TWI485635B - 年齡評估系統與方法 - Google Patents

Description

年齡評估系統與方法

本發明是有關於一種年齡評估系統與方法，特別是有關於一種利用人臉皺紋來評估年齡之系統與方法。

臉是人類重要的特徵，能反映出人的性別、種族、情緒、年齡等訊息。因此，人臉在人機互動、安全認證和商業行銷中均扮演重要角色。其中，針對人臉辨識與表情辨識等主題的學術研究相當多，並且相關技術已經逐漸發展成熟，甚至已有相關的商業產品問世。年齡估測的相關應用範疇也很廣泛，不論是針對人機互動或是商業行銷，年齡估測技術皆可提供相當大的幫助。就人機互動而言，如果能知道使用者的真實年齡，系統就可以主動提供符合該年齡層次的互動模式；就商業行銷而言，如果能知道使用者的真實年齡，系統就可以主動提供相對應消費者感興趣的產品廣告，或是限制其購買與瀏覽不適合其年齡的商品與內容。例如，煙草與酒類商品的自動販售機以及成人網站的瀏覽皆可利用年齡估測技術來排除青少年和兒童取得商品或內容。因此，對這些應用而言，正確的年齡資訊取得是不可或缺的環節。

就現實面而言，最人性與最便利的年齡估測途徑， 當非人臉莫屬。透過攝影機，系統能以消費者最不感到受侵犯與排斥的方式來取得人臉影像。因此，開發一個精準的臉部年齡估測系統不僅具有學術價值，也深具實用價值。

在此，本案提出一種新的年齡評估系統與方法，以提供精確的年齡評估。

本發明之一方面是在提供於一種年齡評估系統與方法，其係利用人臉的皺紋來判斷人臉所對應的年齡，以提供精確的年齡評估。

根據本發明之一實施例，此年齡評估方法包含模型建立階段和線上年齡評估階段。在模型建立階段中，首先進行樣本提供步驟，以提供複數張第一樣本影像和複數張第二樣本影像，其中第一樣本影像和第二樣本影像係分別對應至人臉之第一部位和第二部位。此第一部位和第二部位為額頭、眼睛以及嘴巴中之任二者，且每一第一樣本影像和第二樣本影像係對應至一實際年齡值。接著，分別對第一樣本影像和第二樣本影像進行強迴歸器計算步驟，以獲得第一強迴歸器和第二強迴歸器，其中第一強迴歸器係對應至人臉之第一部位，而第二強迴歸器係對應至人臉之第二部位。在強迴歸器計算步驟中，首先根據複數張目標樣本影像之影像紋理來將目標樣本影像向量化，以得到複數個樣本向量，其中這些目標樣本影像為第一樣本影像或第二樣本影像。然後，進行集成式(Bagging)整合步驟。在集成式整合步驟中，根據目標樣本影像向量與相應之實際 年齡值來進行複數個稀疏編碼迴歸(Sparse-coding Regression)步驟，以獲得複數個迴歸器。然後，整合這些迴歸器而得到一目標強迴歸器，其中此目標強迴歸器為上述之第一強迴歸器或第二強迴歸器。在強迴歸器計算步驟之後，接著分別對第一強迴歸器和第二強迴歸器進行加權處理，以獲得第一加權強迴歸器和第二加權強迴歸器來作為年齡評估模型。在模型建立階段之後，進行上述之線上年齡評估階段，以利用第一加權強迴歸器和第二加權強迴歸器來評估一輸入人臉影像之年齡。在此線上年齡評估階段中，首先根據人臉之第一部位和第二部位之位置來從輸入人臉影像中切割出第一部位輸入影像以及第二部位輸入影像。接著，將第一部位輸入影像之影像紋理向量化，以獲得一第一輸入向量。然後，將第二部位輸入影像之影像紋理向量化，以獲得一第二輸入向量。接著，利用第一加權強迴歸器來將第一輸入向量分類至第一預測年齡層。然後，利用第二加權強迴歸器來將第二輸入向量分類至第二預測年齡層。接著，根據第一預測年齡層和第二預測年齡層來決定輸入人臉影像之年齡。

