CN105550641B - 基于多尺度线性差分纹理特征的年龄估计方法和系统 - Google Patents

基于多尺度线性差分纹理特征的年龄估计方法和系统 Download PDF

Info

Publication number
CN105550641B
CN105550641B CN201510890684.1A CN201510890684A CN105550641B CN 105550641 B CN105550641 B CN 105550641B CN 201510890684 A CN201510890684 A CN 201510890684A CN 105550641 B CN105550641 B CN 105550641B
Authority
CN
China
Prior art keywords
face
feature
human face
training
picture
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510890684.1A
Other languages
English (en)
Other versions
CN105550641A (zh
Inventor
杨卫国
张嘉奇
郭振华
杨余久
王序
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Konka Group Co Ltd
Original Assignee
Konka Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Konka Group Co Ltd filed Critical Konka Group Co Ltd
Priority to CN201510890684.1A priority Critical patent/CN105550641B/zh
Publication of CN105550641A publication Critical patent/CN105550641A/zh
Application granted granted Critical
Publication of CN105550641B publication Critical patent/CN105550641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多尺度线性差分纹理特征的年龄估计方法和系统，其中，所述方法包括：首先，使用基于Haar‑like特征和Adaboost分类器算法检测待测图片中的人脸，并剪切出人脸区域；然后在剪切出的人脸区域中提取基于多尺度线性差分特征的纹理特征，并利用决策树进行特征选择，降低特征向量维度；最后在降低特征向量维度后的特征空间中训练SVR模型，并利用SVR模型进行人脸图片的年龄预测。由于采用了基于RBF核的非线性支持向量回归作为分类器模型，进行年龄估计。其年龄估计更加准确，并且是通过人脸图片进行年龄估计，可以使得人机交互更加人性，更加安全。

