)\end{array}\right],$ 则对所有的年龄组别，采用TFIDF来权衡每个年龄组中每个Landmark-Term值的权重，按如下公式计算：

$w_{i,j}=tf({\mathrm{term}}_i,j)*log\left(\frac{\left|C\right|}{\underset{k}{\Σ}\mathrm{\χ}({\mathrm{SumVec}}_k\[i\])}\right)$

其中tf(term_i,j)＝SumVec_j[i]是term_i在C_j年龄组中出现的总次数，|C|是年龄组别的总数,SumVec_k[i]表示在C_k年龄组的统计向量的第i个分量值，χ是判断函数, $\mathrm{\χ}\left(x\right)=\{\begin{array}{c}1,ifx>0\\ 0,else\end{array},$ 其中k＝1,2，...,m；w_i,j表明term_i在C_j年龄组中重要的权重，权重越大，term_i在C_j年龄组中越重要，记W＝(w_i,j)_m×|C|为权重矩阵，其中m为Landmark-Term字典中的Landmark-Term值总数,|C|是年龄组别的总数；

步骤6、根据步骤5所得到的权重矩阵W得到投影向量proj(img)，具体为：

对于一个未知年龄分组的人脸图像img，按权重矩阵W将该待测年龄的人脸图像img的Landmark-Term向量投影到年龄组空间：

proj(img)＝W×TermVec(img)'

其中，TermVec(img)'是TermVec(img)的转置向量,proj(img)中第i个分量的值是该未知年龄分组的人脸图像img属于年龄组C_i的相似度，即意味着值越大，人脸图像img的年龄等于i的可能性越大；

步骤7、根据步骤6所得到的投影向量proj(img)，估计待测年龄的人脸图像img的最大若干可能年龄，按以下步骤计算:

(1)首先对proj(img)中的各分量按大小值进行降序排序；

(2)取降序排序后的前n个分量，n为用户自定义的一个数值；

(3)取该n个分量在原有投影向量proj(img)中的位置生成一个新向量posages(img)＝[topAge₁,topAge₂,...,topAge_n],其中,topAge₁表示proj(img)向量分量值最大的分量所在位置，即表示的是该待测年龄的人脸图像img最大可能年龄；topAge_i表示的是该待测年龄的人脸图像img中第i大可能的年龄，依此类推。