CN105678269A - 一种基于动态区间的人脸年龄估计方法 - Google Patents
一种基于动态区间的人脸年龄估计方法 Download PDFInfo
- Publication number
- CN105678269A CN105678269A CN201610015237.6A CN201610015237A CN105678269A CN 105678269 A CN105678269 A CN 105678269A CN 201610015237 A CN201610015237 A CN 201610015237A CN 105678269 A CN105678269 A CN 105678269A
- Authority
- CN
- China
- Prior art keywords
- face
- age
- estimation method
- confidence
- interval
- 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.)
- Pending
Links
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
-
- 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
-
- 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
- G06V40/172—Classification, e.g. identification
-
- 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)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于动态区间的人脸年龄估计方法,包括提取人脸的特征;用聚类算法找到每个年龄的中心人脸;根据待估计人脸与中心人脸的相似程度,选择TopK个最相似的人脸所对应的年龄作为预测年龄,定义置信区间与置信度的关联函数;根据置信区间与置信度的关联函数,对每个年龄的所有测试图像的TopK个估计年龄用矩估计法估计人脸年龄的条形统计图、正态分布曲线及正态分布的期望和标准差;根据正态分布的累积分布函数,计算出不同的置信度及对应的置信区间。本发明技术方案有效地解决了传统的单一年龄估计方法准确率不高的问题。
Description
技术领域
本发明涉及人脸识别领域,特别涉及一种基于动态区间的人脸年龄估计方法。
背景技术
人脸是一个丰富的信息源,人们可以很容易的从人脸中获取大量的相关信息:如身份,性别,态度等等。所以与人脸相关的信息处理技术已经成为计算机视觉、人机交互和模式识别等领域中的重要研究课题。基于人脸图像的年龄估计是指应用计算机技术对人脸图像随年龄变化的规律进行建模,从而使机器能够根据面部图像推测出人的大概年龄或所属的年龄范围。
人脸的老化受到非常多因素的影响,不仅与人的性别,种族,健康状况、生活方式、工作性质、生活压力和社会影响等多种因素有关,同时还受到遗传基因的影响,具有多样性以及不确定性的特点。随着年龄的增大,不同的人在同一年龄段将呈现出不同的外貌形态,即属于同一年龄的大部分人脸看起来是差不多的,少数人脸看起来比他的同龄人偏老,少数人脸看起来比他的同龄人偏年轻。所以基于人脸图像的年龄估计无论在学术研究或是在实际应用系统的设计中都存在巨大的困难和挑战。
发明内容
本发明的目的在于克服现有技术的不足,提出一种基于动态区间的人脸年龄估计方法,解决了传统的年龄组估计方法中存在的预定义年龄组区间大小过大,处于不同年龄组边界上的人脸图像很容易估计错误的问题。
本发明解决其技术问题所采用的技术方案是:
一种基于动态区间的人脸年龄估计方法,包括如下步骤:
步骤101:提取人脸的特征;
步骤102:用聚类算法找到每个年龄的中心人脸;
步骤103:根据待估计人脸与中心人脸的相似程度,选择TopK个最相似的人脸所对应的年龄作为预测年龄,定义置信区间与置信度的关联函数;
步骤104:根据置信区间与置信度的关联函数,对每个年龄的所有测试图像的TopK个估计年龄用矩估计法估计人脸年龄的条形统计图、正态分布曲线及正态分布的期望和标准差;
步骤105:根据正态分布的累积分布函数,计算出不同的置信度及对应的置信区间。
步骤103中置信区间与置信度关联函数如下:
其中CL表示置信度,CI表示置信区间,M表示测试集中总的人脸数,表示估计年龄;L(·)和U(·)分别为置信区间CI的下界和上界估计函数;I{·}为判别函数,表示如果估计年龄落在CI区间内,则I{·}的值加1,否则为0。
置信区间CI的下界L和上界U计算公式如下:
L=Average(Top1...Topm),U=Average(Topk-m...Topk)
其中L表示前m个估计年龄的平均值,U表示后k-m个估计年龄的平均值。
步骤105中,根据正态分布的累积分布函数,计算出不同的置信度及对应的置信区间所使用的公式如下:
CL=F(μ+n·σ)-F(μ-n·σ)
CI=[μ-n·σ,μ+n·σ]
其中F(·)表示正态分布的累积分布函数,μ表示正态分布函数的期望,σ表示正态分布函数的标准差,n表示可调节的实数。
步骤101中提取的人脸特征,包括AAM特征、人脸的LBP纹理特征和皱纹特征;