Description

基于多尺度线性差分纹理特征的年龄估计方法和系统
技术领域
本发明涉及生物识别技术领域，特别涉及一种基于多尺度线性差分纹理特征的年龄估计方法和系统。
背景技术
人脸图片包含丰富的个人信息，包括身份、年龄、性别以及种族等，这些信息被广泛应用于人机交互领域。随着电子商务的发展和以及各种移动设备的普及，用户的年龄信息在人机交互中占据着越来越重要的作用。基于人脸图片的年龄估计在人机交互中有着广泛的应用前景，比如安全监控、电子商务中的用户管理、网站的访问控制、图像与视频检索以及更人性化的人机交互功能等。
依靠人脸这一生物特征进行年龄估计，不需要使用者进行主动配合，因而操作隐蔽性强，能够提供更好的用户体验。同时，因为人脸图片为非接触式采集，因为没有侵犯性，更符合人类的识别习惯，容易被广大用户接受。
然而，现有的人机交互过程中，用户年龄的判断存在难以识别或判断误差较大等问题。因而现有技术还有待改进和提高。
发明内容
鉴于上述现有技术的不足之处，本发明的目的在于提供一种基于多尺度线性差分纹理特征的年龄估计方法和系统。以解决现有人机交互中关于用户年龄判断中存在的问题。
为了达到上述目的，本发明采取了以下技术方案：
一种基于多尺度线性差分纹理特征的年龄估计方法，其中，包括如下步骤：
使用基于Haar-like特征和Adaboost分类器算法检测待测图片中的人脸，并剪切出人脸区域；
在剪切出的人脸区域中提取基于多尺度线性差分特征的纹理特征，并利用决策树进行特征选择，降低特征向量维度；
在降低特征向量维度后的特征空间中训练SVR模型，并利用SVR模型进行人脸图片的年龄预测。
优选地，所述的基于多尺度线性差分纹理特征的年龄估计方法，其中，所述使用基于Haar-like特征和Adaboost分类器算法检测待测图片中的人脸，并剪切出人脸区域步骤包括：
使用Harr-like特征表示人脸，针对所述待测图像使用积分图实现特征数值的快速计算得到待测子图像；
使用Adaboost算法挑选出若干最能代表人脸的矩形特征形成若干弱分类器，按照加权投票的方式将所述若干弱分类器构造为一个强分类器；
进行若干次训练后，将训练得到的若干强分类器串联组成Adaboost级联分类器，利用Adaboost级联分类器对待测子图像进行检测，剪切得到人脸区域。
优选地，所述的基于多尺度线性差分纹理特征的年龄估计方法，其中，在剪切出的人脸区域中提取基于多尺度线性差分特征的纹理特征的步骤，包括：
利用主动形状模型对剪切出的人脸区域进行人脸特征点检测，并根据主动形状模型的人脸特征点位置，基于两眼坐标点将人脸对齐：再根据两眼距离采用双线性三次插值将人脸区域放缩到三个尺度，得到第一人脸区域、第二人脸区域和第三人脸区域；
以某些特征点位置为中心，分别在第一、第二和第三人脸区域中划分区域选取图像块，保证第一、第二和第三人脸区域中的图像块大小一致；然后在每个图像块上，提取线性差分特征。
优选地，所述的基于多尺度线性差分纹理特征的年龄估计方法，其中，所述主动形状模型包括训练和搜索。
优选地，所述的基于多尺度线性差分纹理特征的年龄估计方法，其中，所述利用决策树进行特征选择，降低特征向量维度的步骤，包括：
S1、设置每个训练样本的初始权重为
Figure BDA0000867999620000031
S2、针对特征向量的每一个维度，训练一个决策树，作为弱分类器hj(xi)；
S3、计算误差∈j←Σiwie(hj(xi)，yi)，选出误差最小时对应的维度j，作为特征选择的一个维度；
S4、重复步骤S2和S3，直至选出的特征维度数为d；
其中，训练数据中第i张人脸图片的多尺度线性差分特征为xi，训练数据中共有m张人脸图片。
优选地，所述的基于多尺度线性差分纹理特征的年龄估计方法，其中，所述在降低特征向量维度后的特征空间中训练SVR模型，并利用SVR模型进行人脸图片的年龄预测步骤中，SVR模型根据特征向量的分布分为线性回归和非线性回归两类。
