CN107045622B - 基于自适应年龄分布学习的人脸年龄估计方法 - Google Patents

Abstract

本发明公开了一种基于自适应年龄分布学习的人脸年龄估计方法，包括以下步骤：步骤1，给出所需要的人脸图像数据；步骤2，建立人脸样本的年龄分布；步骤3，建立人脸年龄预测模型；步骤4，建立算法的优化目标函数；步骤5，运用预测模型估计人脸图像的年龄标签。本发明的方法可以有效地把握住人脸样本的内在结构，进而利用这些上下文相关样本的年龄标签来实现对于年龄标签模糊性的分析。

Description

基于自适应年龄分布学习的人脸年龄估计方法

技术领域

本发明属于计算机视觉领域，特别地涉及一种基于自适应年龄分布学习的人脸年龄估计方法。

背景技术

在人脸年龄估计模型中，“年龄分布”这一概念最早是由Geng等人^【1】提出。该工作通过对于真实人脸数据的观察，认识到年龄标签存在模糊性，即相近年龄标签之间存在相关性，使用一个年龄范围来表征人脸外貌的发育或老化程度，会比使用单个年龄标签更有实际意义。

通过整理近期涉及“年龄分布”的相关工作，我们可以发现这些年龄估计方法大多都假设年龄分布的形式是已知的。比如，IIS-LLD^【1】认为每个人脸样本的年龄分布是预先给定的，并且认为这些年龄分布的形式是固定的，即该方法预先设定年龄分布的形式是高斯或三角(Gaussianor Triangle)；IIS-ALDL则是对IIS-LLD做了改进，该方法认为年龄分布的形式是高斯，但高斯分布的参数是随时间而变化的，即对于不同年龄段的人群，他们年龄分布的形式都是高斯，但是这些高斯分布的参数是不同的。

尽管上述这些年龄估计方法通过建立年龄分布加深了对于年龄标签模糊性的理解，并实现了对于相近年龄标签之间相关性的学习，但是由于这些方法的年龄分布是预先设定的，因此也存在不少不足之处。

具体而言，限定形式的年龄分布会对年龄预测造成以下不良影响。

1，不利于分析年龄标签的模糊性,

由于年龄分布的形式是限定的，这也表示该年龄分布的概率质量函数是预先定义的。进而，我们可以推断出限定形式的年龄分布认为相近年龄标签之间的相关性是确定的。但是，在实际中相近年龄标签之间的相关性是因人而异的。比如，对于年轻人而言，他们的人脸外貌每年都会有较大变化，这表明此时相近年龄标签之间的相关性较小；而对于年长人而言，他们的人脸外貌是随时间而缓慢衰老，这表明此时相近年龄标签之间的相关性较大。所以，限定形式的年龄分布并不能很好地解释年龄标签的模糊性问题。

2，不利于理解图像特征和年龄的相互关系,

限定形式的年龄分布在设计思路上脱离了从实际数据中分析人脸样本的相关性。以三角年龄分布为例，该分布暗示了样本图像特征之间的相似度和样本年龄之间的相似度是线性正相关的。但在实际环境中，人脸样本之间这种图像特征和年龄的相互关系是十分复杂的。这表明，使用简单的数学分布来描述上述的这种相互关系是不合适的。

【1】Xin Geng,Chao Yin,Zhi-Hua Zhou.Facial age estimation by learningfrom label distributions[J].PatternAnalysis and Machine Intelligence,IEEETransactions on,Oct 2013.35(10):2401–2412.ISSN 0162-8828.

发明内容

本发明的目的在于提供一种基于自适应年龄分布学习的人脸年龄估计方法，该方法注重于从人脸图像样本的上下文结构分析入手，来建立人脸样本的年龄分布。

为实现上述目的，本发明采用的技术方案为：

步骤1，给出所需要的人脸图像数据；

步骤2，建立人脸样本的年龄分布；

步骤3，建立人脸年龄预测模型；

步骤4，建立算法的优化目标函数；

步骤5，运用预测模型估计人脸图像的年龄标签。

进一步的，步骤1具体包括：

步骤11，设立人脸样本集合为{(x₁,y₁),(x₂,y₂),…,(x_n,y_n),…,(x_N,y_N)}，人脸样本总数为N，其中x_n表示的是第n个人脸样本的图像特征，y_n表示的是第n个人脸样本的年龄标签；设定年龄范围为从1至T岁；

