WO2010125915A1 - 年齢推定装置及び方法並びにプログラム - Google Patents

年齢推定装置及び方法並びにプログラム Download PDF

Info

Publication number
WO2010125915A1
WO2010125915A1 PCT/JP2010/056689 JP2010056689W WO2010125915A1 WO 2010125915 A1 WO2010125915 A1 WO 2010125915A1 JP 2010056689 W JP2010056689 W JP 2010056689W WO 2010125915 A1 WO2010125915 A1 WO 2010125915A1
Authority
WO
WIPO (PCT)
Prior art keywords
age
estimating
error
image data
dimensional
Prior art date
Application number
PCT/JP2010/056689
Other languages
English (en)
French (fr)
Inventor
植木　一也
将 杉山
康行 伊原
Original Assignee
Ｎｅｃソフト株式会社
国立大学法人東京工業大学
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 Ｎｅｃソフト株式会社, 国立大学法人東京工業大学 filed Critical Ｎｅｃソフト株式会社
Priority to CN201080019038.3A priority Critical patent/CN102422324B/zh
Priority to US13/263,057 priority patent/US9036923B2/en
Priority to KR1020117028325A priority patent/KR101342717B1/ko
Publication of WO2010125915A1 publication Critical patent/WO2010125915A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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

Definitions

  • the present invention relates to an apparatus, a method, and a program for estimating a human appearance age.
  • a method is used in which the store clerk estimates the customer's age at the time of accounting and analyzes the customer's age group by registering the estimation result.
  • the methods for mechanically estimating the age of a person based on face image data using a classifier or the like can be broadly classified into two.
  • One is a method of identifying age categories (a method of estimating age as an identification problem) such as children, adults, and elderly people, and is a method of estimating age as a discrete quantity.
  • the other is a method for identifying the age itself, and is a method for estimating the age as a continuous quantity (a method for estimating the age as a regression problem).
  • the distance between categories cannot be changed. For example, the category of teenagers will be kept away from all other ages, but the distance from the 20s and the distance from the 50s are the same. That is, the distance between distant ages cannot be kept away, and the distance between close ages cannot be made closer.
  • Non-Patent Document 1 when age estimation is performed as a regression problem, it is possible to represent continuous ages. Has been.
  • the regression problem can be obtained by solving as a problem that minimizes the difference between the estimated age and the correct age.
  • Specific examples include multiple regression analysis and (Kernel) Ridge Regression, which learn to reduce the average of the square error between the estimated age and the correct answer age, or the average of the absolute value error. .
  • FIG. 9 shows an example of an age estimation apparatus that performs age estimation as a regression problem.
  • the input image data is generally high-dimensional data such as the number of pixels or the number of pixels ⁇ 3 (R, G, B color values). Therefore, the dimension compression unit 61 extracts features from the image data so that age information is emphasized and unnecessary information (such as lighting conditions and face angles) is deleted. For example, techniques such as principal component analysis (PCA), linear discriminant analysis (LDA), and locality preserving projection (LPP) are applied. This process is also referred to as “feature selection” or “dimensional compression”. Based on the extracted features, the classifier 62 estimates the age.
  • PCA principal component analysis
  • LDA linear discriminant analysis
  • LPP locality preserving projection
  • the dimension compression unit 61 and the discriminator 62 In order to estimate the age from the image data by such an age estimation device 60, it is necessary to perform learning for the dimension compression unit 61 and the discriminator 62. That is, a plurality of pieces of image data of a person whose correct answer age (actual age or perceived age) is known is input to the dimension compression unit 61 and evaluated by a technique such as N-division cross validation or single cross validation. Based on the evaluation result, the output of the discriminator 62 is adjusted so that the error (difference from the correct answer) is reduced. For the learning of the discriminator 62, techniques such as linear regression, multiple regression, ridge regression, and neural network are applied. By repeating the same procedure while changing the type and combination of features, the extraction method, etc. (in other words, the dimension compression parameters), parameters and models are selected so as to reduce errors.
  • FIG. 10 shows an example of the result of showing the face image to the evaluator and estimating the age in units of one year.
  • the graph shows the “standard deviation of the estimated age (blurring condition)” when the result of estimating a person with a correct answer age is classified for each year, and the horizontal axis is the correct answer age (true age) of the subject, The vertical axis is the standard deviation of the estimation error.
  • the correct answer age (true age) is an average value of the ages estimated by the evaluator. It can be seen that young people estimate that most of the evaluated people are of similar age because of the small standard deviation.
  • an age estimation apparatus and method capable of obtaining a recognition result close to human senses.
  • the present invention has been made in view of such a problem, and an object thereof is to provide an age estimation apparatus and method capable of obtaining a recognition result close to a result perceived by a human.
  • an age estimation apparatus for estimating the age of a person imaged in image data, wherein the image data is subjected to dimensional compression to obtain low-dimensional data.
  • a dimensional compression means for outputting, an identification means for estimating the age of the person based on the learning result using the feature amount included in the low-dimensional data, parameters when the dimensional compression means performs dimensional compression, and age
  • an age estimation device characterized in that the feature quantity used by the identification means for estimation is set based on the evaluation result of the generalization ability using a weight function that indicates the severity of the age estimation error for each age To do.
  • an age estimation device for estimating the age of a person imaged in image data.
  • Dimension compression means for outputting data, and identification means for estimating the age of a person based on the learning result using the feature amount included in the low-dimensional data, and a weight indicating the seriousness of the estimated age error for each age. It is an object of the present invention to provide an age estimation apparatus characterized by learning of an identification means based on a function.
  • an age estimation method for estimating the age of a person copied in image data.
  • a dimension compression step for outputting data, and an identification step for estimating a person's age based on a learning result using a feature amount included in low-dimensional data, and parameters for performing dimension compression in the dimension compression step;
  • An age estimation method is characterized in that the feature quantity used for age estimation in the identification step is set based on a weighting function indicating the seriousness of the age estimation error for each age.
  • an age estimation method for estimating the age of a person imaged in image data.
  • a dimensional compression step for outputting data, and an identification step for estimating a person's age based on a learning result using a feature amount included in the low-dimensional data, and a classifier that executes the identification step has an estimated age error
  • the age estimation method is characterized in that learning is performed based on a weighting function that indicates the severity of each age.
  • an age estimation program for causing a computer to execute an age estimation process for estimating the age of a person imaged in image data.
  • the computer functions as a dimensional compression unit that performs dimensional compression on the data and outputs low-dimensional data, and an identification unit that estimates the age of the person based on the learning result using the feature amount included in the low-dimensional data.
  • the parameters used when the dimension compression means performs the dimension compression, and the feature quantity used by the identification means for estimating the age, and the evaluation result of the generalization ability using the weighting function indicating the seriousness of the estimated age error for each age An age estimation program characterized by being set based on the above is provided.
  • an age estimation program for causing a computer to execute an age estimation process for estimating the age of a person imaged in image data.
  • the computer functions as a dimensional compression unit that performs dimensional compression on the data and outputs low-dimensional data, and an identification unit that estimates the age of the person based on the learning result using the feature amount included in the low-dimensional data.
  • the present invention provides an age estimation program characterized in that learning of an identification means is executed based on a weight function indicating the seriousness of an estimated age error for each age.
  • an age estimation apparatus, method, and program capable of obtaining a recognition result close to the result perceived by humans.
  • FIG. 1 It is a figure which shows the result of having estimated an estimation error for every true age of test data by the weighted mean square error using the weight function shown in FIG. It is a figure which shows an example of two weight functions from which a weight differs in a low age group and a middle age group. It is a figure which shows an example of the weight function with a small value of the weight around 20 years old. It is a figure which shows an example of the age estimation apparatus which performs estimation of age as a regression problem. It is a figure which shows an example of the result which showed the face image to the evaluator and had the age estimated in units of 1 year.