优选地，所述的基于多尺度线性差分纹理特征的年龄估计方法，其中，所述线性回归中使用线性回归函数：
f(x)＝WTx+b；
其中，x为特征向量，W、b为回归模型的参数，T代表矩阵转置。
优选地，所述的基于多尺度线性差分纹理特征的年龄估计方法，其中，所述非线性回归具体包括：
通过非线性函数z＝g(x)将原始特征向量x映射为高维特征向量z；
在高维向量空间中，对数据(z,y)进行线性回归分析，即使用线性回归模型；
重复线性回归分析，得到最终的回归函数。
一种基于多尺度线性差分纹理特征的年龄估计系统，其中，包括：
人脸检测单元，用于使用基于Haar-like特征和Adaboost分类器算法检测待测图片中的人脸，并剪切出人脸区域；
特征提取单元，用于在剪切出的人脸区域中提取基于多尺度线性差分特征的纹理特征，并利用决策树进行特征选择，降低特征向量维度；
年龄估计单元，在降低特征向量维度后的特征空间中训练SVR模型，并利用SVR模型进行人脸图片的年龄预测。
优选地，所述的基于多尺度线性差分纹理特征的年龄估计系统，其中，人脸检测单元进一步包括：
放缩子单元，用于使用Harr-like特征表示人脸，针对所述待测图像使用积分图实现特征数值的快速计算得到待测子图像；
分类子单元，用于使用Adaboost算法挑选出若干最能代表人脸的矩形特征形成若干弱分类器，按照加权投票的方式将所述若干弱分类器构造为一个强分类器；
识别子单元，用于进行若干次训练后，将训练得到的若干强分类器串联组成Adaboost级联分类器，利用Adaboost级联分类器对待测子图像进行检测，剪切得到人脸区域。
相较于现有技术，本发明提供的基于多尺度线性差分纹理特征的年龄估计方法和系统，由于采用了基于RBF核的非线性支持向量回归作为分类器模型，进行年龄估计。其年龄估计更加准确，并且是通过人脸图片进行年龄估计，可以使得人机交互更加人性，更加安全。
附图说明
图1为本发明基于多尺度线性差分纹理特征的年龄估计方法的流程图。
图2为本发明基于多尺度线性差分纹理特征的年龄估计方法的实施例中人脸检测的示意图。
图3为本发明基于多尺度线性差分纹理特征的年龄估计方法的实施例中特征提取的示意图。
图4a、图4b、图4c和图4d分别是本发明基于多尺度线性差分纹理特征的年龄估计方法的实施例中线性差分特征值的计算示意图。
图5为本发明基于多尺度线性差分纹理特征的年龄估计系统的结构框图。
具体实施方式
本发明提供一种基于多尺度线性差分纹理特征的年龄估计方法和系统，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅图1，其为本发明基于多尺度线性差分纹理特征的年龄估计方法的流程图。如图所示，所述方法包括如下步骤：
S100、使用基于Haar-like特征和Adaboost分类器算法检测待测图片中的人脸，并剪切出人脸区域；
S200、在剪切出的人脸区域中提取基于多尺度线性差分特征的纹理特征，并利用决策树进行特征选择，降低特征向量维度；
S300、在降低特征向量维度后的特征空间中训练SVR模型，并利用SVR模型进行人脸图片的年龄预测。
下面针对上述步骤进行具体描述。
所述步骤S100为人脸检测，请一并参阅图2，首先，使用Harr-like特征表示人脸，针对所述待测图像使用积分图实现特征数值的快速计算得到待测子图像；然后，使用Adaboost算法挑选出若干最能代表人脸的矩形特征形成若干弱分类器，按照加权投票的方式将所述若干弱分类器构造为一个强分类器；再进行若干次训练后，将训练得到的若干强分类器串联组成Adaboost级联分类器，利用Adaboost级联分类器对待测子图像进行检测，剪切得到人脸区域。具体来说，Viola人脸检测方法是一种基于积分图、级联检测器和AdaBoost算法的方法。首先，使用Harr-like特征表示人脸，使用“积分图”实现特征数值的快速计算；然后，使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器；最后，将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，级联结构能有效地提高分类器的检测速度。