步骤102中所述中心人脸处于每个年龄簇的中心,它到簇中每个人脸的距离平方和最小。
步骤103中所述待估计人脸与中心人脸的相似程度,通过1-范数及2-范数来度量。
本发明具有如下有益效果:
通过提取人脸的关键性特征,用聚类算法找到了每个年龄的中心人脸图像,得到最相似的TopK个人脸所对应的年龄,针对有多个离散年龄的估计结果,引用了置信度及置信区间这一新的评价标准来评估方法的性能,并用矩估计法得到估计年龄的分布曲线函数,计算出不同的置信度及对应的置信区间,有效地解决了传统的单一年龄估计方法准确率不高的问题。
以下结合附图及实施例对本发明作进一步详细说明,但本发明的一种基于动态区间的人脸年龄估计方法不局限于实施例。
附图说明
图1为本发明方法的主流程图;
图2为本发明35岁人脸的条形统计图和正态分布曲线。
具体实施方式
参见图1,本发明的一种基于动态区间的人脸年龄估计方法,包括如下步骤:
步骤101:提取人脸的特征;
具体的,包括AAM特征,人脸的LBP纹理特征,皱纹特征等。
步骤201:选择一种聚类算法找到每个年龄的中心人脸,中心人脸处于每个年龄簇的中心,它到簇中每个人脸的距离平方和最小;
步骤301:根据待估计人脸与中心人脸的相似程度,选择TopK个最相似的人脸所对应的年龄作为预测年龄,定义置信区间与置信度的关联函数;
具体的,根据待估计人脸与中心人脸的相似程度,通过1-范数,2-范数来度量人脸之间的相似程度,选择TopK个最相似的人脸(即到中心人脸的范数距离最小的K个人脸)所对应的年龄作为预测年龄。根据估计结果是多个年龄的特征,提出一种新的评判标准:通过置信区间CI、置信度CL来评估方法的性能。置信区间CI、置信度CL的定义如下:
其中L(·)和U(·)是CI区间的估计函数,表示估计年龄,I{·}表示判别函数,其意义表示:如果估计年龄落在CI区间内,则的值加1,否则为0。M为测试集中总的人脸数,使用以下函数来计算CI的上下界:
L=Average(Top1...Topm),U=Average(Topk-m...Topk)
其中L表示前m个估计年龄的平均值,U表示后k-m个估计年龄的平均值,m可取1至k中任意整数,测试时常取m为1-k的中间值。
步骤401:根据置信区间与置信度的关联函数,对每个年龄的所有测试图像的TopK个估计年龄用矩估计法估计人脸年龄的条形统计图、正态分布曲线及正态分布曲线的期望和标准差;
具体的,估计年龄的统计特性呈现类似于正态分布的特征。根据这项特性和步骤3的方法,对每个年龄的所有测试图像的TopK个估计年龄用矩估计方法来估计年龄的分布曲线,图2为35岁人脸的条形统计图和正态分布曲线。其中CI1/CL1,CI2/CL2,CI3/CL3为三组不同CI/CL取值,可以根据实际应用中对置信度CL的不同要求,估计出不同的置信区间CI;左边坐标值表示条形统计图的频率,右边坐标值表示正态分布曲线图的概率值。
进一步的,使用如下公式计算出正态分布的期望μ及标准差σ。
步骤501:根据正态分布的累积分布函数,计算出不同的置信度及对应的置信区间。
具体的,根据步骤4得到的分布曲线,可以根据不同的CL得到对应的CI值。根据正态分布的曲线特性,可以根据实际应用中对置信度CL的不同要求,估计出不同的置信区间CI。假设正态分布的累积分布函数为F(·),可以根据以下的公式,调节不同的n值得到不同的CI,CL,以满足现实中对估计精度的不同要求,所述n为实数。
CL=F(μ+n·σ)-F(μ-n·σ)
CI=[μ-n·σ,μ+n·σ]
具体的,累积分布函数用密度函数表示为:
本发明提供的技术方案带来的有益效果是:通过提取人脸的关键性特征,用聚类算法找到了每个年龄的中心人脸图像,得到最相似的TopK个人脸所对应的年龄,针对有多个离散年龄的估计结果,引用了置信度及置信区间这一新的评价标准来评估方法的性能,并用矩估计法得到估计年龄的分布曲线函数,计算出不同的置信度及对应的置信区间,有效地解决了传统的单一年龄估计方法准确率不高的问题。
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 (8)
1.一种基于动态区间的人脸年龄估计方法,其特征在于,包括:
提取人脸的特征;
用聚类算法找到每个年龄的中心人脸;
根据待估计人脸与中心人脸的相似程度,选择TopK个最相似的人脸所对应的年龄作为预测年龄,定义置信区间与置信度的关联函数;
根据置信区间与置信度的关联函数,对每个年龄的所有测试图像的TopK个估计年龄用矩估计法估计人脸年龄的条形统计图、正态分布曲线函数及正态分布的期望和标准差;
根据正态分布的累积分布函数,计算出不同的置信度及对应的置信区间。
2.根据权利要求1所述的基于动态区间的人脸年龄估计方法,其特征在于,所述置信区间与置信度关联函数如下:
其中CL表示置信度,CI表示置信区间,M表示测试集中总的人脸数,表示估计年龄;L(·)和U(·)分别为置信区间CI的下界和上界估计函数;I{·}为判别函数,表示如果估计年龄落在CI区间内,则I{·}的值加1,否则为0。
3.根据权利要求2所述的基于动态区间的人脸年龄估计方法,其特征在于,置信区间CI的下界L和上界U计算公式如下:
L=Average(Top1...Topm),U=Average(Topk-m...Topk)
其中L表示前m个估计年龄的平均值,U表示后k-m个估计年龄的平均值。
4.根据权利要求3所述的基于动态区间的人脸年龄估计方法,其特征在于,根据正态分布的累积分布函数,计算出不同的置信度及对应的置信区间所使用的公式如下:
CL=F(μ+n·σ)-F(μ-n·σ)
CI=[μ-n·σ,μ+n·σ]
其中F(·)表示正态分布的累积分布函数,μ表示正态分布的期望,δ表示正态分布的标准差,n表示可调节的实数。
5.根据权利要求1所述的基于动态区间的人脸年龄估计方法,其特征在于,提取的人脸特征,包括:
AAM特征、人脸的LBP纹理特征和皱纹特征。
6.根据权利要求1所述的基于动态区间的人脸年龄估计方法,其特征在于:
所述中心人脸处于每个年龄簇的中心,它到簇中每个人脸的距离平方和最小。
7.根据权利要求6所述的基于动态区间的人脸年龄估计方法,其特征在于:
所述待估计人脸与中心人脸的相似程度,通过1-范数及2-范数来度量。
8.根据权利要求7所述的基于动态区间的人脸年龄估计方法,其特征在于:
所述TopK个最相似的人脸表示到中心人脸的范数距离最小的K个人脸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610015237.6A CN105678269A (zh) | 2016-01-11 | 2016-01-11 | 一种基于动态区间的人脸年龄估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610015237.6A CN105678269A (zh) | 2016-01-11 | 2016-01-11 | 一种基于动态区间的人脸年龄估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105678269A true CN105678269A (zh) | 2016-06-15 |
Family
ID=56299877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610015237.6A Pending CN105678269A (zh) | 2016-01-11 | 2016-01-11 | 一种基于动态区间的人脸年龄估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678269A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045622A (zh) * | 2016-12-30 | 2017-08-15 | 浙江大学 | 基于自适应年龄分布学习的人脸年龄估计方法 |
CN107133576A (zh) * | 2017-04-17 | 2017-09-05 | 北京小米移动软件有限公司 | 用户年龄识别方法及装置 |
CN108171570A (zh) * | 2017-12-15 | 2018-06-15 | 北京小度信息科技有限公司 | 一种数据筛选方法、装置及终端 |
CN109377315A (zh) * | 2018-10-25 | 2019-02-22 | 百度在线网络技术(北京)有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
CN109993150A (zh) * | 2019-04-15 | 2019-07-09 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
CN110008926A (zh) * | 2019-04-15 | 2019-07-12 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
CN112464842A (zh) * | 2020-12-04 | 2021-03-09 | 北京华捷艾米科技有限公司 | 年龄显示方法及装置、存储介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010125915A1 (ja) * | 2009-04-28 | 2010-11-04 | Necソフト株式会社 | 年齢推定装置及び方法並びにプログラム |
CN102306281A (zh) * | 2011-07-13 | 2012-01-04 | 东南大学 | 一种多模态人类年龄自动估计方法 |
CN103544486A (zh) * | 2013-10-31 | 2014-01-29 | 东南大学 | 基于自适应标记分布的人类年龄估计方法 |
-
2016
- 2016-01-11 CN CN201610015237.6A patent/CN105678269A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010125915A1 (ja) * | 2009-04-28 | 2010-11-04 | Necソフト株式会社 | 年齢推定装置及び方法並びにプログラム |
CN102306281A (zh) * | 2011-07-13 | 2012-01-04 | 东南大学 | 一种多模态人类年龄自动估计方法 |
CN103544486A (zh) * | 2013-10-31 | 2014-01-29 | 东南大学 | 基于自适应标记分布的人类年龄估计方法 |
Non-Patent Citations (2)
Title |
---|