  • FIG. 1 shows a configuration of an age estimation apparatus according to the present embodiment.
  • the age estimation device 10 includes a dimension compression unit 11 and a discriminator 12.
  • the image data input to the age estimation apparatus 10 is generally high-dimensional data such as the number of pixels or the number of layers ⁇ 3 (R, G, B color values).
  • the dimension compression unit 11 extracts features from the image data so that age information is emphasized and unnecessary information (such as lighting conditions and face angles) is deleted. For example, features are extracted by applying a technique such as PCA, LDA, or LPP.
  • the classifier 12 estimates the age based on the features extracted by the dimension compression unit 11.
  • Dimensional compressing unit 11 and discriminator 12 can be of a general configuration. However, the feature extraction method (dimension compression parameter) and the type of the discriminator 12 in the dimension compression unit 11 are determined based on an evaluation result in consideration of “weight” indicating the seriousness of the estimated age error. . Also, by introducing the concept of weight to the learning content of the discriminator 12, feature extraction is realized so that an estimation result close to a human recognition result can be obtained.
  • n labeled training data (x i , y i ) [x i is an explanatory variable (facial feature (also referred to as a feature vector)), y i is an objective variable (age), i is 1 to n]
  • the regularized least square method for the kernel function is weighted ( Using the kernel regularized weighted least squares method, KRWLS (Kernel Regularized Weighted Least Squares), the age estimation function f (x) is modeled by a linear combination of positive definite kernels k (x, x ′). 1).
  • the discriminator 12 learns the parameters shown in the following formula (2) (a matrix of n rows and one column having ⁇ 1 to ⁇ n as components) so that the following formula (3) is minimized.
  • ⁇ (> 0) is a regularization parameter introduced to prevent overconformity
  • the second term of equation (3) is a correction term for preventing overconformity.
  • the weight function w (y) is a function representing the seriousness of the estimated age error for each age, and the larger the value (weight) of w (y) is, the more serious the estimated age error is.
  • w (y) a function that takes the value of the standard deviation in FIG. 10 is used as w (y). That is, the weight function shown in FIG. 2A is used for women, and the weight function shown in FIG. 2B is used for men.
  • test data The age of m pieces of test data is predicted using the optimum solution thus obtained as a parameter.
  • test data and its true age are expressed as follows.
  • WMSE Weighted Mean Square Error
  • the learning data and the test data are used to perform N-division cross-validation, one-off cross-validation, etc. Based on the WMSE of (5), the test data that achieves the highest accuracy (the one with the smallest error) is selected.
  • the number of labeled training data n is 2000
  • the number of test data m is 1500
  • Is assumed to be the center of the kernel function and a Gaussian kernel represented by the following equation (6) is used as the kernel function.
  • the kernel width ⁇ and the regularization parameter ⁇ are determined so that the test error is minimized.
  • Fig. 3 shows a comparison of recognition accuracy between the kernel regularized least squares (KRLS) without weights and KRWLS using the weight function shown in Fig. 2.
  • “No weight” in FIG. 3 is a value of WMSE when learning is performed by setting the value of w (y) to a constant value (here, 1) in the above formula (1). This is the WMSE when learning is performed using the value of w (y) in the above equation (1) as the value shown in FIG.
  • the value of the WMSE is smaller in the KRWLS than in the KRLS.
  • FIG. 4 shows a result of evaluating the estimation error for each true age of the test data in order to show how the learning result changes by applying the weight.
  • FIG. 4 (a) shows the evaluation results for women
  • FIG. 4 (b) shows the evaluation results for men.
  • the absolute value error (MAE: Mean Absolute Error) without weighting the estimated age is plotted on the vertical axis.
  • the estimated age MAE is calculated by the following equation (7).
  • the estimated age MAE represents how far the estimated age is on average from the true age.
  • the “unweighted” MAE below 10 years (horizontal axis “ ⁇ 9”) is Since it is 4.5, the test data of a woman whose true age is less than 10 years is estimated to be an average of 4.5 years away from the true age on average.
  • weighting reduces MAE in a low-age group in which both men and women are sensitive to errors. Therefore, it can be confirmed that data that humans are sensitive to errors can be classified with higher accuracy.
  • the age estimation device Since the feature extraction method and the discriminator are selected so that the age estimation device according to the present embodiment outputs an age that is close to the human perceived age, an estimation result that is close to the human sense can be output. Further, since the age is estimated by a discriminator that has been learned close to human senses, it is possible to estimate an age close to the perceived age. Although an example has been described here in which weights are considered for both the feature extraction method and classifier selection and classifier learning, the age estimation error can be reduced by performing only one of them.
  • the age estimation apparatus has the same configuration as that of the first embodiment, and includes a dimension compression unit 11 and a discriminator 12.
  • a general configuration can be applied to the dimension compression unit 11 and the classifier 12.
  • learning of the classifier 12 is performed using the concept of weight, and the feature extraction method in the dimension compression unit 11 and the type of the classifier 12 are determined using an evaluation result taking the weight into consideration.
  • a weight function based on actually measured data is used.
  • an artificially created weight function is applied to the above equations (3) to (5). The point is different.
  • FIG. 5 shows an example of a weight function in which the error recognition sensitivity in the low age group and the high age group is artificially increased (the weight value is decreased in the low age group and the high age group).
  • the same weight function is applied to both men and women.
  • FIG. 6 shows the result of evaluating the estimation error for each true age of the test data by WMSE using the weight function shown in FIG.
  • FIG. 6A shows the evaluation result of the female
  • FIG. 6B shows the evaluation result of the male.
  • the MAE value tends to decrease as the weight decreases. That is, in FIG. 5, the MAE is reduced in the low-age group and the high-age group having a small weight, whereas the MAE is increased in the middle age group having a large weight in FIG.
  • the denominator in ⁇ in the above equation (5) becomes smaller, so the value of WMSE becomes larger.
  • a large value of WMSE is nothing but an evaluation of the seriousness of the estimated age error at that age. Therefore, when it is sufficient to reduce the estimation error in a specific age, a weight function is set so that the weight value becomes smaller in that age, and the feature extraction method in the dimension compression unit 11 based on the WMSE having a large value.
  • the estimation error in a desired age can be reduced.
  • the age estimation apparatus 10 has the same configuration as that of the first and second embodiments, and includes a dimension compression unit 11 and a discriminator 12.
  • a general configuration can be applied to the dimension compressing unit 11 and the discriminator 12.
  • learning of the classifier 12 is performed using the concept of weight, and the feature extraction method in the dimension compression unit 11 and the type of the classifier 12 are determined using the evaluation result taking the weight into consideration.
  • This is the same as in the first and second embodiments.
  • only one weight function is used, but in this embodiment, a plurality of weight functions are used.
  • the test data can be roughly classified into several age groups in advance, by evaluating the generalization ability separately so that the estimation error is reduced for each age group, It is considered that the estimation error can be reduced.
  • the feature extraction method in the dimension compression unit 11, the determination of the type of the discriminator 12, and the learning in the discriminator 12 are performed based on different weight functions for a plurality of age groups.
  • the test value for the low age group has a small weight value in the low age group and the weight value in the middle age group.
  • Evaluation of generalization ability and learning by the classifier 12 are performed using a weight function having a large value (FIG. 7A).
  • the weight value is larger in the lower age group.
  • test data is divided into three or more age groups, and the feature extraction method in the dimension compression unit 11, the determination of the type of the classifier 12 and the learning in the classifier 12 are based on different weight functions for each age group.
  • the feature extraction method in the dimension compression unit 11 the determination of the type of the classifier 12 and the learning in the classifier 12 are based on different weight functions for each age group.
  • each of the above embodiments is an example of a preferred embodiment of the present invention, and the present invention is not limited to this.
  • the present invention is not limited to this.
  • FIG. 8 by setting a weighting function that reduces the weight around 20 years of age, the degree of separation around 20 years can be increased and the recognition rate can be improved.
  • a weight function By using such a weight function, it is possible to improve the discrimination accuracy between an adult and a minor.
  • the present invention can be variously modified.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