所述步骤S200为特征提取，请继续参阅图3，线性差分特征(LDF)是利用图像的二阶差分信息进行合理编码。多尺度LDF特征提取的过程如下：首先利用主动形状模型(Active Shape Model，ASM)进行人脸特征点定位，目前采用68点模型。主动形状模型分为训练和搜索两步。训练时，建立各个特征点的位置约束，构建各个特定点的局部特征。搜索时，迭代的匹配。第一步：训练。首先，构建形状模型：搜集N个训练样本；手动标记脸部特征点；将训练集中特征点的坐标串成特征向量；对形状进行归一化和对齐(对齐采用Procrustes方法)；对齐后的形状特征做PCA处理。然后，为每个特征点构建局部特征，目的是在每次迭代搜索过程中每个特征点可以寻找新的位置。局部特征一般用梯度特征，以防光照变化。第二步：搜索。首先，计算眼睛(或者眼睛和嘴巴)的位置，做简单的尺度和旋转变化，对齐人脸；然后，在对齐后的各个点附近搜索，匹配每个局部特征点(常采用马氏距离)，得到初步形状；再用平均人脸(形状模型)修正匹配结果；迭代直到收敛。概括来说，利用主动形状模型对剪切出的人脸区域进行人脸特征点检测，并根据主动形状模型的人脸特征点位置，基于两眼坐标点将人脸对齐：再根据两眼距离采用双线性三次插值将人脸区域放缩到三个尺度，得到第一人脸区域、第二人脸区域和第三人脸区域(图中用尺度一、尺度二和尺度三表示)；再以某些特征点位置为中心，分别在第一、第二和第三人脸区域中划分区域选取图像块，保证第一、第二和第三人脸区域中的图像块大小一致；然后在每个图像块上，提取线性差分特征。在本实施例中，我们选择16个点作为要获取的图像块的中心，这些点主要是脸内的一些点而不选取脸部边缘的一些点。在每个图像块上，提取线性差分特征。线性差分特征更具表征能力，并且在一定程度上能增强图像质量。
以图4a至图4b为例来说明Z0像素的线性差分特征值的计算步骤。首先，我们计算图4a所示中心像素与“水平”、“竖直”、“正对角线”、“副对角线”这四条方位线上的半径为2的相邻像素的大小关系，如图4b所示，计算并非简单相减，而是依次相减之后再相减，即提取的是这个方位线上的二阶差分信息；得到差值之后，再根据与0比较的结果进行二值化为0或1，如图4c所示；最后，将得到的0/1编码转化为十进制数值作为特征值，由于这种算法的四个方位线已经包括了8个邻域的方向，故编码出来的值在0～15之间而不是像LBP的0～255之间，在做直方图统计的时候，直方图的维度也会比较低，即与采用“均匀模式”LBP的59维直方图相比，维度也是更低的。
另外，利用决策树进行特征选择，降低特征向量维度的步骤，包括：
S1、设置每个训练样本的初始权重为
Figure BDA0000867999620000091
S2、针对特征向量的每一个维度，训练一个决策树，作为弱分类器hj(xi)；
S3、计算误差∈j←Σiwie(hj(xi)，yi)，选出误差最小时对应的维度j，作为特征选择的一个维度；
S4、重复步骤S2和S3，直至选出的特征维度数为d；
其中，训练数据中第i张人脸图片的多尺度线性差分特征为xi，训练数据中共有m张人脸图片。
所述步骤S300为年龄估计，在年龄估计中，使用基于多尺度线性差分特征的支持向量回归(SVR，Support Vector Regression)模型。在降维后的特征空间中，训练基于RBF核的支持向量回归模型，进行年龄预测。根据特征向量的分布，支持向量回归模型可以分为线性回归和非线性回归两类。
