CN105488518A - 一种基于面部特征的年龄估计方法 - Google Patents

Abstract

本发明公开了一种基于面部特征的年龄估计方法，根据人物脸部图准确估计出人物年龄。本发明中公开的方法首先通过Gabor滤波器生成数量庞大的候选人脸特征集，为了排除冗余的特征，采用随机投影方法，从中选择出一批和人物年龄关联度最高的一批特征构成有效特征集，最后借助大量训练图片和随机森林模型，训练得到一个基于面部特征的年龄预测模型，达到年龄预测的目的。

Description

一种基于面部特征的年龄估计方法

技术领域：

本发明提出一种基于面部特征的年龄估计方法，利用视频，图像中人物面部的特征，可以有效的估计出人物的年龄，具有较高的精度。

背景技术：

当前，社会对于未成年人保护的重视程度逐渐升高，国家和地方都有立法保护未成年远离伤害。但目前对未成年人的判断主要依赖于身份证的人工审查，这样不但审查的工作量很大，而且在一些人流量比较大的地方也难以执行。本发明提出一种基于视频或图像的年龄估计方法，可以辅助人工审查，提高对未成年人的保护效率。

发明内容：

本发明利用视频或图像中人物面部特征，对人物年龄进行估计。

本发明有两部分构成：特征选择模块，通过分析人物年龄，从大量的面部特征集中选择出和年龄关联度最高的特征，构成有效的特征集。年龄预测模块，利用有效特征集和训练图片，训练一个年龄预测模块，达到年龄预测的目的。

附图说明：

从以下结合附图的详细说明中，将更为清楚的理解本发明的上述及其他目的，特征及其他优点，其中：

图1是表示本发明的整体架构示意图。

图2是表示本发明的特征选择模块的流程图。

图3是表示本发明的训练模块示意图。

图4是表示本发明的预测模块示意图。

具体实施方式：

现在，将参照附图描述本发明的优选实施例。

图1是表示本发明的整体架构示意图。

如图1所示，本发明由特征选择模块和年龄预测模块两部分组成。特征选择模块根据面部图库从特征库中选择出和年龄关联度最高的有效特征集，来描述面部图像。年龄预测模块则通过机器学习的方法，利用有效特征集，获得年龄预测模型，达到预测年龄的目的。

图2是表示本发明的特征选择模块的流程图。

图2所示，本发明优选实例的特征选择模块详细步骤如下：

(S21)面部图库

面部图库是经过人工处理的面部图片集，其中每一个图就是一个面部区域图，而且对应的年龄也已知。此处面部区域定义为：人物正面面部图片，上边界到眉心，下边界到下嘴唇底部，左边界到左眼外眼角，右边界到右眼外眼角。所有图片尺寸统一处理到128x128。

(S22)面部特征库

面部特征库基于Gabor特征构造初始特征集，最终每一个特征都是256维的向量。Gabor特征是一种纹理特征，可以通过Gabor滤波器和图像卷积获得。Gabor滤波器定义为

$g(x,y,\mathrm{\σ},\mathrm{\θ})=\exp (-\frac{x^{\′2}+y^{\′2}}{2{\mathrm{\σ}}^2})cos\left(2{\mathrm{\πx}}^{\′}\right)$

其中

x′＝xcosθ+ysinθ

y′＝-xsinθ+ycosθ

(S23)计算特征值

一个特征可以用6个参数的特征函数f(s，σ，θ，x，y，r)表示，给定一个128×128的面部图像和6个参数的值，按照如下步骤产生256维的特征：把图像缩放到和参数为(σ，θ)的Gabor滤波器卷积获得Gabor特征图，在特征图上截取(x，y)为中心，2×r+1为边长的正方形区域，缩放到16x16，最后按行展开得到256维的特征向量。

优选实例中，

s∈{0，1，2}

σ∈{3，6，9，18}

θ∈{0，45，90，135}

x，y和r取值保证截取的正方形区域在对应特征图之内

(S24)随机选择一个投影方向

投影方向和特征维度一致，特征向量和投影方向点乘就完成投影，结果是一个标量

(S25)选择投影后和年龄相关度最高的向量

如果面部特征库内图片数是N。每个图对应一个年龄，则所有年龄组成一个N维的向量。一个特征在N个图上获得N个投影结果，也组成一个N维向量。通过计算互相关系数，选择互相关系数最高的一个特征加入有效特征集合。其中互相关系数用来衡量两个向量的相关度，绝对值越大，表示相关性越高，其数学定义如下：

$r(P,Q)=\frac{\underset{i=1}{\overset{n}{\Σ}}(q_i-\stackrel{\‾}{q})(p_i-\stackrel{\‾}{p})}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(q_i-\stackrel{\‾}{q})}^2\·\underset{i=1}{\overset{n}{\Σ}}{(p_i-\stackrel{\‾}{p})}^2}}$

其中

P＝(p₁，p₂，p₃，...，p_n)

Q＝(q₁，q₂，q₃，...，q_n)

$\stackrel{\‾}{p}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{p}_i$

$\stackrel{\‾}{q}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{q}_i$

(S26)终止条件

S24和S25每次选择出一个特征加入有效特征集，当有效特征数目达到M时终止特征选择流程，优选实例中M取5000

图3是本发明的训练模块示意图

图3所示，本发明的优选实例的训练模块的详细步骤如下：

(S31)面部图库

训练集，和S21一致

(S32)有效特征集

有效特征集是特征选择模块选出的和年龄相关性最高的一批特征。

(S33)随机森林训练模块

随机森林是随机树的集合，每一个随机树的训练是独立的，随机树由内节点和叶节点组成。训练时，样本从内节点逐步向叶节点移动。在每一个内节点上，随机选择一个特征和阈值，按照该特征值和阈值大小关系把样本划分成不相交的两个集合，如此不断划分样本，构造新的内节点，直至达到预定的终止条件时，生成叶节点。叶子节点记录节点内样本年龄的平均值。训练过程中，三个重要的参数是随机树的个数，随机树的最大深度以及节点内样本最小数目，优选实例中随机树的最大深度取值300，随机树的个数取值3000，节点内样本最小数目取1000。

图4是本发明的预测模块示意图

如图4所示，本发明的优选实例的预测模块的详细步骤如下：

(S41)测试图片

测试图片也是正面面部图片，具体要求和S21一致

(S42)随机森林预测模块

随机森林的预测就是其内部随机树预测结果投票而产生的，每一个随机树的预测过程是独立的。预测时，测试样本从内节点逐步向叶子节点移动。在内节点，根据训练时确定的样本划分规则，决定下一个节点；到达叶子节点时，把其记录的年龄平均值输出作为随机树的预测值，所有随机树预测值的平均值作为随机森林的预测结果。

尽管出于说明性目的已经公开本发明的优选实施例，但是本领域的普通技术人员将懂得各种变更，增加或是替代都是可能的，并不脱离如附带的权利要求书中所公开的本发明的精神和范围。

Claims (5)

1.一种基于面部特征的年龄估计方法，其特征在于，包括以下步骤：

步骤A：利用Gabor滤波器构造初始特征集，覆盖不同的尺度，位置和方向

步骤B：利用随机投影方法，选择和年龄关联度最高的特征构成有效特征集

步骤C：利用随机森林方法训练年龄预测模型

步骤D：给定测试人脸图片，提取面部特征，利用训练后的随机森林模型预测人物年龄。

2.根据权利要求1所述的基于面部特征的年龄估计方法，其特征在于，所述步骤A中生成初始特征集的具体方法是：一个特征可以用6个参数的特征函数f(s，σ，θ，x，y，r)表示，给定一个128×128的面部图像和6个参数的值，按照如下步骤产生256维的特征：把图像缩放到和参数为(σ，θ)的Gabor滤波器卷积获得Gabor特征图，在特征图上截取(x，y)为中心，2×r+1为边长的正方形区域，缩放到16x16，最后按行展开得到256维的特征向量。

优选实例中，

s∈{0，1，2}

σ∈{3，6，9，18}

θ∈{0，45，90，135}

x，y和r取值保证截取的正方形区域在对应特征图之内。

3.根据权利要求1所述的基于面部特征的年龄估计方法，其特征在于，所述步骤B中有效特征集提取具体方法是：如果面部特征库内图片数是N。每个图对应一个年龄，则所有年龄组成一个N维的向量。个特征在N个图上获得N个投影结果，也组成一个N维向量。通过计算互相关系数，选择互相关系数最高的一个特征加入有效特征集合。其中互相关系数用来衡量两个向量的相关度，绝对值越大，表示相关性越高。每一轮随机选择一个投影方向，选出一个特征加入有效特征集合，共进行5000次。

4.根据权利要求1所述的基于面部特征的年龄估计方法，其特征在于，所述步骤C中随机森林训练具体方法是：随机森林是随机树的集合，每一个随机树的训练是独立的，随机树由内节点和叶节点组成。训练时，样本从内节点逐步向叶节点移动。在每一个内节点上，随机选择一个特征和阈值，按照该特征值和阈值大小关系把样本划分成不相交的两个集合，如此不断划分样本，构造新的内节点，直至达到预定的终止条件时，生成叶节点。叶子节点记录节点内样本年龄的平均值。训练过程中，三个重要的参数是随机树的个数，随机树的最大深度以及节点内样本最小数目，优选实例中随机树的最大深度取值300，随机树的个数取值3000，节点内样本最小数目取1000。

5.根据权利要求1所述的基于面部特征的年龄估计方法，其特征在于，所述步骤D中年龄预测具体方法是：给定测试脸部图像，首先根据训练时确定的有效特征集提取特征向量，然后利用随机森林进行预测。随机森林的预测就是其内部随机树预测结果投票而产生的，每一个随机树的预测过程是独立的。预测时，测试样本从内节点逐步向叶子节点移动。在内节点，根据训练时确定的样本划分规则，决定下一个节点；到达叶子节点时，把其记录的年龄平均值输出作为随机树的预测值，所有随机树预测值的平均值作为随机森林的预测结果。