　人間が知覚する結果に近い認識結果を得られる年齢推定装置及び方法並びにプログラムを提供する。　画像データに写された人物の年齢を推定する年齢推定装置１０であって、画像データに対して次元圧縮を施して低次元データを出力する次元圧縮部１１と、低次元データに含まれる特徴量を用いて人物の年齢を学習結果を基に推定する識別器１２とを有し、次元圧縮部１１での次元圧縮のパラメータと、年齢の推定に識別器１２が用いる特徴量とが、年齢推定誤差の深刻度を年齢ごとに示す重み関数を用いた汎化能力の評価結果に基づいて設定され、重み関数に基づいて識別器１２の学習がなされる。

Description

年齢推定装置及び方法並びにプログラム
　本発明は、人間の見た目年齢を推定する装置及び方法並びにプログラムに関する。
　店舗等におけるマーケティングでは、来店する客の年齢層を分析し、それに基づいて仕入れる商品の種類や数量を変更している。
　例えば、コンビニエンスストアなどにおいては、会計の際に店員が客の年代を推定し、推定結果を登録することによって来店する客の年齢層を分析する手法がとられている。
　しかし、人手による年齢推定の結果には、推定する者の主観が多分に含まれるため、客観性に乏しい。このため、識別器等を用いて顔画像データを基に機械的に人間の年齢を推定することが求められている。
　識別器等を用いて顔画像データを基に機械的に人間の年齢を推定する手法は、二つに大別できる。一つは、子供、大人、お年寄りなどのように、年齢のカテゴリを識別する手法（年齢の推定を識別問題として行う手法）であり、年齢を離散量として推定する方法である。もう一つは、年齢そのものを識別する手法であり、年齢を連続量として推定する（年齢の推定を回帰問題として行う手法）方法である。
　特許文献１に開示される発明のような年齢のカテゴリを識別する手法においては、例えば１０歳刻みのように細分化して識別することも試みられている。しかし、年齢の問題を識別問題として解く場合、
　・離したいデータ同士を近づけ、近づけたいデータ同士を離してしまう
　・連続した年齢の関係を表現できない
　と言う問題があり、これらの問題は年齢認識の精度を落とす原因となっている。
　例えば、線形判別分析で１０歳刻みの年齢識別を行う際に、１０～１９歳、２０～２９歳というカテゴリを設けた場合には、１歳差の１９歳と２０歳とを分離しようとし、９歳差の１０歳と１９歳とを近づけようとするという矛盾が現れる。
　また、あるカテゴリを他のカテゴリと遠ざけようとするものの、カテゴリ間の距離を変えることはできない。例えば、１０代のカテゴリは他の全ての年代から遠ざけられることとなるが、２０代との距離も、５０代との距離も同じである。すなわち、遠い年代同士の距離を遠ざけたり、近い年代同士の距離を近づけたりすることはできない。
　一方、非特許文献１のように、年齢の推定を回帰問題として行う場合は、連続している年齢を表現できるため、識別問題と比べて矛盾が少なく、精度良く年齢を認識できることが実験によって証明されている。
　回帰問題は、推定年齢と正解年齢との差を最小化する問題として解くことで求めることができる。その具体的な例としては、重回帰分析や（Kernel）Ridge Regressionが挙げられるが、これらは推定年齢と正解年齢との二乗誤差の平均、あるいは絶対値誤差の平均を小さくするように学習を行う。
　図９に、年齢の推定を回帰問題として行う年齢推定装置の一例を示す。入力される画像データは、一般的に画素数又は画素数×３（Ｒ，Ｇ，Ｂの色の値）等の高次元のデータである。よって、次元圧縮部６１においては、年齢の情報が強調され、不要な情報（照明条件や顔角度など）が削除されるように画像データから特徴を抽出する。例えば、主成分分析（ＰＣＡ：Principal　Component　Analysis）、線形判別分析（ＬＤＡ：Linear　Discriminant　Analysis）、局所性保存射影法（ＬＰＰ：Locality　Preserving　Projection）などの手法が適用される。この処理は、「特徴選択」や「次元圧縮」などとも称される。
　そして、抽出した特徴に基づいて、識別器６２が年齢を推定する。
　このような年齢推定装置６０によって画像データから年齢を推定するためには、次元圧縮部６１及び識別器６２に対する学習を行う必要がある。
　すなわち、正解年齢（実年齢又は知覚年齢）の分かっている人物の画像データを複数個、次元圧縮部６１に入力し、Ｎ分割交差検定や一つ抜き交差検定などの手法で評価する。この評価結果に基づいてエラー（正解との差）が少なくなるように識別器６２の出力を調整する。識別器６２の学習には線形回帰や重回帰、Ridge Regression、ニューラルネットワークなどの手法が適用される。
　同様の手順を、特徴の種類や組み合わせ、抽出方法などを（換言すると、次元圧縮のパラメータを）変化させて繰り返すことによって、エラーが小さくなるようにパラメータやモデルを選択する。
特開２００５－１４８８８０号公報
Y.Fu,Y.Xu, and　T.S.Huang. Estimating human age by manifold analysis of facepictures and　regression on aging features ,"Proceedings of the IEEEMultimedia and　Expo, pp.1383-1386,2007.
　しかし、年齢間の距離は対象となる年齢によって異なるため、推定年齢と正解年齢の二乗誤差や絶対値誤差を用いることは年齢認識の精度を落とす原因となる。
　例えば、正解年齢と認識年齢との間に１０歳の差（エラー）があった場合でも、５歳を１５歳と間違えた場合と、３５歳を４５歳と間違えた場合とではエラーの深刻度が異なるべきである。すなわち、同じ１０歳違いのエラーであっても、５歳を１５歳と間違うことは幼稚園児を中学生又は高校生と間違うことであるため、人間の感覚としては非常に深刻なエラーである。一方、３５歳の人間と４５歳の人間とでは、顔の特徴は非常に似ているため、実際に人が見ても判別できないことも多く、これらを間違えることは、５歳を１５歳と間違えることと比較すると、それほど深刻なエラーではない。