(1)线性回归使用线性回归函数
f(x)＝WTx+b
其中，x为特征向量，W、b为回归模型的参数，T代表矩阵转置。估计训练样本
{(x1，y1)，(x2，y2)，...，(xn，yn)}其中，x表示特征向量，y表示函数值。
为了更好的估计，确保线性回归函数的平坦，必须找到最小的W。为了达到这个目的，采用欧几里得范数限制W的大小。假设存在线性回归函数f在∈精度上能够估计所有训练样本，那么该回归问题可以转化为凸优化问题：
Figure BDA0000867999620000101
约束条件：
Figure BDA0000867999620000102
其中，∈代表精度，
Figure BDA0000867999620000109
为松弛变量。
通过拉格朗日乘子法,可得:
Figure BDA0000867999620000103
其中，αi、ηi、
Figure BDA0000867999620000104
为拉格朗日乘子。
再根据KKT条件可得如下等式：
Figure BDA0000867999620000105
Figure BDA0000867999620000106
因此可以得到回归函数
Figure BDA0000867999620000107
其中，
Figure BDA0000867999620000108
不为零对应的训练样本即是支持向量。
(2)对于非线性回归，其基本思想就是通过某个映射函数将样本投影到高维空间中，然后再进行线性回归分析。步骤如下：首先，通过非线性函数z＝g(x)将原始特征向量x映射为高维特征向量z。接下来，在高维向量空间中，对数据(z,y)进行线性回归分析，即使用线性回归模型
f(z)＝WTz+b
接下来重复线性回归分析，最终得到的回归函数为
Figure BDA0000867999620000111
非线性回归模型主要应用于原始特征向量在低维空间线性不可分的情形。
本发明还提供了一种基于多尺度线性差分纹理特征的年龄估计系统，如图5所示，包括：
人脸检测单元100，用于使用基于Haar-like特征和Adaboost分类器算法检测待测图片中的人脸，并剪切出人脸区域；
特征提取单元200，用于在剪切出的人脸区域中提取基于多尺度线性差分特征的纹理特征，并利用决策树进行特征选择，降低特征向量维度；
年龄估计单元300，在降低特征向量维度后的特征空间中训练SVR模型，并利用SVR模型进行人脸图片的年龄预测。
优选地，所述的基于多尺度线性差分纹理特征的年龄估计系统中，人脸检测单元进一步包括：
放缩子单元，用于使用Harr-like特征表示人脸，针对所述待测图像使用积分图实现特征数值的快速计算得到待测子图像；
分类子单元，用于使用Adaboost算法挑选出若干最能代表人脸的矩形特征形成若干弱分类器，按照加权投票的方式将所述若干弱分类器构造为一个强分类器；
识别子单元，用于进行若干次训练后，将训练得到的若干强分类器串联组成Adaboost级联分类器，利用Adaboost级联分类器对待测子图像进行检测，剪切得到人脸区域。
综上所述，本发明的基于多尺度线性差分纹理特征的年龄估计方法和系统，其中，所述方法包括：首先，使用基于Haar-like特征和Adaboost分类器算法检测待测图片中的人脸，并剪切出人脸区域；然后在剪切出的人脸区域中提取基于多尺度线性差分特征的纹理特征，并利用决策树进行特征选择，降低特征向量维度；最后在降低特征向量维度后的特征空间中训练SVR模型，并利用SVR模型进行人脸图片的年龄预测。由于采用了基于RBF核的非线性支持向量回归作为分类器模型，进行年龄估计。其年龄估计更加准确，并且是通过人脸图片进行年龄估计，可以使得人机交互更加人性，更加安全。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (9)