步骤12，设立第n个人脸样本的年龄分布为一个T维向量，即p_n；其中p_n的第t个元素,即p_n(t),表示的是第t个年龄标签描述该人脸样本外貌的切合度；

步骤13，设立矩阵X为人脸样本图像特征的集合，其中该矩阵的第n列是x_n；设立矩阵Y为人脸样本的多标签矩阵，其中该矩阵第t行第n列元素的赋值函数为

步骤14，设立矩阵P为年龄分布矩阵，其中该矩阵的第n列是p_n。

进一步的，步骤2具体包括：

步骤21，基于人脸图像特征

采用子空间学习技术构造一个人脸子空间表征C，并以此来分析样本上下文之间的关系；所述子空间表征C的目标函数表示为：

其中，β₁表示的是调节C稀疏度的惩罚因子；β₂表示的是归一化C中每一列的惩罚因子；Δ_y表示的是控制C中稀疏元素数量的门限因子；上述公式表明每一个人脸样本可以表示为其上下文相关样本的线性重构；

步骤22，基于给定的人脸子空间表征C，将人脸关系图A定义为：

上述公式确保了所建立的样本上下文关系是对称且非负的；

步骤23，从人脸样本的上下文结构来分析邻近样本之间的年龄标签相关性，并以此来建立人脸样本的年龄分布；具体而言，假定第n个样本的年龄分布p_n是由两部分数据所组成：该样本自身的年龄标签和其邻近样本的年龄标签；于是，设立第n个样本的年龄分布为：

其中，μ表示的是平衡人脸样本和其邻近样本的权重因子；第二项表示的是从第n个样本的邻近样本中得到的年龄分布信息，该信息是由这些邻近样本的年龄标签传播至第n个样本而形成的；a_m,n表示的是在样本上下文结构中从第m个样本到第n个样本的传播因子；上述公式将自适应数据的年龄分布定义为目标样本和其邻近样本的年龄标签的加权线性组合；同时,给出公式4的矩阵表达形式为：

P＝μY+(1-μ)YA 公式5；

其中，A表示的是人脸关系图，A在第n行第m列的元素即A(n,m)表示的是公式4中的传播因子a_m,n。

进一步的，步骤3具体包括将年龄预测模型的建立转化为求解一个线性回归问题；该线性回归问题可以通过优化如下目标函数来解决,

其中，γ表示的是调节时间平滑性约束的惩罚因子；W表示的是回归矩阵，回归矩阵W的t列是回归向量w_t，表示的是预测第t个年龄标签的分类器；回归矩阵W的列[w₁,w₂,…,w_T]是按照时序发展顺序排列的；公式中的第二项是一个混合l_2,1范数，它的作用是平滑上述这些回归向量；∈表示的是控制

列数的参数。

进一步的，步骤4具体包括：建立算法的优化目标为联合优化公式2和公式6，其中所要优化的参数包括人脸子空间表征C和回归矩阵W；该优化目标的数学表达定义如下：

其中，λ，ρ，γ₁，和γ₂都是目标函数的惩罚因子；上述模型的优化求解方法采用凸优化算法。

进一步的，步骤5具体包括：

步骤51，通过回归变量来进行人脸图像的年龄分布预测；在测试集中，人脸图像的年龄分布通过求解如下公式得到，

p_q＝W^Tx_q q∈测试集样本 公式8

步骤52，基于步骤S51中预测到的样本年龄分布，通过求取它们的数学期望来获得最终的年龄预测结果；在测试集中，人脸图像的预测年龄标签通过求解如下公式得到，

本发明提出了一种新型的自适应年龄分布学习方法，来解决人脸年龄估计问题。相比于传统方法中通过先验知识来设计年龄分布，本发明的方法中所提出的年龄分布是从人脸样本中自动学习出来的。对于这种数据驱动的学习策略，其核心思想在于通过发现人脸样本的上下文结构来建立人脸样本的年龄分布，并以此建立后续的年龄预测模型。同时，这种学习策略也表明本发明提出的方法可以有效地把握住人脸样本的内在结构，进而利用这些上下文相关样本的年龄标签来实现对于年龄标签模糊性的分析。

本发明所提出的基于自适应年龄分布学习的人脸年龄估计方法，相比于目前的人脸年龄估计方法，具有以下有益效果：

1)本发明提出了一种多任务学习模型来解决人脸年龄估计问题，该模型将年龄分布学习和样本年龄预测这两个任务有机地结合了起来。其中，本发明采用一种数据驱动的策略来建立人脸样本的年龄分布。这种策略以样本分析为基石，不仅考虑到了人脸样本的上下文结构，同时也注重于分析相近年龄之间的相关性。所以，本发明所提出的年龄分布是自适应数据的，这意味着这种年龄分布对于标签噪声有着很强的抗性。