　人間は、成長期などの若年期には外観が急激に変化し、大人になった後ではその変化は緩やかになる。したがって、同じ年齢差のエラーであっても、同じ指標で評価するのは問題である。
　図１０に、評価者に顔画像を見せ、１歳単位で年齢を推定してもらった結果の一例を示す。グラフは、ある正解年齢の人物を推定した結果を１歳ごとに分類した場合の「推定年齢の標準偏差（ぶれ具合）」を示しており、横軸は被験者の正解年齢（真の年齢）、縦軸はその推定誤差の標準偏差である。ここで、正解年齢（真の年齢）は、評価者が推定した年齢の平均値である。若年層は標準偏差が小さいため、評価した人のほとんどが同じような年齢であると推定していることがわかる。
　よって、年齢推定装置において若年層のデータを誤って大人と認識してしまうと、人間が知覚する結果と大きく異なってしまう。
　このように、人間の感覚に近い認識結果を得ることのできる年齢推定装置、方法は提供されていなかった。
　本発明は係る問題に鑑みてなされたものであり、人間が知覚する結果に近い認識結果を得られる年齢推定装置及び方法を提供することを目的とする。
　上記目的を達成するため、本発明は、第１の態様として、画像データに写された人物の年齢を推定する年齢推定装置であって、画像データに対して次元圧縮を施して低次元データを出力する次元圧縮手段と、低次元データに含まれる特徴量を用いて人物の年齢を学習結果を基に推定する識別手段とを有し、次元圧縮手段が次元圧縮を行う際のパラメータと、年齢の推定に識別手段が用いる特徴量とが、年齢推定誤差の深刻度を年齢ごとに示す重み関数を用いた汎化能力の評価結果に基づいて設定されたことを特徴とする年齢推定装置を提供するものである。
　また、上記目的を達成するため、本発明は、第２の態様として、画像データに写された人物の年齢を推定する年齢推定装置であって、画像データに対して次元圧縮を施して低次元データを出力する次元圧縮手段と、低次元データに含まれる特徴量を用いて人物の年齢を学習結果を基に推定する識別手段とを有し、推定年齢誤差の深刻度を年齢ごとに示す重み関数に基づいて識別手段の学習がなされたことを特徴とする年齢推定装置を提供するものである。
　また、上記目的を達成するため、本発明は、第３の態様として、画像データに写された人物の年齢を推定する年齢推定方法であって、画像データに対して次元圧縮を施して低次元データを出力する次元圧縮工程と、低次元データに含まれる特徴量を用いて人物の年齢を学習結果を基に推定する識別工程とを有し、次元圧縮工程において次元圧縮を行う際のパラメータと、識別工程での年齢の推定に用いる特徴量とを、年齢推定誤差の深刻度を年齢ごとに示す重み関数に基づいて設定することを特徴とする年齢推定方法を提供するものである。
　また、上記目的を達成するため、本発明は、第４の態様として、画像データに写された人物の年齢を推定する年齢推定方法であって、画像データに対して次元圧縮を施して低次元データを出力する次元圧縮工程と、低次元データに含まれる特徴量を用いて人物の年齢を学習結果を基に推定する識別工程とを有し、識別工程を実行する識別器を、推定年齢誤差の深刻度を年齢ごとに示す重み関数に基づいて学習させることを特徴とする年齢推定方法を提供するものである。
　また、上記目的を達成するため、本発明は、第５の態様として、画像データに写された人物の年齢を推定する年齢推定処理をコンピュータに実行させる年齢推定プログラムであって、コンピュータを、画像データに対して次元圧縮を施して低次元データを出力する次元圧縮手段、及び低次元データに含まれる特徴量を用いて人物の年齢を学習結果を基に推定する識別手段として機能させ、コンピュータに、次元圧縮手段が次元圧縮を行う際のパラメータと、年齢の推定に識別手段が用いる特徴量とを、推定年齢誤差の深刻度を年齢ごとに示す重み関数を用いた汎化能力の評価結果に基づいて設定させることを特徴とする年齢推定プログラムを提供するものである。
　また、上記目的を達成するため、本発明は、第６の態様として、画像データに写された人物の年齢を推定する年齢推定処理をコンピュータに実行させる年齢推定プログラムであって、コンピュータを、画像データに対して次元圧縮を施して低次元データを出力する次元圧縮手段、及び低次元データに含まれる特徴量を用いて人物の年齢を学習結果を基に推定する識別手段として機能させ、コンピュータに、推定年齢誤差の深刻度を年齢ごとに示す重み関数に基づいて識別手段の学習を実行させることを特徴とする年齢推定プログラムを提供するものである。
　本発明によれば、人間が知覚する結果に近い認識結果を得られる年齢推定装置及び方法並びにプログラムを提供できる。
本発明を好適に実施した第１の実施形態に係る年齢推定装置の構成を示す図である。 推定年齢誤差の標準偏差に基づいた重み関数の一例を示す図である。 重み無しのカーネル正則化最小二乗法とカーネル正則化重み付き最小二乗法との認識精度の比較結果を示す図である。 推定誤差をテストデータの真の年齢ごとに評価した結果を示す図である。 低年齢層及び高年齢層での誤差認識感度を人為的に強くした重み関数の一例を示す図である。 図５に示した重み関数を用いた重み付き平均二乗誤差によって推定誤差をテストデータの真の年齢ごとに評価した結果を示す図である。 低年齢層と中高年齢層とで重みが異なる二つの重み関数の一例を示す図である。 ２０歳前後で重みの値が小さい重み関数の一例を示す図である。 年齢の推定を回帰問題として行う年齢推定装置の一例を示す図である。 評価者に顔画像を見せ、１歳単位で年齢を推定してもらった結果の一例を示す図である。
　〔第１の実施形態〕
　本発明を好適に実施した第１の実施形態について説明する。