1.一种基于多尺度线性差分纹理特征的年龄估计方法，其特征在于，包括如下步骤：
使用基于Haar-like特征和Adaboost分类器算法检测待测图片中的人脸，并剪切出人脸区域；
在剪切出的人脸区域中提取基于多尺度线性差分特征的纹理特征，并利用决策树进行特征选择，降低特征向量维度；
在降低特征向量维度后的特征空间中训练SVR模型，并利用SVR模型进行人脸图片的年龄预测；
在剪切出的人脸区域中提取基于多尺度线性差分特征的纹理特征的步骤，包括：
利用主动形状模型对剪切出的人脸区域进行人脸特征点检测，并根据主动形状模型的人脸特征点位置，基于两眼坐标点将人脸对齐：再根据两眼距离采用双线性三次插值将人脸区域放缩到三个尺度，得到第一人脸区域、第二人脸区域和第三人脸区域；
以某些特征点位置为中心，分别在第一、第二和第三人脸区域中划分区域选取图像块，保证第一、第二和第三人脸区域中的图像块大小一致；然后在每个图像块上，提取线性差分特征；
所述以某些特征点位置为中心，具体为选择16个点作为要获取的图像块的中心，所述16个点为脸内的一些点而不是脸部边缘的一些点。
2.根据权利要求1所述的基于多尺度线性差分纹理特征的年龄估计方法，其特征在于，所述使用基于Haar-like特征和Adaboost分类器算法检测待测图片中的人脸，并剪切出人脸区域步骤包括：
使用Harr-like特征表示人脸，针对所述待测图片使用积分图实现特征数值的快速计算得到待测子图像；
使用Adaboost算法挑选出若干最能代表人脸的矩形特征形成若干弱分类器，按照加权投票的方式将所述若干弱分类器构造为一个强分类器；
进行若干次训练后，将训练得到的若干强分类器串联组成Adaboost级联分类器，利用Adaboost级联分类器对待测子图像进行检测，剪切得到人脸区域。
3.根据权利要求2所述的基于多尺度线性差分纹理特征的年龄估计方法，其特征在于，所述主动形状模型包括训练和搜索。
4.根据权利要求2所述的基于多尺度线性差分纹理特征的年龄估计方法，其特征在于，所述利用决策树进行特征选择，降低特征向量维度的步骤，包括：
S1、设置每个训练样本的初始权重为
Figure FDA0002174050490000021
S2、针对特征向量的每一个维度，训练一个决策树，作为弱分类器hj(xi)；
S3、计算误差∈i←Σiwie(hj(xi)，yi)，选出误差最小时对应的维度j，作为特征选择的一个维度；
S4、重复步骤S2和S3，直至选出的特征维度数为d；
其中，训练数据中第i张人脸图片的多尺度线性差分特征为xi，训练数据中共有m张人脸图片。
5.根据权利要求2所述的基于多尺度线性差分纹理特征的年龄估计方法，其特征在于，所述在降低特征向量维度后的特征空间中训练SVR模型，并利用SVR模型进行人脸图片的年龄预测步骤中，SVR模型根据特征向量的分布分为线性回归和非线性回归两类。
6.根据权利要求5所述的基于多尺度线性差分纹理特征的年龄估计方法，其特征在于，所述线性回归中使用线性回归函数：
f(x)＝WTx+b；
其中，x为特征向量，W、b为回归模型的参数，T代表矩阵转置。
7.根据权利要求5所述的基于多尺度线性差分纹理特征的年龄估计方法，其特征在于，所述非线性回归具体包括：
通过非线性函数z＝g(x)将原始特征向量x映射为高维特征向量z；
在高维向量空间中，对数据(z,y)进行线性回归分析，即使用线性回归模型，估计训练样本中y表示函数值；
重复线性回归分析，得到最终的回归函数。
8.一种基于多尺度线性差分纹理特征的年龄估计系统，其特征在于，包括：
人脸检测单元，用于使用基于Haar-like特征和Adaboost分类器算法检测待测图片中的人脸，并剪切出人脸区域；
特征提取单元，用于在剪切出的人脸区域中提取基于多尺度线性差分特征的纹理特征，并利用决策树进行特征选择，降低特征向量维度；
年龄估计单元，在降低特征向量维度后的特征空间中训练SVR模型，并利用SVR模型进行人脸图片的年龄预测；
在特征提取单元中，剪切出的人脸区域中提取基于多尺度线性差分特征的纹理特征的步骤，包括：
利用主动形状模型对剪切出的人脸区域进行人脸特征点检测，并根据主动形状模型的人脸特征点位置，基于两眼坐标点将人脸对齐：再根据两眼距离采用双线性三次插值将人脸区域放缩到三个尺度，得到第一人脸区域、第二人脸区域和第三人脸区域；
以某些特征点位置为中心，分别在第一、第二和第三人脸区域中划分区域选取图像块，保证第一、第二和第三人脸区域中的图像块大小一致；然后在每个图像块上，提取线性差分特征；
所述以某些特征点位置为中心，具体为选择16个点作为要获取的图像块的中心，所述16个点为脸内的一些点而不是脸部边缘的一些点。
9.根据权利要求8所述的基于多尺度线性差分纹理特征的年龄估计系统，其特征在于，人脸检测单元进一步包括：
放缩子单元，用于使用Harr-like特征表示人脸，针对所述待测图片使用积分图实现特征数值的快速计算得到待测子图像；
分类子单元，用于使用Adaboost算法挑选出若干最能代表人脸的矩形特征形成若干弱分类器，按照加权投票的方式将所述若干弱分类器构造为一个强分类器；
识别子单元，用于进行若干次训练后，将训练得到的若干强分类器串联组成Adaboost级联分类器，利用Adaboost级联分类器对待测子图像进行检测，剪切得到人脸区域。
CN201510890684.1A 2015-12-04 2015-12-04 基于多尺度线性差分纹理特征的年龄估计方法和系统 Active CN105550641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510890684.1A CN105550641B (zh) 2015-12-04 2015-12-04 基于多尺度线性差分纹理特征的年龄估计方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510890684.1A CN105550641B (zh) 2015-12-04 2015-12-04 基于多尺度线性差分纹理特征的年龄估计方法和系统