2)本发明提出了一种局部子空间学习方法来学习人脸样本的上下文结构，进而帮助模型实现人脸样本年龄分布的建立。

3)本发明提出了一种有效的优化策略来实现模型的参数更新。通过联合凸优化技术和非负矩阵分解技术，本发明设计出一种有效的迭代优化算法来实现模型的参数学习。

附图说明

图1为本发明实施例的基于自适应年龄分布学习的人脸年龄估计方法的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

参考图1，所示为本发明实施例的基于自适应年龄分布学习的人脸年龄估计方法的流程图，包括以下步骤：

步骤S1，给出所需要的人脸图像数据，具体包括以下子步骤，

步骤S11，设立人脸样本集合为{(x₁,y₁),(x₂,y₂),…,(x_n,y_n),…,(x_N,y_N)}，人脸样本总数为N，其中x_n表示的是第n个人脸样本的图像特征，y_n表示的是第n个人脸样本的年龄标签；为了方便表示，将年龄范围设定为从1至T岁；

步骤S12，设立第n个人脸样本的年龄分布为一个T维向量，即p_n；其中p_n的第t个元素,即p_n(t),表示的是第t个年龄标签描述该人脸样本外貌的切合度；

步骤S13，设立矩阵X为人脸样本图像特征的集合，其中该矩阵的第n列是x_n；设立矩阵Y为人脸样本的多标签矩阵，其中该矩阵第t行第n列元素的赋值函数为

步骤S14，设立矩阵P为年龄分布矩阵，其中该矩阵的第n列是p_n。

步骤S2，建立人脸样本的年龄分布；该步骤的具体实施过程为如下描述，

步骤S21，基于人脸图像特征

采用子空间学习技术去构造一个人脸子空间表征C，并以此来分析样本上下文之间的关系；于是，子空间表征C的目标函数表示为：

在上述公式中，β₁表示的是调节C稀疏度的惩罚因子；β₂表示的是归一化C中每一列的惩罚因子；Δ_y表示的是控制C中稀疏元素数量的门限因子；上述公式表明每一个人脸样本可以表示为其上下文相关样本的线性重构；

步骤S22，基于给定的人脸子空间表征C，将人脸关系图A定义为：

上述公式确保了所建立的样本上下文关系是对称且非负的；

步骤S23，从人脸样本的上下文结构来分析邻近样本之间的年龄标签相关性，并以此来建立人脸样本的年龄分布；具体而言，本算法认为第n个样本的年龄分布p_n是由两部分数据所组成的：1)该样本自身的年龄标签；2)其邻近样本的年龄标签；于是，设立第n个样本的年龄分布为：

在上述公式中，μ表示的是平衡人脸样本和其邻近样本的权重因子；第二项表示的是从第n个样本的邻近样本中得到的年龄分布信息，该信息是由这些邻近样本的年龄标签传播至第n个样本而形成的；其中，a_m,n表示的是在样本上下文结构中从第m个样本到第n个样本的传播因子；上述公式将自适应数据的年龄分布定义为目标样本和其邻近样本的年龄标签的加权线性组合；

步骤S24，设立公式4的矩阵表达形式为，

P＝μY+(1-μ)YA 公式5；

在上述公式中，A表示的是人脸关系图，其中A在第n行第m列的元素，即A(n,m)，表示的是公式4中的传播因子a_m,n。

步骤S3，建立人脸年龄预测模型，具体包括：

步骤S31，将年龄预测模型的建立转化为求解一个线性回归问题，

在上述公式中，γ表示的是调节时间平滑性约束的惩罚因子；W表示的是回归矩阵，回归矩阵W的t列是回归向量w_t，它表示的是预测第t个年龄标签的分类器；回归矩阵W的这些列(回归向量)[w₁,w₂,…,w_T]是按照时序发展顺序排列的；公式中的第二项是一个混合l_2,1范数，它的作用是平滑上述这些回归向量；∈表示的是控制

列数的参数；

步骤S4，基于上述描述，设立本算法的优化目标为联合优化公式2和公式6，其中所要优化的参数包括人脸子空间表征C和回归矩阵W；该优化目标的数学表达定义如下：

在上述公式中，λ，ρ，γ₁，和γ₂都是目标函数的惩罚因子；上述模型的优化求解方法采用了目前成熟的凸优化算法。

步骤S5，运用预测模型估计人脸图像的年龄标签,具体包括：

步骤S51通过回归变量来进行人脸图像的年龄分布预测；在测试集中，人脸图像的年龄分布可以通过求解如下公式得到，

p_q＝W^Tx_q q∈测试集样本 公式8

步骤S52，基于这些预测到的样本年龄分布，可以通过求取它们的数学期望，来获得最终的年龄预测结果；在测试集中，人脸图像的预测年龄标签可以通过求解如下公式得到，

综上所述，本发明的核心思路为通过发现人脸样本的上下文结构来建立人脸样本的年龄分布，并以此建立后续的年龄预测模型。该方法可以有效地把握住人脸样本的内在结构，进而利用这些上下文相关样本的年龄标签来实现对于年龄标签模糊性的分析。

以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.基于自适应年龄分布学习的人脸年龄估计方法，其特征在于，包括以下步骤：

步骤1，给出所需要的人脸图像数据，具体包括：

步骤11，设立人脸样本集合为{(x₁,y₁),(x₂,y₂),…,(x_n,y_n),…,(x_N,y_N)}，人脸样本总数为N，其中x_n表示的是第n个人脸样本的图像特征，y_n表示的是第n个人脸样本的年龄标签；设定年龄范围为从1至T岁；

步骤12，设立第n个人脸样本的年龄分布为一个T维向量，即p_n；其中p_n的第t个元素,即p_n(t),表示的是第t个年龄标签描述该人脸样本外貌的切合度；

步骤13，设立矩阵X为人脸样本图像特征的集合，其中该矩阵的第n列是x_n；设立矩阵Y为人脸样本的多标签矩阵，其中该矩阵第t行第n列元素的赋值函数为

步骤14，设立矩阵P为年龄分布矩阵，其中该矩阵的第n列是p_n；

步骤2，建立人脸样本的年龄分布，具体包括：

步骤21，基于人脸图像特征

采用子空间学习技术构造一个人脸子空间表征C，并以此来分析样本上下文之间的关系；所述子空间表征C的目标函数表示为：

其中，β₁表示的是调节C稀疏度的惩罚因子；β₂表示的是归一化C中每一列的惩罚因子；Δ_y表示的是控制C中稀疏元素数量的门限因子；上述公式表明每一个人脸样本可以表示为其上下文相关样本的线性重构；

步骤22，基于给定的人脸子空间表征C，将人脸关系图A定义为：

上述公式确保了所建立的样本上下文关系是对称且非负的；

步骤23，从人脸样本的上下文结构来分析邻近样本之间的年龄标签相关性，并以此来建立人脸样本的年龄分布；具体而言，假定第n个样本的年龄分布p_n是由两部分数据所组成：该样本自身的年龄标签和其邻近样本的年龄标签；于是，设立第n个样本的年龄分布为：

其中，μ表示的是平衡人脸样本和其邻近样本的权重因子；第二项表示的是从第n个样本的邻近样本中得到的年龄分布信息，该信息是由这些邻近样本的年龄标签传播至第n个样本而形成的；a_m,n表示的是在样本上下文结构中从第m个样本到第n个样本的传播因子；上述公式将自适应数据的年龄分布定义为目标样本和其邻近样本的年龄标签的加权线性组合；同时,给出公式4的矩阵表达形式为：

P＝μY+(1-μ)YA 公式5；

其中，A表示的是人脸关系图，A在第n行第m列的元素即A(n,m)表示的是公式4中的传播因子a_m,n；

步骤3，建立人脸年龄预测模型；

步骤4，建立算法的优化目标函数；

步骤5，运用预测模型估计人脸图像的年龄标签。

2.如权利要求1所述的基于自适应年龄分布学习的人脸年龄估计方法，其特征在于，步骤3具体包括将年龄预测模型的建立转化为求解一个线性回归问题；该线性回归问题可以通过优化如下目标函数来解决,

其中，γ表示的是调节时间平滑性约束的惩罚因子；W表示的是回归矩阵，回归矩阵W的t列是回归向量w_t，表示的是预测第t个年龄标签的分类器；回归矩阵W的列[w₁,w₂,…,w_T]是按照时序发展顺序排列的；公式中的第二项是一个混合l_2,1范数，它的作用是平滑上述这些回归向量；ε表示的是控制

列数的参数。

3.如权利要求2所述的基于自适应年龄分布学习的人脸年龄估计方法，其特征在于，步骤4具体包括：建立算法的优化目标为联合优化公式2和公式6，其中所要优化的参数包括人脸子空间表征C和回归矩阵W；该优化目标的数学表达定义如下：

其中，λ，ρ，γ₁，和γ₂都是目标函数的惩罚因子；上述模型的优化求解方法采用凸优化算法。

4.如权利要求3所述的基于自适应年龄分布学习的人脸年龄估计方法，其特征在于，步骤5具体包括：

步骤51，通过回归变量来进行人脸图像的年龄分布预测；在测试集中，人脸图像的年龄分布可以通过求解如下公式得到，

步骤52，基于步骤S51中预测到的样本年龄分布，通过求取它们的数学期望来获得最终的年龄预测结果；在测试集中，人脸图像的预测年龄标签通过求解如下公式得到，

Images