　図１に、本実施形態にかかる年齢推定装置の構成を示す。年齢推定装置１０は、次元圧縮部１１と識別器１２とを有する。年齢推定装置１０に入力される画像データは、一般的に画素数又は画層数×３（Ｒ，Ｇ，Ｂの色の値）等の高次元のデータである。次元圧縮部１１は、年齢の情報が強調され、不要な情報（照明条件や顔角度など）が削除されるように画像データから特徴を抽出する。例えば、ＰＣＡ、ＬＤＡ、ＬＰＰなどの手法を適用して特徴を抽出する。識別器１２は、次元圧縮部１１が抽出した特徴に基づいて年齢を推定する。
　次元圧縮部１１及び識別器１２は、一般的な構成のものを適用可能である。ただし、次元圧縮部１１における特徴抽出方法（次元圧縮を行う際のパラメータ）や識別器１２の種類は、推定年齢誤差の深刻度を示す「重み」を考慮した評価結果に基づいて決定されている。また、識別器１２の学習内容に重みの概念を導入することにより、人の認識結果に近い推定結果が得られるような特徴抽出を実現している。
　ｎ個のラベル付き訓練データ（ｘi，ｙi）［ｘiは説明変数（顔特徴〈特徴ベクトルとも言う〉）、ｙiは目的変数（年齢）、ｉは１～ｎ］が与えられた下で、特徴ベクトルｘの抽出元であるテストデータの真の年齢ｙ*をｙ*＝ｆ（ｘ）で予測する教師付き回帰問題において、カーネル関数に対する正則化最小二乗法に重みを付ける手法（カーネル正則化重み付き最小二乗法、ＫＲＷＬＳ：Kernel Regularized Weighted Least Squares）を用いて、年齢推定関数ｆ（ｘ）を正定値カーネルｋ（ｘ，ｘ’）の線形結合でモデル化すると、下記式（１）で表される。
Figure JPOXMLDOC01-appb-M000001
　訓練データ数ｎが大きい場合には、全てのカーネル関数ｋ（ｘi，ｘ）［ｉは１～ｎ］ではなくその部分集合を用いても良い。識別器１２では、下記式（２）に示すパラメータ（α１～αｎを成分とするｎ行１列の行列）を下記式（３）が最小になるように学習する。
Figure JPOXMLDOC01-appb-M000002
　上記式（３）におけるλ（＞０）は、過適合を防ぐために導入した正則化パラメータであり、式（３）の第２項は過適合を防止するための補正項である。重み関数ｗ（ｙ）は、年齢ごとの推定年齢誤差の深刻度を表す関数であり、ｗ（ｙ）の値（重み）が大きいほど、推定年齢誤差が深刻であることを示している。本実施形態においては、図１０の標準偏差の値をとる関数をｗ（ｙ）として用いる。すなわち、女性には、図２（ａ）に示す重み関数を、男性には図２（ｂ）に示す重み関数を用いる。
　上記式（３）における最適解は下記式（４）で与えられる。
Figure JPOXMLDOC01-appb-M000003
　訓練データ数ｎが大きい場合は、上記式（４）のかっこの部分の計算が困難であるため、用いるカーネル関数の数を減らすか、又は、勾配法による数値的な計算によって最適解を求めれば良い。
　こうして得られた最適解をパラメータとして用いて、ｍ個のテストデータの年齢を予測する。
　ここで、テストデータ及びその真の年齢を次のように表す。
Figure JPOXMLDOC01-appb-M000004
　汎化能力の評価は、重み付き平均二乗誤差（ＷＭＳＥ：Weighted Mean Square Error）に基づいて下記式（５）のように行う。
Figure JPOXMLDOC01-appb-M000005
　次元圧縮部１１における特徴抽出方法の決定、識別器１２の種類を決定する際には、学習データとテストデータとを用いてＮ分割交差検定や一つ抜き交差検定などを実施して、上記式（５）のＷＭＳＥに基づいて評価し、テストデータの中で最高の精度を実現するもの（エラーが最も小さいもの）を選ぶ。
　ここで、ラベル付き訓練データ数ｎを２０００、テストデータ数ｍを１５００、それぞれの年代から均等に選んだラベル付き訓練データから、各年代のデータ数が均等になるようにランダムに選んだ２００点をカーネル関数の中心とし、カーネル関数には下記式（６）に示すガウスカーネルを用いた場合を考える。カーネル幅σと正則化パラメータλとは、テスト誤差が最小となるように決定する。
Figure JPOXMLDOC01-appb-M000006
　重みなしのカーネル正則化最小二乗法（ＫＲＬＳ：Kernel　Regularized　Least　Squares）と図２の重み関数を用いた場合のＫＲＷＬＳとの認識精度の比較結果を図３に示す。図３における「重みなし」とは、上記式（１）においてｗ（ｙ）の値を一定値（ここでは１）にして学習を行った場合のＷＭＳＥの値であり、「重みあり」とは上記式（１）においてｗ（ｙ）の値を図２に示す値として学習を行った場合のＷＭＳＥである。図３から明らかなように、上記式（５）のＷＭＳＥで汎化能力を評価する場合には、ＷＭＳＥの値はＫＲＷＬＳの方がＫＲＬＳよりも小さくなる。
　重みを付けることによって、どのように学習結果が変化するかを示すために、推定誤差をテストデータの真の年齢ごとに評価した結果を図４に示す。図４（ａ）は女性の評価結果、図４（ｂ）は男性の評価結果である。図４においては、推定年齢の重みを付けていない絶対値誤差（ＭＡＥ：Mean Absolute Error）を縦軸にとっている。なお、推定年齢のＭＡＥは、下記式（７）によって算出される。
Figure JPOXMLDOC01-appb-M000007
　推定年齢のＭＡＥは、推定年齢が真の年齢と平均するとどれだけ離れているかを表しており、図４（ａ）では１０歳未満（横軸“－９”）の「重みなし」のＭＡＥは４．５であるから、真の年齢が１０歳未満の女性のテストデータは平均的には真の年齢から４．５歳離れた年齢に推定されることを表している。図４（ａ）、（ｂ）から分かるように、重みを付けることによって男女ともに人間が誤差に敏感な低年齢層でのＭＡＥが低減されている。したがって、人間が敏感に誤差を感じるデータをより精度良く分類できることが確認できる。