根據本發明之另一實施例，上述之年齡評估方法可更包含老化傾向分類步驟和老化傾向評估步驟，以提供更精確的年齡評估。例如，上述年齡評估方法的模型建立階段可再包含老化傾向分類步驟。在此老化傾向分類步驟中，首先利用年齡評估模型來評估每一人臉影像之一預測年齡值。然後，計算每一人臉影像之預測年齡值與實際年 齡值之一年齡差值。然後，根據二個預設差值條件以及每一人臉影像所對應之年齡差值，來將人臉影像分為一偏老人臉影像群組、一普通人臉影像群組以及一偏年輕人臉影像群組。接著，進行第一再訓練步驟，以利用偏老人臉影像群組來重新訓練年齡評估模型，以得到偏老人臉年齡評估模型。接著，進行第二再訓練步驟，以利用普通人臉影像群組來重新訓練年齡評估模型，以得到一普通人臉年齡評估模型。然後，上述年齡評估方法的線上年齡評估階段可更包含老化傾向評估步驟，以根據輸入人臉影像之人臉老化傾向來選擇出適用的人臉年齡評估模型。在此老化傾向評估步驟中，首先根據人臉老化傾向來從偏年輕人臉年齡評估模型、普通人臉年齡評估模型和偏老人臉年齡評估模型中選擇出一適用人臉年齡評估模型。然後，以此適用人臉年齡評估模型來進行年齡評估與預測。

根據本發明之又一實施例，此年齡評估系統包含影像擷取裝置以及年齡評估模組。影像擷取裝置係用以擷取使用者之人臉影像，而獲得人臉輸入影像。年齡評估模組係用以進行前述之年齡評估方法，以根據人臉輸入影像來判斷使用者之年齡值。

由上述說明可知，本發明實施例之年齡評估系統與方法係利用稀疏編碼技術來擷取具有效鑑別效果的特徵，並透過迴歸演算法對此特徵做稀疏編碼迴歸(Sparse-coding Regression；SCR)。稀疏編碼迴歸係將稀疏編碼的特徵擷取能力導入廻歸技術中，而廻歸技術用來補足原先缺乏的樣 本資訊，結合了稀疏編碼與廻歸的優點。另外，本發明實施例針對偏老、一般與偏年輕的概念，提出了基於外觀老化傾向分類法，反應不同人可能有不同的老化情況，並與SCR結合，發展出基於老化傾向分類機制的稀疏編碼迴歸法(AICS-SCR)，以額外提高年齡評估的精確度。

100‧‧‧年齡評估方法

110‧‧‧模型建立階段

111‧‧‧樣本提供步驟

112‧‧‧強迴歸器計算步驟

112a‧‧‧影像向量化步驟

112b‧‧‧集成式整合步驟

113‧‧‧加權步驟

120‧‧‧線上年齡評估階段

121‧‧‧切割步驟

122‧‧‧年齡層計算步驟

123‧‧‧年齡層決定步驟

500‧‧‧年齡評估方法

510‧‧‧老化傾向分類步驟

511‧‧‧年齡評估步驟

512‧‧‧年齡差值計算步驟

513‧‧‧分類步驟

514‧‧‧再訓練步驟

520‧‧‧老化傾向評估步驟

521‧‧‧判斷步驟

522‧‧‧模型決定步驟

600‧‧‧年齡評估系統

610‧‧‧影像擷取裝置

620‧‧‧年齡評估模組

630‧‧‧顯示裝置

S1‧‧‧稀疏編碼迴歸步驟

S2‧‧‧整合步驟

S11‧‧‧字典樣本選取步驟

S12‧‧‧測試樣本選取步驟

S13‧‧‧字典樣本向量選取步驟

S14‧‧‧字典建構步驟

S15‧‧‧測試樣本向量選取步驟

S16‧‧‧驗證步驟

S17‧‧‧計次步驟

S18‧‧‧迴歸器選取步驟

為讓本發明之上述和其他目的、特徵、和優點能更明顯易懂，上文特舉數個較佳實施例，並配合所附圖式，作詳細說明如下：

第1圖係繪示根據本發明實施例之年齡評估方法的流程示意圖。

第1a圖係繪示根據本發明實施例之嘴巴影像、眼睛影像以及額頭影像。

第1b圖係繪示根據本發明實施例之樣本提供步驟的處理流程。

第2圖係繪示根據本發明實施例之強迴歸器計算步驟的流程示意圖。

第3圖係繪示根據本發明實施例之集成式(Bagging)整合步驟的架構示意圖。

第4圖係繪示根據本發明實施例之稀疏編碼迴歸步驟的流程示意圖。

第5圖係繪示根據本發明實施例之年齡評估方法的流 程示意圖。

第5a圖係繪示根據本發明實施例之老化傾向分類步驟的流程示意圖。

第5b圖係繪示根據本發明實施例之老化傾向評估步驟的流程示意圖。

第6圖係繪示根據本發明實施例之年齡評估系統的功能方塊示意圖。

請參照第1圖，其係繪示根據本發明實施例之年齡評估方法100的流程示意圖。年齡評估方法100包含模型建立階段110和線上年齡評估階段120。模型建立階段110係用以根據資料庫中的人臉影像來建立年齡評估模型，而線上年齡評估階段120則利用此模型來評估一輸入人臉影像的年齡值。

在模型建立階段110中，首先進行樣本提供步驟111以提供複數張第一樣本影像和複數張第二樣本影像，第一樣本影像和第二樣本影像係分別對應至人臉之第一部位和第二部位。由於本發明實施例係利用人臉的皺紋來進行年齡判斷，因此上述之第一部位和第二部位可為額頭、眼睛以及嘴巴中之任二者，以使第一樣本影像和第二樣本影像包含可能出現皺紋之區域，如第1a圖所示。在本實施例中，第一樣本影像為嘴巴影像，而第二樣本影像為眼睛影像。此係因為額頭上的紋理可能會被頭髮遮蓋而增加處理 上的困難度，然而在本發明之其他實施例中，只要事先經過挑選，仍可使用額頭影像來作為樣本影像。

另外，本實施例的每張樣本影像都對應至一實際年齡值，此實際年齡值為相應人臉影像的實際年齡值。例如，樣本提供步驟111包含校直步驟和切割步驟，其中校直步驟係將資料庫所提供之人臉樣本影像轉正，而切割步驟係將資料庫所提供之人臉樣本影像切割成額頭影像、眼睛影像以及嘴巴影像，如第1b圖所示。如此，每張額頭影像、眼睛影像以及嘴巴影像皆會有一相應的年齡值。

在樣本提供步驟111之後，接著分別對第一樣本影像和第二樣本影像進行強迴歸器計算步驟112，以獲得兩個目標強迴歸器，此二目標強迴歸器為對應至人臉第一部位(例如嘴巴)之一第一強迴歸器和對應至人臉第二部位(例如眼睛)之一第二強迴歸器。在以下的敘述中，將以第一樣本影像為例來說明強迴歸器計算步驟112。

請參照第2圖，其係繪示根據本發明實施例之強迴歸器計算步驟112的流程示意圖。在強迴歸器計算步驟112中，首先進行影像向量化步驟112a，以根據張目標樣本影像之影像紋理來對目標樣本影像進行向量化，而得到複數個樣本向量，其中目標樣本影像為上述之第一樣本影像或第二樣本影像，樣本向量為代表紋理變化之一維向量。接著，進行集成式(Bagging)整合步驟112b，以利用稀疏編碼迴歸來計算出第一強迴歸器。

請參照第3圖，其係繪示根據本發明實施例之集成 式(Bagging)整合步驟112b的架構示意圖。集成式(Bagging)整合步驟112b包含複數個稀疏編碼迴歸(Sparse-coding Regression)步驟S1以及整合步驟S2。每個稀疏編碼迴歸步驟S1係根據影像向量化步驟112a所提供之樣本向量來建立字典並據此進行迴歸演算法，以提供至少一個迴歸器。在本實施例中，每個稀疏編碼迴歸步驟S1係提供2個迴歸器，而集成式(Bagging)整合步驟112b包含10個稀疏編碼迴歸步驟S1(編碼#1~#10)，如此可提供20個迴歸器。整合步驟S2係整合此20個迴歸器來得到一個強迴歸器，此強迴歸器即為前述之第一迴歸器或第二迴歸器。以下將說明每個稀疏編碼迴歸步驟S1的詳細流程。

請參照第4圖，其係繪示根據本發明實施例之稀疏編碼迴歸步驟S1的流程示意圖。每個稀疏編碼迴歸步驟S1係根據一預設次數來重複進行測試步驟，以獲得複數個年齡預測之迴歸器與其相應之測試評估誤差，接著再根據測試評估誤差來決定所提供的兩個迴歸器。

在稀疏編碼迴歸步驟S1中，首先進行字典樣本選取步驟S11，以根據預設資料尺寸來從第一樣本影像中隨機選取出複數個字典樣本影像。接著，進行測試樣本選取步驟S12，以選取剩餘之目標樣本影像來作為測試樣本影像。然後，進行字典樣本向量選取步驟S13，以從樣本向量中選取出複數個字典樣本向量，其中這些字典樣本向量係與測試樣本影像一對一相應。例如，本實施例之樣本向量為嘴巴影像向量化之結果，且每個樣本向量係一對一對應至一 個嘴巴影像，因此本實施例之每個字典樣本向量都會對應至一個嘴巴影像，這個被對應之嘴巴影像即為上述試樣本影像之一者。

接著，進行字典建構步驟S14，以根據樣本向量來建構稀疏編碼字典。然後，進行測試樣本向量選取步驟S15，以從樣本向量中選取出複數個測試樣本向量，其中這些測試樣本向量係與測試樣本影像一對一相應。例如。本實施例之測試樣本影像為字典樣本選取步驟S11剩餘的影像，因此本實施例之每個測試樣本向量都會對應至一個嘴巴影像，這個被對應之嘴巴影像即為字典樣本選取步驟S11剩餘影像中的一者。

然後，進行驗證步驟S16，以應用交互驗證(Cross Validation)中的留一法(Leave-One-Person-Out；LOPO)原理來利用測試樣本向量和字典進行迴歸演算法，以建構出一個年齡預測迴歸器，並計算出此年齡預測迴歸器之一評估誤差。在本實施例中，驗證步驟S16係採用留一法來進行驗證，而迴歸演算法係採用核心迴歸演算法(Kernel-Based Linear Regression)，評估誤差則為平均絕對誤差(Mean Absolute Error；MAE)，但本發明之實施例並不受限於此。

接著，進行計次步驟S17，以判斷測試步驟(步驟S11至步驟S16)的進行次數是否達到預設次數。若稀疏編碼測試步驟的進行次數小於預設次數，則回到字典樣本選取步驟S11以再次進行步驟S11至步驟S17。反之，若稀疏編碼迴歸步驟S1的進行次數等於預設次數，則進行迴歸 器選取步驟S18，以根據每個迴歸器所對應的平均絕對誤差值來挑選出平均絕對誤差值最小的迴歸器。在本實施例中，此預設次數為100次，意即稀疏編碼迴歸步驟S1可得到100個不同的字典、相應之迴歸器以及相應之MAE，而本實施例之迴歸器選取步驟S18則選取MAE最小的前兩個迴歸器來作為輸出之迴歸器，然而，本發明實施例並不受限於此。在本發明之其他實施例中，亦可選取1個或兩個以上的迴歸器來作為稀疏編碼迴歸步驟S1的輸出結果。

值得注意的是，在本實施例中，每個稀疏編碼迴歸步驟S1所對應之預設資料尺寸皆不同。例如，本實施例有10個稀疏編碼迴歸步驟S1，而每個稀疏編碼迴歸步驟S1之字典樣本選取步驟S11係選取不同數量的樣本影像來建構字典。

在強迴歸器計算步驟112之後，接著進行加權步驟113，以對強迴歸器計算步驟112所獲得之強迴歸器進行加權處理，以將每個強迴歸器之輸出結果乘上一加權參數。其中，對應至較大MAE值的強迴歸器，其輸出會被乘上較小的加權參數；反之，對應至較小MAE值的強迴歸器，其輸出會被乘上較大的加權參數。如此，加權步驟113可得到對應至第一部位之第一加權強迴歸器，以及得到對應至第二部位之第二加權強迴歸器。

在獲得加權強迴歸器後，接著進行線上年齡評估階段120，以利用加權步驟113提供的強迴歸器來判斷外部所輸入之人臉輸入影像的年齡值。在線上年齡評估階段120 中，首先進行切割步驟121，以根據上述之第一部位和第二部位來從人臉輸入影像中切割出第一部位輸入影像和第二部位輸入影像，並將第一部位輸入影像和第二部位輸入影像向量化而獲得第一部位輸入向量和第二部位輸入向量。然後，進行年齡層計算步驟122，以將第一部位輸入向量輸入至第一加權強迴歸器，以及將第二部位輸入向量輸入至第二強迴歸器，以得到一第一預測年齡層和一第二預測年齡層。值得注意的是，第一加權強迴歸器和第二加權強迴歸器為分類器，因此第一預測年齡層和一第二預測年齡層為分類之結果。再者，由於一加權強迴歸器和第二加權強迴歸器之輸出為加權後的數值，因此，第一預測年齡層和一第二預測年齡層也是經過加權處理後的數值。

在年齡層計算步驟122後，接著進行年齡層決定步驟123，以根據第一預測年齡層和一第二預測年齡層來決定輸入人臉影像之年齡。在本實施例中，由於加權步驟113已提供了適當的加權參數來處理強迴歸器所輸出的數值，因此年齡層決定步驟123只需要將第一預測年齡層和一第二預測年齡層相加來獲得輸入人臉影像所對應的年齡層，但本發明之實施例並不受限於此。在本發明之其他實施例中，根據加權步驟113的不同處理方式，年齡層決定步驟123也會應用不同的處理方式來計算出輸入人臉影像所對應的年齡層。

由以上說明可知，本發明實施例之年齡評估方法100係利用稀疏編碼技術來擷取具有效鑑別效果的特徵，並 透過核心線性迴歸演算法的方式對此特徵做廻歸，這個方法將稀疏編碼的特徵擷取能力導入廻歸技術中，而廻歸技術用來補足原先缺乏的樣本資訊，結合了稀疏編碼與廻歸的優點。在以下的說明中，將介紹此兩種技術的優點。

稀疏編碼是一種有效的資料描述方法，假設從單一類別中取得的樣本會分布於一個線性子空間，且其子空間模型有足夠的代表性能捕捉到真實數據的變化。因此，若給定一類別A={a1,a2,...,an}，任一ai屬於A可以透過周圍的鄰居線性組合所近似，而這種線性表示方式可以作為資料標籤的方法。相同的，若現在給予新的測試資料a*屬於類別A，則a*可以由{a1,a2,...,an}線性組合而成。

a ^* =β₁ a ₁ +β₂ a ₂ +...+β _n a _n (1)也就是說，給定樣本集合{a1,a2,...,an}，其線性組合可以生成一線性子空間X：X =span {a ₁ ,a ₂ ,,...,a _n } (2)因此，若資料庫中有k個類別，每類有n筆資料時，可以用字典D來表示所有資料的樣本子空間： 其中M為特徵維度，N為資料量。在這種線性表示的情況下，一筆測試資料y可被字典D中的訓練樣本線性生成：y =β_1,1 a _1,1 +β_1,2 a _1,2 +...+β_1,n a _1,n +β_2,1 a _2,1 +β_2,2 a _2,2 +...+β_2,n a _2,n +...+β _{k ,1} a _{k ,1} +β _{k ,2} a _{k ,2} +...+β _{k ,n} a _{k ,n} (4)將方程式(4)以矩陣方式作表示

在理想情況下，測試資料y只會屬於字典D中的某一類(假設第j類)，其係數向量x應由第j類樣本所生成： 但現實情況下，要正確對測試資料作線性表示幾乎是不可能的。

假設M<N，方程式(5)將underdetermined導致x的解不唯一，則需透過解最佳化問題來得到稀疏解： 其∥．∥₀ 為10-norm，計算係數向量x中所有非零項的個數總和，但解方程式(8)是一個NP-Hard問題並不容易解決。近年來，在壓縮感知的文獻中，說明了x₀ 解若是夠稀疏的話，則解10最小化的問題等同於解11最小化的問題： 而這個問題能藉由標準線性規劃的方式在多項式時間內求解。

然而，就稀疏編碼而言，若資料量不足則會導致建構字典的詞彙不足，如此一來，某些類別無法被採用，進而導致估測誤差。因此，本發明之實施例改變字典建構的方式，從原本每個類別選取固定樣本數的方式，改用隨機選取資料庫中一定數量的樣本。另外，除了樣本數少的問題之外，有些年齡層是沒有任何樣本存在的，因此本實施例之年齡評估方法100透過隨機建構的字典取得每個樣本的係數向量後，以廻歸的方式內插出短缺之年齡層的係數向量，以提高年齡評估的準確性。

請參照第5圖，其係繪示根據本發明另一實施例之年齡評估方法500的流程示意圖。年齡評估方法500係類似於年齡評估方法100，但不同之處在於年齡評估方法500更應用了老化傾向分類步驟510和老化傾向評估步驟520來提高年齡評估的準確性。由於臉部老化不具一般性，而是不同個體擁有不同的老化速率，有的人外觀上偏年輕，有的人外觀上偏老成，基於此觀察，本發明實施例另外提出基於老化傾向的分類機制(Aging-Inclination Classification Scheme，簡稱AICS)，將此機制整合稀疏編碼迴歸法，稱為AICS-SCR，進一步提升臉部年齡估測的效能。

請參照第5a圖，其係繪示根據本發明實施例之老化傾向分類步驟510的流程示意圖。在老化傾向分類步驟510中，首先進行年齡評估步驟511，以利用步驟113所獲 得之年齡評估模型來評估資料庫中之人臉樣本影像的年齡，以得到複數個預測年齡值。接著，進行年齡差值計算步驟512，以計算每個人臉樣本影像之實際年齡值與預測年齡值之差值。然後，進行分類步驟513，以根據二個預設差值條件以及每一人臉樣本影像之年齡差值來將所有的人臉樣本影像分類為偏老人臉影像群組、普通人臉影像群組以及偏年輕人臉影像群組。接著，進行再訓練步驟514，以分別利用偏老人臉影像群組、普通人臉影像群組以及偏年輕人臉影像群組中的影像來重新訓練(或建構)年齡評估模型。訓練之方式如前述之強迴歸器計算步驟112，並利用加權步驟113來對再訓練後之強迴歸器進行加權處理，但差別在於所應用之人臉樣本影像從資料庫中的所有人臉影像換成偏老人臉影像群組、普通人臉影像群組或是偏年輕人臉影像群組中的影像。如此，再訓練步驟514會產生分別對應至偏老人臉影像、普通人臉影像以及偏年輕人臉影像的三個年齡評估模型。

請參照第5b圖，其係繪示根據本發明實施例之老化傾向評估步驟520的流程示意圖。在老化傾向評估步驟520中，首先進行判斷步驟521，以利用支援向量機(Support Vector Machine，SVM)對樣本進行偏老、普通與偏年輕分類。SVM常見的多類別架構有一對剩餘(one-versus-rest)和一對一(one-versus-one)兩種，本發明之實施例以一對一的方式對偏老、一般與偏年輕樣本兩兩進行分類，並經由投票機制決定最後結果。

接著，進行適用模型決定步驟522，以根據SVM所判斷的結果來從上述三個年齡評估模型中選出適用之年齡評估模型。然後，以選出的適用模型來進行前述之步驟121~123，以判斷出人臉輸入影像的年齡。

另外，值得一提的是，雖然上述之實施例僅應用了兩個人臉部位(眼睛和嘴巴)的影像來作為年齡判斷的依據，但本發明之實施例並不受限於此。在本發明之其他實施例中，亦可應用三個人臉部位來作為年齡判斷的依據。例如，根據人臉樣本影像的嘴巴影像、額頭影像和眼睛影像來產生三個加權強迴歸器，然後再根據外部輸入人臉影像的嘴巴影像、額頭影像和眼睛影像來判斷外部輸入人臉影像的年齡。

請參照第6圖，其係繪示根據本發明實施例之年齡評估系統600的功能方塊示意圖。年齡評估系統600包含影像擷取裝置610、年齡評估模組620以及顯示裝置630。影像擷取裝置610係用以擷取使用者之人臉影像並輸入至年齡評估模組620。年齡評估模組620則接收此外部輸入人臉影像，並採用上述之年齡評估方法100或500來判斷使用者所屬的年齡層。顯示裝置630則用以根據年齡評估方法100所判斷的年齡層來顯示相應的輸出結果。例如，當年齡評估系統600應用於菸酒自動販賣機時，菸酒自動販賣機的影像擷取裝置610(例如照相機或攝影機)可擷取使用者的影像，並送到內部電腦主機，以利用電腦中的年齡評估模組620來判斷使用者所屬的年齡層。若使用者的年 齡低於可購買菸酒的法定年齡時，內部電腦主機會控制顯示裝置630顯示警告訊息，以告知使用者不符合購買資格。

值得注意的是，上述實施例之年齡評估方法可利用電腦程式產品來實現，其可包含儲存有多個指令之機器可讀取媒體，這些指令可程式化(programming)電腦來進行上述實施例中的步驟，以實現年齡評估模組620。機器可讀取媒體可為但不限定於軟碟、光碟、唯讀光碟、磁光碟、唯讀記憶體、隨機存取記憶體、可抹除可程式唯讀記憶體(EPROM)、電子可抹除可程式唯讀記憶體(EEPROM)、光卡(optical card)或磁卡、快閃記憶體、或任何適於儲存電子指令的機器可讀取媒體。再者，本發明之實施例也可做為電腦程式產品來下載，其可藉由使用通訊連接(例如網路連線之類的連接)之資料訊號來從遠端電腦轉移至請求電腦。

雖然本發明已以數個實施例揭露如上，然其並非用以限定本發明，在本發明所屬技術領域中任何具有通常知識者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾(例如步驟順序的變化等)，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

100‧‧‧年齡評估方法

110‧‧‧模型建立階段

111‧‧‧樣本提供步驟

112‧‧‧強迴歸器計算步驟

113‧‧‧加權步驟

120‧‧‧線上年齡評估階段

121‧‧‧切割步驟

122‧‧‧年齡層計算步驟

123‧‧‧年齡層決定步驟

Claims (5)

1. 一種年齡評估方法，包含：進行一模型建立階段，以建立一年齡評估模型，其中該模型建立階段包含：進行一樣本提供步驟，以提供複數張第一樣本影像和複數張第二樣本影像，其中該些第一樣本影像和該些第二樣本影像係分別對應至人臉之一第一部位和一第二部位，該第一部位和該第二部位為額頭、眼睛以及嘴巴中之任二者，且每一該些第一樣本影像和每一該些第二樣本影像係對應至一實際年齡值；以及分別對該些第一樣本影像和該些第二樣本影像進行一強迴歸器計算步驟，以獲得一第一強迴歸器和一第二強迴歸器，其中該第一強迴歸器係對應至該第一部位，該第二強迴歸器係對應至該第二部位，該強迴歸器計算步驟包含：根據複數張目標樣本影像之影像紋理來將該些目標樣本影像向量化，以得到複數個樣本向量，其中該些目標樣本影像為該些第一樣本影像或該些第二樣本影像；進行一集成式(Bagging)整合步驟，包含：根據該些目標樣本影像向量與相應之實際年齡值來進行複數個稀疏編碼迴歸(Sparse-coding Regression)步驟，以獲得複數個迴歸器；以及整合該些迴歸器而得到一目標強迴歸 器，其中該目標強迴歸器為該第一強迴歸器或該第二強迴歸器；以及分別對該第一強迴歸器和該第二強迴歸器進行一加權處理，以獲得一第一加權強迴歸器和一第二加權強迴歸器來作為該年齡評估模型；以及進行一線上年齡評估階段，以利用該第一加權強迴歸器和該第二加權強迴歸器來評估一輸入人臉影像之年齡，其中該線上年齡評估階段包含：根據人臉之該第一部位和該第二部位之位置來從該輸入人臉影像中切割出一第一部位輸入影像以及一第二部位輸入影像；將該第一部位輸入影像之影像紋理向量化，以獲得一第一輸入向量；將該第二部位輸入影像之影像紋理向量化，以獲得一第二輸入向量；利用該第一加權強迴歸器來將該第一輸入向量分類至一第一預測年齡層；利用該第二加權強迴歸器來將該第二輸入向量分類至一第二預測年齡層；以及根據該第一預測年齡層和該第二預測年齡層來決定該輸入人臉影像之年齡；其中，每一該些稀疏編碼迴歸步驟包含：重複進行一測試步驟，以獲得複數個年齡預測迴歸器與該些年齡預測迴歸器所對應之複數個測試評估誤差，其中該測試步驟包含：進行一字典樣本選取步驟，以根據一預設資料尺寸 來從該些目標樣本影像選取出複數個字典樣本影像；進行一測試樣本選取步驟，以選取剩餘之目標樣本影像來作為複數個測試樣本影像；根據該些字典樣本影像來從該些樣本向量中選取出複數個字典樣本向量；根據該些字典樣本向量來建構一字典；根據該些測試樣本影像來從該些樣本向量中選取出複數個測試樣本向量；以及應用交互驗證(Cross Validation)中的留一法(Leave-One-Person-Out；LOPO)原理來利用該些測試樣本向量和該字典進行一迴歸演算法，以建構出該些年齡預測迴歸器之一者，並計算出該些年齡預測迴歸器之該者之一評估誤差，其中該評估誤差為該些測試評估誤差之一者；以及根據該些測試評估誤差來從該些年齡預測迴歸器選擇出至少一個低誤差迴歸器，其中該至少一低誤差迴歸器所對應之測試評估誤差為該些測試評估誤差中之最低者，而該至少一低誤差迴歸器為每一該些稀疏編碼迴歸步驟所獲得之該些迴歸器之至少一者。
2. 如申請專利範圍第1項所述之年齡評估方法，其中該迴歸演算法為核心線性迴歸演算法(Kernel-Based Linear Regression)。
3. 如申請專利範圍第1項所述之年齡評估方法，其中該樣本提供步驟包含： 提供複數張人臉影像；以及根據該第一部位和該第二部位之位置從該些人臉樣本影像切割出該些第一樣本影像和該些第二樣本影像。
4. 一種年齡評估方法，包含：進行一模型建立階段，以建立一年齡評估模型，其中該模型建立階段包含：提供複數張人臉影像，其中每一該些人臉影像係對應至一實際年齡值；根據人臉之一第一部位和一第二部位的位置從該些人臉樣本影像切割出複數張第一樣本影像和複數張第二樣本影像，其中該些第一樣本影像和該些第二樣本影像係分別對應至人臉之該第一部位和該第二部位，該第一部位和該第二部位為額頭、眼睛以及嘴巴中之任二者；以及分別對該些第一樣本影像和該些第二樣本影像進行一強迴歸器計算步驟，以獲得一第一強迴歸器和一第二強迴歸器，其中該第一強迴歸器係對應至該第一部位，該第二強迴歸器係對應至該第二部位，該強迴歸器計算步驟包含：根據複數張目標樣本影像之影像紋理來將該些目標樣本影像向量化，以得到複數個樣本向量，其中該些目標樣本影像為該些第一樣本影像或該些第二樣本影像；進行一集成式(Bagging)整合步驟，包含：根據該些目標樣本影像向量與相應之實 際年齡值來進行複數個稀疏編碼迴歸(Sparse-coding Regression)步驟，以獲得複數個迴歸器；以及整合該些迴歸器而得到一目標強迴歸器，其中該目標強迴歸器為該第一強迴歸器或該第二強迴歸器；以及分別對該第一強迴歸器和該第二強迴歸器進行一加權處理，以獲得一第一加權強迴歸器和一第二加權強迴歸器來作為該年齡評估模型；進行一老化傾向分類步驟，包含：利用該年齡評估模型來評估每一該些人臉樣本影像之一預測年齡值；計算每一該些人臉樣本影像之該預測年齡值與該實際年齡值之一年齡差值；根據二個預設差值條件以及每一該些人臉樣本影像之該年齡差值來將該些人臉樣本影像分為一偏老人臉影像群組、一普通人臉影像群組以及一偏年輕人臉影像群組；進行一第一再訓練步驟，以利用該偏老人臉影像群組來重新訓練該年齡評估模型，以得到一偏老人臉年齡評估模型；進行一第二再訓練步驟，以利用該普通人臉影像群組來重新訓練該年齡評估模型，以得到一普通人臉年齡評估模型；以及進行一第三再訓練步驟，以利用該偏年輕人臉影像群組來重新訓練該年齡評估模型，以得到一偏 年輕人臉年齡評估模型；以及進行一線上年齡評估階段，以利用該偏年輕人臉年齡評估模型、該普通人臉年齡評估模型和該偏老人臉年齡評估模型來評估一輸入人臉影像之年齡，其中該線上年齡評估階段包含：進行一老化傾向評估步驟，以決定出一適用臉年齡評估模型，其中該老化傾向評估步驟包含：利用一支援向量機(Support Vector Machine，SVM)來評估該輸入人臉影像之一老化傾向；以及根據該人臉老化傾向來從該偏年輕人臉年齡評估模型、該普通人臉年齡評估模型和該偏老人臉年齡評估模型選擇出該適用人臉年齡評估模型；進行一年齡評估步驟，以利用該適用人臉年齡評估模型之該第一加權強迴歸器和該第二加權強迴歸器來評估該輸入人臉影像之年齡，其中該年齡評估步驟包含：根據人臉之該第一部位和該第二部位之位置來從該輸入人臉影像中切割出一第一部位輸入影像以及一第二部位輸入影像；將該第一部位輸入影像之影像紋理向量化，以獲得一第一輸入向量；將該第二部位輸入影像之影像紋理向量化，以獲得一第二輸入向量；利用該第一加權強迴歸器來將該第一輸入向量分類至一第一預測年齡層；利用該第二加權強迴歸器來將該第二輸入向量分類至一第二預測年齡層；以及 根據該第一預測年齡層和該第二預測年齡層來決定該輸入人臉影像之年齡；其中，每一該些稀疏編碼迴歸步驟包含：重複進行一測試步驟，以獲得複數個年齡預測迴歸器與該些年齡預測迴歸器所對應之複數個測試評估誤差，其中該測試步驟包含：進行一字典樣本選取步驟，以根據一預設資料尺寸來從該些目標樣本影像選取出複數個字典樣本影像；進行一測試樣本選取步驟，以選取剩餘之目標樣本影像來作為複數個測試樣本影像；根據該些字典樣本影像來從該些樣本向量中選取出複數個字典樣本向量；根據該些字典樣本向量來建構一字典；根據該些測試樣本影像來從該些樣本向量中選取出複數個測試樣本向量；以及應用交互驗證(Cross Validation)中的留一法(Leave-One-Person-Out；LOPO)原理來利用該些測試樣本向量和該字典進行一迴歸演算法，以建構出該些年齡預測迴歸器之一者，並計算出該些年齡預測迴歸器之該者之一評估誤差，其中該評估誤差為該些測試評估誤差之一者；以及根據該些測試評估誤差來從該些年齡預測迴歸器選擇出至少一個低誤差迴歸器，其中該至少一低誤差迴歸器所對應之測試評估誤差為該些測試評估誤差中之最低者，而該至少一低誤差迴歸器為每一該些稀疏編碼迴歸步驟所獲得之該些迴歸器之至少一者。
5. 如申請專利範圍第4項所述之年齡評估方法，其中該迴歸演算法為核心線性迴歸演算法。