博弈创作室: "《ANSYS 9.0经典产品高级分析技术与实例详解》", 31 October 2005, 水利水电出版社 * |
罗佳佳,蔡超: ""一种基于人脸图像的年龄估计方法"", 《计算机与数字工程》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045622A (zh) * | 2016-12-30 | 2017-08-15 | 浙江大学 | 基于自适应年龄分布学习的人脸年龄估计方法 |
CN107045622B (zh) * | 2016-12-30 | 2020-06-02 | 浙江大学 | 基于自适应年龄分布学习的人脸年龄估计方法 |
CN107133576A (zh) * | 2017-04-17 | 2017-09-05 | 北京小米移动软件有限公司 | 用户年龄识别方法及装置 |
CN108171570A (zh) * | 2017-12-15 | 2018-06-15 | 北京小度信息科技有限公司 | 一种数据筛选方法、装置及终端 |
CN108171570B (zh) * | 2017-12-15 | 2021-04-27 | 北京星选科技有限公司 | 一种数据筛选方法、装置及终端 |
CN109377315A (zh) * | 2018-10-25 | 2019-02-22 | 百度在线网络技术(北京)有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
CN109993150A (zh) * | 2019-04-15 | 2019-07-09 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
CN110008926A (zh) * | 2019-04-15 | 2019-07-12 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
CN110008926B (zh) * | 2019-04-15 | 2020-06-26 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
CN112464842A (zh) * | 2020-12-04 | 2021-03-09 | 北京华捷艾米科技有限公司 | 年龄显示方法及装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678269A (zh) | 一种基于动态区间的人脸年龄估计方法 | |
CN104636721B (zh) | 一种基于轮廓与边缘纹理特征融合的掌纹识别方法 | |
CN101763503B (zh) | 一种姿态鲁棒的人脸识别方法 | |
CN103268497B (zh) | 一种人脸姿态检测方法与在人脸识别中的应用 | |
CN102880877A (zh) | 一种基于轮廓特征的目标识别方法 | |
CN102184410B (zh) | 三维复原颅面的识别方法 | |
CN108268814A (zh) | 一种基于全局和局部特征模糊融合的人脸识别方法及装置 | |
CN104299003A (zh) | 一种基于相似规则高斯核函数分类器的步态识别方法 | |
CN101593272A (zh) | 一种基于asm算法的人脸特征定位方法 | |
CN105975932A (zh) | 基于时间序列shapelet的步态识别分类方法 | |
CN102147812A (zh) | 基于三维点云模型的地标建筑图像分类方法 | |
CN104778472B (zh) | 人脸表情特征提取方法 | |
CN106127735A (zh) | 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 | |
CN102799646A (zh) | 一种面向多视点视频的语义对象分割方法 | |
CN103020614A (zh) | 基于时空兴趣点检测的人体运动识别方法 | |
CN106611158A (zh) | 人体3d特征信息的获取方法及设备 | |
CN103714340A (zh) | 基于图像分块的自适应特征提取方法 | |
CN104361339A (zh) | 掌形图形提取及识别方法 | |
CN104636729A (zh) | 基于贝叶斯多元分布特征提取的三维人脸识别方法 | |
CN104376312A (zh) | 基于词袋压缩感知特征提取的人脸识别方法 | |
CN103942526A (zh) | 一种离散数据点集的线特征提取方法 | |
CN106250818B (zh) | 一种全序保持投影的人脸年龄估计方法 | |
Tome et al. | Scenario-based score fusion for face recognition at a distance | |
CN105069402A (zh) | 一种面向人脸识别的改进鲁棒稀疏编码算法 | |
CN105184273A (zh) | 一种基于asm的动态图像正面人脸重建系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160615 |
|
RJ01 | Rejection of invention patent application after publication |