　このように、ＷＭＳＥを評価基準として用いることで、人間の知覚年齢に近い年齢を出力するような特徴抽出方法、識別器を選択できる。
　本実施形態に係る年齢推定装置は、人間の知覚年齢に近い年齢を出力するように特徴抽出方法や識別器が選択されているため、人間の感覚に近い推定結果を出力できる。
　また、人間の感覚に近い学習がなされた識別器によって年齢を推定するため、知覚年齢に近い年齢を推定できる。
　なお、ここでは特徴抽出方法や識別器の選択と識別器の学習との両方について重みを考慮する場合を例としたが、どちらか一方のみを行っても年齢推定誤差を低減できる。
　〔第２の実施形態〕
　本発明を好適に実施した第２の実施形態について説明する。本実施形態に係る年齢推定装置は、第１の実施形態と同様の構成であり、次元圧縮部１１及び識別器１２を有する。
　第１の実施形態と同様に、次元圧縮部１１及び識別器１２には、一般的な構成のものを適用可能である。また、重みの概念を用いて識別器１２の学習を行うことや、重みを考慮に入れた評価結果を用いて次元圧縮部１１における特徴抽出方法や識別器１２の種類が決定されていることも第１の実施形態と同様である。
　ただし、第１の実施形態では実測データを基にした重み関数を用いていたのに対し、本実施形態においては人為的に作成した重み関数を、上記式（３）～（５）に適用する点が相違する。
　図５に、低年齢層及び高年齢層での誤差認識感度を人為的に強くした（低年齢層及び高年齢層で重みの値が小さくなるようにした）重み関数の一例を示す。本実施形態においては、男女ともに同じ重み関数を適用する。また、図６に、図５に示した重み関数を用いたＷＭＳＥによって推定誤差をテストデータの真の年齢ごとに評価した結果を示す。図６（ａ）は女性の評価結果であり、図６（ｂ）は男性の評価結果である。これらの図から明らかなように、男女ともに重みの大きさとＭＡＥの値とには相関関係があり、重みが小さいほどＭＡＥの値が小さくなる傾向にあることが分かる。すなわち、図５において重みが小さい低年齢層及び高年齢層ではＭＡＥが低減される一方で、図５において重みが大きい中間の年齢層ではＭＡＥが増大している。
　任意の年齢に関して、重みを小さくすると上記式（５）のΣ内の分母は小さくなるから、ＷＭＳＥの値は大きくなる。ＷＭＳＥの値が大きいということは、その年齢における推定年齢誤差の深刻度を高く評価することに他ならない。従って、特定の年代での推定誤差を小さくすれば良い場合には、その年代で重みの値が小さくなるように重み関数を設定し、値が大きいＷＭＳＥに基づいて次元圧縮部１１における特徴抽出方法や識別器１２の種類を決定することで、所望の年代での推定誤差を小さくできる。
　この他については第１の実施形態と同様であるため、重複する説明は割愛する。
　〔第３の実施形態〕
　本発明を好適に実施した第３の実施形態について説明する。本実施形態に係る年齢推定装置１０は、第１、第２の実施形態と同様の構成であり、次元圧縮部１１及び識別器１２を有する。
　第１、第２の実施形態と同様に、次元圧縮部１１及び識別器１２には、一般的な構成のものを適用可能である。また、重みの概念を用いて識別器１２の学習を行うことや、重みを考慮に入れた評価結果を用いて次元圧縮部１１における特徴抽出方法や識別器１２の種類が決定されていることも第１、第２の実施形態と同様である。
　ただし、第２の実施形態では重み関数を一つだけ用いていたのに対し、本実施形態においては複数の重み関数を用いる点が相違する。
　上記第２の実施形態において説明したように、ある年代の重みが他の年代と比べて小さくなるような重み関数を用いることにより、その年代のＭＡＥを小さくし、年齢推定の精度を高めることができる。
　したがって、テストデータを予めいくつかの年齢層に大雑把に分類することができれば、それぞれの年齢層に対して推定誤差が小さくなるように別々に汎化能力を評価することで、全ての年齢層での推定誤差を小さくできると考えられる。本実施形態においては、次元圧縮部１１での特徴抽出方法や識別器１２の種類の決定、及び識別器１２での学習を、複数の年齢層ごとに異なる重み関数に基づいて行う。
　具体例を挙げると、テストデータが低年齢層と中高年齢層とに分類されている場合には、低年齢層のテストデータに関しては、低年齢層では重みの値が小さく中高年齢層では重みの値が大きい重み関数（図７（ａ））を用いて汎化能力の評価や識別器１２での学習を行い、中高年齢層のテストデータに関しては、低年齢層では重みの値が大きく中高年齢層では重みの値が小さい重み関数（図７（ｂ））を用いて汎化能力の評価や識別器１２での学習を行い、それぞれの結果を統合すれば、全年齢層で推定誤差を小さくできる。
　なお、テストデータを三つ以上の年齢層に分け、次元圧縮部１１での特徴抽出方法や識別器１２の種類の決定、及び識別器１２での学習を各年齢層で異なる重み関数に基づいて行う場合も、テストデータを二つの年齢層に分ける上記の例と同様である。
　この他については上記第１、第２の実施形態と同様であるため、重複する説明は割愛する。
　なお、上記各実施形態は本発明の好適な実施の一例であり、本発明はこれに限定されることはない。
　例えば、図８に示すように、２０歳近辺の重みが小さくなるような重み関数を設定することにより、２０歳近辺の分離度を上げて認識率を向上させることができる。このような重み関数を用いることにより、成年と未成年との識別精度を高めることができる。
　このように、本発明は様々な変形が可能である。
　以上、実施形態を参照して本願発明を説明したが、本願発明は、上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解しうる様々な変更をすることができる。
　この出願は、２００９年４月２８日に出願された日本出願特願２００９－１０９６１３を基礎とする優先権を主張し、その開示の全てをここに取り込む。
　１０　　年齢推定装置
　１１　　次元圧縮部
　１２　　識別器

Claims (21)

  1. 　画像データに写された人物の年齢を推定する年齢推定装置であって、
    　前記画像データに対して次元圧縮を施して低次元データを出力する次元圧縮手段と、前記低次元データに含まれる特徴量を用いて人物の年齢を学習結果を基に推定する識別手段とを有し、
    　前記次元圧縮手段が次元圧縮を行う際のパラメータと、前記年齢の推定に前記識別手段が用いる特徴量とが、推定年齢誤差の深刻度を年齢ごとに示す重み関数を用いた汎化能力の評価結果に基づいて設定されたことを特徴とする年齢推定装置。
  2. 　前記汎化能力の評価が、重み付き平均二乗誤差に基づいて行われたことを特徴とする請求の範囲１記載の年齢推定装置。
  3. 　前記重み関数に基づいて前記識別手段の学習がなされたことを特徴とする請求の範囲１又は２記載の年齢推定装置。
  4. 　画像データに写された人物の年齢を推定する年齢推定装置であって、
    　前記画像データに対して次元圧縮を施して低次元データを出力する次元圧縮手段と、前記低次元データに含まれる特徴量を用いて人物の年齢を学習結果を基に推定する識別手段とを有し、
    　推定年齢誤差の深刻度を年齢ごとに示す重み関数に基づいて前記識別手段の学習がなされたことを特徴とする年齢推定装置。
  5. 　前記重み関数が、知覚年齢ごとの標準偏差に基づいて定義されたことを特徴とする請求の範囲１から４のいずれか１項記載の年齢推定装置。
  6. 　前記重み関数は、値が小さいほど推定年齢誤差が深刻であることを示し、推定年齢誤差を小さくする年齢層において重みの値が小さくなるように定義されたことを特徴とする請求の範囲１から４のいずれか１項記載の年齢推定装置。
  7. 　前記重み関数が、複数の年齢層の各々について個別に定義されたことを特徴とする請求の範囲６記載の年齢推定装置。
  8. 　画像データに写された人物の年齢を推定する年齢推定方法であって、
    　前記画像データに対して次元圧縮を施して低次元データを出力する次元圧縮工程と、
    　前記低次元データに含まれる特徴量を用いて人物の年齢を学習結果を基に推定する識別工程とを有し、
    　前記次元圧縮工程において次元圧縮を行う際のパラメータと、前記識別工程での前記年齢の推定に用いる特徴量とを、推定年齢誤差の深刻度を年齢ごとに示す重み関数に基づいて設定することを特徴とする年齢推定方法。
  9. 　前記汎化能力の評価を、重み付き平均二乗誤差に基づいて行うことを特徴とする請求の範囲８記載の年齢推定方法。
  10. 　前記識別工程を実行する識別器を、前記重み関数に基づいて学習させることを特徴とする請求の範囲８又は９記載の年齢推定方法。
  11. 　画像データに写された人物の年齢を推定する年齢推定方法であって、
    　前記画像データに対して次元圧縮を施して低次元データを出力する次元圧縮工程と、
    　前記低次元データに含まれる特徴量を用いて人物の年齢を学習結果を基に推定する識別工程とを有し、
    　前記識別工程を実行する識別器を、推定年齢誤差の深刻度を年齢ごとに示す重み関数に基づいて学習させることを特徴とする年齢推定方法。
  12. 　前記重み関数を、知覚年齢ごとの標準偏差に基づいて定義することを特徴とする請求の範囲８から１１のいずれか１項記載の年齢推定方法。
  13. 　前記重み関数を値が小さいほど推定年齢誤差が深刻であることを示す関数とし、該重み関数を推定年齢誤差を小さくする年齢層において重みの値が小さくなるように定義することを特徴とする請求の範囲８から１１のいずれか１項記載の年齢推定方法。
  14. 　前記重み関数を、複数の年齢層の各々について個別に定義することを特徴とする請求の範囲１３記載の年齢推定方法。
  15. 　画像データに写された人物の年齢を推定する年齢推定処理をコンピュータに実行させる年齢推定プログラムであって、
    　前記コンピュータを、前記画像データに対して次元圧縮を施して低次元データを出力する次元圧縮手段、及び前記低次元データに含まれる特徴量を用いて人物の年齢を学習結果を基に推定する識別手段として機能させ、
    　前記コンピュータに、前記次元圧縮手段が次元圧縮を行う際のパラメータと、前記年齢の推定に前記識別手段が用いる特徴量とを、推定年齢誤差の深刻度を年齢ごとに示す重み関数を用いた汎化能力の評価結果に基づいて設定させることを特徴とする年齢推定プログラム。
  16. 　前記コンピュータに、前記汎化能力の評価を、重み付き平均二乗誤差に基づいて行わせることを特徴とする請求の範囲１５記載の年齢推定プログラム。
  17. 　前記コンピュータに、前記重み関数に基づいて前記識別手段の学習を行わせることを特徴とする請求の範囲１５又は１６記載の年齢推定プログラム。
  18. 　画像データに写された人物の年齢を推定する年齢推定処理をコンピュータに実行させる年齢推定プログラムであって、
    　前記コンピュータを、前記画像データに対して次元圧縮を施して低次元データを出力する次元圧縮手段、及び前記低次元データに含まれる特徴量を用いて人物の年齢を学習結果を基に推定する識別手段として機能させ、
    　前記コンピュータに、推定年齢誤差の深刻度を年齢ごとに示す重み関数に基づいて前記識別手段の学習を実行させることを特徴とする年齢推定プログラム。
  19. 　前記コンピュータに、前記重み関数を、知覚年齢ごとの標準偏差に基づいて定義させることを特徴とする請求の範囲１５から１８のいずれか１項記載の年齢推定プログラム。
  20. 　前記コンピュータに、前記重み関数を、値が小さいほど推定年齢誤差が深刻であることを示し、推定年齢誤差を小さくする年齢層において重みの値が小さくなるように定義させることを特徴とする請求の範囲１５から１８のいずれか１項記載の年齢推定プログラム。
  21. 　前記コンピュータに、前記重み関数を、複数の年齢層の各々について個別に定義させることを特徴とする請求の範囲２０記載の年齢推定プログラム。
PCT/JP2010/056689 2009-04-28 2010-04-14 年齢推定装置及び方法並びにプログラム WO2010125915A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201080019038.3A CN102422324B (zh) 2009-04-28 2010-04-14 年龄估计设备和方法
US13/263,057 US9036923B2 (en) 2009-04-28 2010-04-14 Age estimation apparatus, age estimation method, and age estimation program
KR1020117028325A KR101342717B1 (ko) 2009-04-28 2010-04-14 연령 추정 장치, 연령 추정 방법 및 연령 추정 프로그램을 저장한 컴퓨터 판독가능 기록 매체

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2009-109613 2009-04-28
JP2009109613A JP4742192B2 (ja) 2009-04-28 2009-04-28 年齢推定装置及び方法並びにプログラム

Publications (1)

Publication Number Publication Date
WO2010125915A1 true WO2010125915A1 (ja) 2010-11-04

Family

ID=43032068

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2010/056689 WO2010125915A1 (ja) 2009-04-28 2010-04-14 年齢推定装置及び方法並びにプログラム

Country Status (5)

Country Link
US (1) US9036923B2 (ja)
JP (1) JP4742192B2 (ja)
KR (1) KR101342717B1 (ja)
CN (1) CN102422324B (ja)
WO (1) WO2010125915A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678269A (zh) * 2016-01-11 2016-06-15 华侨大学 一种基于动态区间的人脸年龄估计方法
CN109034078A (zh) * 2018-08-01 2018-12-18 腾讯科技（深圳）有限公司 年龄识别模型的训练方法、年龄识别方法及相关设备
WO2020082829A1 (zh) * 2018-10-24 2020-04-30 阿里巴巴集团控股有限公司 一种用户年龄预测方法、装置及设备

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101640755B1 (ko) * 2014-06-23 2016-07-20 경북대학교 산학협력단 사용자 접근 제어 시스템 및 그 방법
US10268876B2 (en) 2014-07-17 2019-04-23 Nec Solution Innovators, Ltd. Attribute factor analysis method, device, and program
JP6484449B2 (ja) * 2015-01-28 2019-03-13 一般財団法人電力中央研究所 予測装置、予測方法および予測プログラム
GB2551715A (en) * 2016-06-27 2018-01-03 Image Capture Ltd A system and method for determining the age of an individual
EP3751300A1 (en) * 2019-06-13 2020-12-16 Koninklijke Philips N.V. Reconstruction of spiral k-space sampled magnetic resonance images
CN111242091A (zh) * 2020-02-13 2020-06-05 京东方科技集团股份有限公司 年龄识别模型训练方法、装置及电子设备
WO2022038736A1 (ja) * 2020-08-20 2022-02-24 日本電信電話株式会社 年齢推定モデル学習装置、年齢推定モデル学習方法、プログラム
CN113298004B (zh) * 2021-06-03 2022-04-29 南京佑驾科技有限公司 一种基于人脸特征学习的轻量级多头年龄估计方法
CN115186095B (zh) * 2022-09-13 2022-12-13 广州趣丸网络科技有限公司 一种未成年人文本识别方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005148880A (ja) * 2003-11-12 2005-06-09 Advanced Telecommunication Research Institute International 年齢推定装置、年齢推定方法および年齢推定プログラム
JP2009086901A (ja) * 2007-09-28 2009-04-23 Nec Soft Ltd 年齢推定システム及び年齢推定方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6625303B1 (en) * 1999-02-01 2003-09-23 Eastman Kodak Company Method for automatically locating an image pattern in digital images using eigenvector analysis
JP2004318632A (ja) 2003-04-18 2004-11-11 Yokogawa Electric Corp 年齢推定装置
CN1741069A (zh) * 2005-09-22 2006-03-01 上海交通大学 基于自适应表面模型的概率视频跟踪方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005148880A (ja) * 2003-11-12 2005-06-09 Advanced Telecommunication Research Institute International 年齢推定装置、年齢推定方法および年齢推定プログラム
JP2009086901A (ja) * 2007-09-28 2009-04-23 Nec Soft Ltd 年齢推定システム及び年齢推定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MASAKAZU MIYA ET AL.: "Class-Distance Weighted Locality Preserving Projection and Its Application To Facial Image Based Age Classification", IEICE TECHNICAL REPORT PRMU 2007-48 TO 89 PATTERN RECOGNITION MEDIA COMPREHENSION, vol. 107, no. 206, 27 August 2007 (2007-08-27), pages 83 - 88 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678269A (zh) * 2016-01-11 2016-06-15 华侨大学 一种基于动态区间的人脸年龄估计方法
CN109034078A (zh) * 2018-08-01 2018-12-18 腾讯科技（深圳）有限公司 年龄识别模型的训练方法、年龄识别方法及相关设备
WO2020082829A1 (zh) * 2018-10-24 2020-04-30 阿里巴巴集团控股有限公司 一种用户年龄预测方法、装置及设备

Also Published As

Publication number Publication date
CN102422324A (zh) 2012-04-18
US20120045137A1 (en) 2012-02-23
JP2010257400A (ja) 2010-11-11
CN102422324B (zh) 2015-07-22
JP4742192B2 (ja) 2011-08-10
KR20120023029A (ko) 2012-03-12
US9036923B2 (en) 2015-05-19
KR101342717B1 (ko) 2013-12-18

Similar Documents

Publication Publication Date Title
JP4742192B2 (ja) 年齢推定装置及び方法並びにプログラム
JP4742193B2 (ja) 年齢推定装置、年齢推定方法及びプログラム
US8897560B2 (en) Determining the estimated clutter of digital images
Petrović Subjective tests for image fusion evaluation and objective metric validation
Omar et al. Using theoretical ROC curves for analysing machine learning binary classifiers
Polat et al. Hand geometry identification without feature extraction by general regression neural network
Msiza et al. Fingerprint segmentation: An investigation of various techniques and a parameter study of a variance-based method
Wang et al. Distortion recognition for image quality assessment with convolutional neural network
US20140086487A1 (en) Estimating the clutter of digital images
Korhonen Assessing personally perceived image quality via image features and collaborative filtering
Ueki et al. Perceived age estimation under lighting condition change by covariate shift adaptation
Gaata et al. No-reference quality metric based on fuzzy neural network for subjective image watermarking evaluation
JP5210808B2 (ja) 年齢推定装置及び方法
Nyman et al. Evaluation of the visual performance of image processing pipes: information value of subjective image attributes
CN116389711A (zh) 视频质量检测方法、装置、设备及存储介质
JP6904062B2 (ja) 情報処理装置、情報処理方法およびプログラム
US20230230277A1 (en) Object position estimation device, object position estimation method, and recording medium
TWI485635B (zh) 年齡評估系統與方法
WO2021038840A1 (ja) 物体数推定装置、制御方法、及びプログラム
CN109934078B (zh) 图像处理方法、装置及电子设备
Krasula et al. Emerging science of QoE in multimedia applications: Concepts, experimental guidelines, and validation of models
CN115223103B (zh) 基于数字图像处理的高空抛物检测方法
KR102198461B1 (ko) 편향성이 감소된 분류장치 및 방법
Christobel Underage driving detection-age recognition using face detection
DHAMIJA et al. Analysis of Age Invariant Face Recognition using QSVM-PCA

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 201080019038.3

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10769614

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 13263057

Country of ref document: US

ENP Entry into the national phase

Ref document number: 20117028325

Country of ref document: KR

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 10769614

Country of ref document: EP

Kind code of ref document: A1