Publications (2)

Publication Number Publication Date
CN105550641A CN105550641A (zh) 2016-05-04
CN105550641B true CN105550641B (zh) 2020-03-31

Family

ID=55829824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510890684.1A Active CN105550641B (zh) 2015-12-04 2015-12-04 基于多尺度线性差分纹理特征的年龄估计方法和系统

Country Status (1)

Country Link
CN (1) CN105550641B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2551715A (en) * 2016-06-27 2018-01-03 Image Capture Ltd A system and method for determining the age of an individual
US10621771B2 (en) * 2017-03-21 2020-04-14 The Procter & Gamble Company Methods for age appearance simulation
CN107194868A (zh) * 2017-05-19 2017-09-22 成都通甲优博科技有限责任公司 一种人脸图像生成方法及装置
CN108629290A (zh) * 2018-04-12 2018-10-09 Oppo广东移动通信有限公司 基于结构光的年龄推测方法、装置及移动终端、存储介质
CN109271997B (zh) * 2018-08-28 2022-01-28 河南科技大学 一种基于跳跃细分局部模式的图像纹理分类方法
CN110298224A (zh) * 2019-03-28 2019-10-01 电子科技大学 一种基于方向梯度和隐变量分析的人脸年龄估计方法
CN112329607B (zh) * 2020-11-03 2022-10-21 齐鲁工业大学 基于面部特征和纹理特征的年龄预测方法、系统和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101615248A (zh) * 2009-04-21 2009-12-30 华为技术有限公司 年龄估计方法、设备和人脸识别系统
CN102214291A (zh) * 2010-04-12 2011-10-12 云南清眸科技有限公司 一种快速准确的基于视频序列的人脸检测跟踪方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9639743B2 (en) * 2013-05-02 2017-05-02 Emotient, Inc. Anonymization of facial images
CN104143079B (zh) * 2013-05-10 2016-08-17 腾讯科技（深圳）有限公司 人脸属性识别的方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101615248A (zh) * 2009-04-21 2009-12-30 华为技术有限公司 年龄估计方法、设备和人脸识别系统
CN102214291A (zh) * 2010-04-12 2011-10-12 云南清眸科技有限公司 一种快速准确的基于视频序列的人脸检测跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《基于Gabor小波与LBP直方图的人脸图像年龄估计》;黄兵;《中国优秀硕士学位论文全文数据库》;20120815(第08期);第11-12、28-31、40-41页 *

Also Published As

Publication number Publication date
CN105550641A (zh) 2016-05-04

Similar Documents

Publication Publication Date Title
CN105550641B (zh) 基于多尺度线性差分纹理特征的年龄估计方法和系统
EP3274921B1 (en) Multi-layer skin detection and fused hand pose matching
EP3084682B1 (en) System and method for identifying faces in unconstrained media
US10353948B2 (en) Content based image retrieval
CN108520254B (zh) 一种基于格式化图像的文本检测方法、装置以及相关设备
WO2016150240A1 (zh) 身份认证方法和装置
US20190362144A1 (en) Eyeball movement analysis method and device, and storage medium
Agarwal et al. Anubhav: recognizing emotions through facial expression
KR101912748B1 (ko) 확장성을 고려한 특징 기술자 생성 및 특징 기술자를 이용한 정합 장치 및 방법
Wang et al. Detecting image orientation based on low-level visual content
US10134149B2 (en) Image processing
Ye et al. Scene text detection via integrated discrimination of component appearance and consensus
CN110427972B (zh) 证件视频特征提取方法、装置、计算机设备和存储介质
Fang et al. Real-time hand posture recognition using hand geometric features and fisher vector
CN112001932A (zh) 人脸识别方法、装置、计算机设备和存储介质
Wang et al. A novel method for image classification based on bag of visual words
CN113269010B (zh) 一种人脸活体检测模型的训练方法和相关装置
CN107516295A (zh) 去除图像中的噪声的方法和装置
CN105550642A (zh) 基于多尺度线性差分特征低秩表示的性别识别方法及系统
Eid et al. Development of Iris Security System Using Adaptive Quality-Based Template Fusion
CN113221812A (zh) 人脸关键点检测模型的训练方法和人脸关键点检测方法
CN106056575B (zh) 一种基于似物性推荐算法的图像匹配方法
CN110287973B (zh) 一种基于低秩鲁棒线性鉴别分析的图像特征提取方法
CN104732209B (zh) 一种室内场景的识别方法及装置
Elsayed et al. Hand gesture recognition based on dimensionality reduction of histogram of oriented gradients

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant