（计算机应用技术专业论文）人脸图像的年龄估计.pdf

摘要 年龄模式识别作为人脸识别领域中个具有挑战性的问题已经引起了模式 识别、计算机视觉、人工智能和心理学领域的普遍关注，本文对人脸图像年龄模 式识别的国内外研究现状进行综合调查和分析的基础之上。提出了一个基于人脸 图像的年龄估计框架。人脸图像年龄特征提取方面：本文利用分组年龄段的、卜均 脸来构建年龄特征提取函数的训练集，然后在平均脸训练集上运用p c a 方法来 提取平均脸的年龄特征，减少非年龄因素的影响，改善年龄识别的性能。另外还 利用年龄标识作为先验知识来改善模式识别领域中比较流行的流形学习方法的 年龄特征提取结果，进而改善人脸图像年龄识别的准确率。人脸图像的年龄函数 和估计方面：本文建立基于最小二乘法和支持向量回归的算法来完成人脸图像的 年龄函数的参数估计，实现对人脸图像的年龄估计。 本文的实验结果显示，用平均脸构建年龄特征训练集的方法以及流形学习的 方法都能够有在一定程度上提高人脸图像的年龄估计准确度。 关键词： 人脸年龄估计，模式识别，人脸识别，p c a ，流形学习，s v m ，s v r a b s t r a c t a g e p a t t e nr e c o g n i t i o na sac h a l l e n g i n gp r o b l e mi nt h ef a c er e c o g n i t i o nh a sb e e n c a u s e dc o m m o nc o n c e t l lb yt h ep a t t e r nr e c o g n i t i o n , c o m p u t e rv i s i o n , a r t i f i c i a l i n t e l l i g e n c ea n dp s y c h o l o g y t h i sa r t i c l ea d d r e s sa l lf a c i a li m a g ea g ee s t i m a t i o n f r a m e w o r kt h a tb a s eo nr e s e a r c ha th o m ea n da b r o a dt oc a r r yo u ta c o m p r e h e n s i v e s u r v e ya n da n a l y s i s a tt h ea g ef e a t u r ee x t r a c t i o no ff a c i a li m a g e ，w eb u i l da g ef e a t u r e e x t r a c t i o nf u n c t i o no nt h et r a i n i n gs e to f a v e r a g ef a c eo fs u b a g eg r o u p st h a ti s g r o u p e db ye a c ha g e ，a n dp c am e t h o di su s e dt oe x t r a c tt h ea g ef e a t u r eo ft h ea v e r a g e f a c ef r o mt h ea v e r a g ef a c et r a i n i n gs e t ，t h r o u g ht h ew a yt or e d u c en o n a g ef a c t o r s f u r t h e r m o r e ，w ee x t r a c ta g ef e a t u r eb ym a n i f o l dl e a r n i n gm e t h o dt h a ti su p d a t e - t o a r t m e t h o di np a t t e r nr e c o g n i t i o nf i e l d s a n dw es t u d i e dt h ei m p a c to f t h ea c c u r a c yo f f a c ea g er e c o g n i t i o nf u n c t i o nb yc o m p a r e dt w od i f f e r e n tf e a t u r ee x t r a c t i o nm e t h o d s a tt h ea g er e c o g n i t i o n ，l e a s ts q u a r e s ( l s ) a n dt h es u p p o r tv e c t o rr e g r e s s i o n ( s v r ) a r eu s e dt op a r a m e t e re s t i m a t i o no ff a c i a li m a g ea g ef u n c t i o n h e r e a f t e r t h ee s t i m a t e d f t m c u o no fa g ei su s e dt oa c h i e v et h ee s t i m a t e da g eo ff a c ei m a g e i nt h i sp a p e r , e x p e r i m e n t a lr e s u l t ss h o wt h a tb u i l dt h em e t h o do ft h ea g ea v e r a g e f a c et r a i n i n gs e ta n dm a n i f o l dl e a r n i n gm e t h o d sa l ea b l et oi m p r o v e a c c u r a c yo fa g e e s t i m a t i o no ff a c i a li m a g e s k e yw o r d s ：f a c i a la g ee s t i m a t e ，f a c er e c o g n i t i o n ，p c a ，m a n i f o l dl e a m ， s v m ，s v r 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的 研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得鑫鲞盘堂或其他教育机构的学位或证 书而使用过的材料。与我同工作的同志对本研究所做的任何贡献均已在论文中 作了明确的说明并表示了谢意。 学位论文作者签名：奎救签字日期：2 矽夕年月夕 学位论文版权使用授权书 日 本学位论文作者完全了解基洼盘堂有关保留、使用学位论文的规定。 特授权盘盗盘堂可以将学位论文的全部或部分内容编入有关数据库进行检 索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校 向国家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 粼一繇套良 签字日期：z 夕矽年月岁日 导师签名： 恕越妨 签字日期：汐矽年石月夕日 第一章概述 第一童概述 日常生活中，我们经常遇到这类问题：如何根据一幅包含人脸的图像判断一 个人的具体年龄? 如何根据保存的原始照片更真实的模拟出失踪人口或者逃犯 当前的年龄面貌? 如何能够自动地无侵扰性地统计出购买某类商品的顾客的年 龄分布? 为便于叙述，本文将此类问题归为基于人脸图像的年龄模式识别。人脸 图像的年龄模式识别是利用人脸图像数据来实现人脸年龄的判断以及人脸面貌 的预测。所谓人脸年龄估计就是根据输入的人脸图像判断出该对象的具体年龄。 人睑年龄而貌预测则是根据已知年龄的人脸图像预测出给定的具体年龄的可见 人脸图像。举个简单的例子，对于一个给定的争词，可以根据其语法性质将其分 为名词、动词、形容词、介词等，类似的对于给的一幅包含人脸的图像，也可以 根据该张人脸图像所表示的对象判断出其具体的或者大致的年龄。由于这类问题 同现实需求已经越来越多，因此这类问题也受到了更多关注和研究。 1 1 促进因素 过去的十几年中，随着人脸识别技术的快速发展，人脸图像的年龄模式识别 越来越受到模式识别、计算机视觉、人工智能和心理学等领域的广泛关注，相关 的学术研究活动日趋活跃。年龄模式识别之所以越来越受到人们的重视，主要有 以下几个原因： 1 1 1 人脸识别技术的推动 在人脸识别研究中，人脸年龄面貌变化会导致识别率的急剧下降。为减少这 种变化所带来的影响，通常采用收集同一个人不同年龄段的人脸图像，应用图像 变换技术来提高人脸的识别率【1 5 】。但这类方法仪能在有限的范围内实现人脸识 别率的提高，当年龄变化范围较大时，其识别率仍然很低。为解决年龄变化所带 来的影响，部分研究者将基于图像的年龄模式识别单独作为一个课题进行研究【6 ， 7 】，试图寻找和探索人脸年龄面貌变化的规律。年龄模式识别问题的解决不仅能 够有效地消除人脸年龄面貌变化对人脸识别系统识别率的影响，还能够实现人脸 面貌的准确识别和预测 第一章概述 1 1 2 年龄相关数据自动统计分析 当前市场中存在许多与人脸年龄模式识别相关的应用，比如：某公司想了解 其产品的消费者主要是哪些年龄段的用户，以便有针对该用户群体进行相应的产 品研发和营销。对于这类问题的调查和分析，现在主要是采用网络或现场问卷调 查的方式进行，因此需要被调查者主动配合才能够完成。一旦建立了相应的人脸 年龄自动识别模型后，就能够利用现有的监控设备，在超市或其他购物场合中以 非侵扰的方式轻松的获得与年龄相关的消费群体信息。另外还可以完成诸如：依 照人脸的年龄自动分类照片库、防止未成年人进入网吧和利用自动售货机购买烟 酒等等。 1 1 3 人脸年龄面貌自动预测 由于人脸图像仅能代表图像采集时刻或较短时期内的面貌特征，随着时间的 推移，人脸面貌会不断发生变化。例如：对于逃犯的抓捕，司法部门通常只能获 得逃犯近期的照片，甚至是几年前的照片，而逃犯的面貌已经或多或少的发生了 一定的变化，导致抓捕工作难度增加。如果能够预测出逃犯当前面貌情况将极大 的降低抓捕工作的难度。除此之外人脸而貌的预测还能够应用于家庭安全系统、 人机交互系统、文档资料中人脸图像的自动更新。 1 2 意义 人脸年龄模式识别技术的目的是要寻找和探索出人面貌变化与人的年龄变 化之问的关系，并应用计算机技术建模人脸年龄面貌变化的规律，实现对人脸年 龄的估计和面貌的预测。因此，人脸年龄模式识别技术的发展具有广阔的商业应 用前景。 提高人脸识别的系统的识别准确率和鲁棒性。目前的人脸识别系统仅能在年 龄变化范围较小的情况下具有较高识别率，对于较大范围的年龄变化，其识别准 确率就很低，鲁棒性很差。成功实现对人脸年龄面貌的建模能够有效的改善人脸 识别系统的年龄可变范围，增加识别准确率和鲁棒性；也可以利用确定测试图像 的年龄范围来减少搜索和匹配的数量，达到提高识别速度的目的。 更真实的模拟人脸面貌的年龄变化。目前对于人脸年龄面貌变化的模拟还处 于起步和探索阶段，尤其是对人脸的真实纹理的模拟还不能够达到现实应用的要 求。比如，人脸皱纹的模拟，由于还没有建立起变化的规律，因此模拟的效果很 不真实。但是，模拟人脸年龄变化规律的模型旦被建立起来，它将被广泛的用 2 第一章概述 于人物动画的制作，电影制作，失踪人口寻找等应用领域，其潜在的商业应用价 值巨大， 1 3 挑战 由于人脸的年龄面貌随着时间的推移发生着极为丰富的变化，使得根据人脸 图像识别年龄模式的任务变得更加具有挑战性 1 ，8 】。人脸图像的年龄模式识别 问题具有以下几个难点。 人脸年龄面貌的变化是不+ 叮控制的。尽管通过调整生活方式的改变能够延缓 或加速人的年龄面貌的变化，但其变化的方式却是不为人的意志所控制。 人脸的年龄面貌具有很强的个性化特征，不同的人在不同的年龄阶段都具有 其独特的变化，因而其的个性化特征比较突出。 人脸的年龄面貌的识别受到众多因素的冈素影响，它包括图像的采集整理、 每个人的生活方式、表情变化等不确定因素和噪声的干扰。 目前，人脸年龄模式识别的研究呈现出逐年上升趋势。国外一些知名的研究 机构对此展开了研究，如国外的p e n n s y l v a n i a 大学【9 】，m a r y l a n d 大学的p a r k 分 校 1 0 ，1 1 ，m a n c h e s t e r 大学 1 2 ，1 3 】；国内的南京大学【l ，8 】、中国科学技术研究 所 1 4 】、清华大学 4 】等都有人员从事人年龄模式识别方面的研究。随着人脸年龄 模式识别研究的逐渐展开，一些人脸年龄工作组相继成立，比如欧洲的人脸与姿 态识别工作组f g n e t 、n o r t hc a r o l i n aw i l m i n g t o n 的人脸年龄工作组。这些人脸年 龄工作组还积极组织和建立了公共的人脸年龄库f g - n e t 1 5 和m o r p h 1 6 。 1 4 论文组织 在本文将人脸年龄模式识别中的基于人脸图像的年龄估计作为主要的研究 对象，并根据当前主要的研究方法建立了基于回归分析的自动人脸图像的年龄识 别框架，然后在此基础之上提出基于平均脸数据集构建基于p c a 的年龄特征提 取算法和加入年龄先验知道的l l e 流形学习算法来改善年龄特征提取的效果， 最后利用基于最小二乘算法和支持向量回归算法建立具有自动年龄估计的年龄 估计模型。本文的内容组织如下： 第二章人脸年龄模式识别研究现状。该部分主要针对国内外现在关于人脸年 龄模式识别方面的技术方法进行了分类和比较，概括了该领域的基本模型和研究 状况。 第三章人脸图像的年龄特征提取。主要提出利用平均脸数据集来改善基于 第- 章概述 p c a 的年龄特征提取算法和加入年龄先验知识的年龄流形特征提取算法，并进 行这两种年龄特征提取算法对年龄估计效的评估和比较。 第四章人脸图像的年龄估计。主要是应用基于最小乘的算法和支持向量回归 的算法实现对人脸年龄函数模型的参数估计，并建立自动的人脸年龄估计函数， 实现对人脸图像的自动年龄估计。最后对所建立的年龄估计函数的性能进行了比 较和评估。 第五章总结与展望。该部分对= 本：文所研究的问题进行分析和总结，并对该问 题将来的发展方向进行的进一步的展望和规划。 4 第二章人脸年龄模式识别研究现状 第二章人脸年龄模式识别研究现状 由于入腧年龄模式识别l 口j 题的研究起步相对于人脸识别来说比较晚，为了叙 述的方便，本文首先讨论一下人脸年龄模式识别的基本分类以及与之相关的影响 因素。 2 1 年龄模式识别分类及影响因素 基于图像的人脸年龄模式识别研究按照其研究内容刈。分为人脸年龄面貌预 测和人脸年龄估计两大部分。 2 1 1 人脸年龄面貌预测 人脸年龄面貌预测主要是根据给定的已知人脸图像来预测卜h 给定的某个过 去或者将来年龄的人脸外貌情况，并且实现对人脸的外貌模拟，确保模拟的结果 能够更加真实的反映现实情况 1 ，1 7 1 9 。比如：失踪儿童的找寻，通常都只有该 儿童过去的照片，给寻找工作带来很大的难度，如果能够真实的预测出该儿童当 前的真实面貌，将给寻找工作带很多的便利。 人脸年龄面貌预测主要包括平均脸( a v e r a g ef a c e ) 的构建、外貌预测和外貌 绘制三个主要组成部分。 平均脸：指得是从人脸中去除年龄特征后获得的人脸图像，可以通过对 给定的一组人脸图像取平均值而获得平均脸。 一外貌预测：指的是根据已有的某人的人脸图像数据，计算出某个具体年 龄的外貌特征： _ 外貌绘制：在平均脸的基础上根据预测得到的外貌特征绘制出期望年龄 下的人脸图像。 人脸年龄面貌预测的示意图如图2 1 。其过程如下： 将获得的人脸图像按照确定的年龄组进行分组构成图像训练集； 一通过训练获得各个年龄组图像的人脸模型，求出平均脸。 根据输入预测对像的已知年龄图像或者平均脸和计划预测面貌的年龄作 为参数，通过训练获得的人脸模型来获得给定预测年龄的人脸面貌。 在平均脸的基础上绘制出预测年龄的人脸面貌。 第_ 章人脸年龄模式识别研究现状 图2 - 1 人脸年龄面貌预测框图 人脸年龄面貌预测部分的丰要网难有以下几点： 如何根据已知人脸图像来建立合理的形状和纹理模型 _ 如何基于所建立的模型预测出形状和纹理更加真实的人脸外貌。 2 1 2 人脸年龄估计 人脸年龄估计则是根据给定的入脸图像来判断出该对象的年龄或所处的年 龄阶段1 2 0 1 ，主要包括人脸年龄模型的建立和年龄估计两个部分。 一人脸年龄模型的建立是指通过对人脸图像的特征进行提取和分析来建立 人脸年龄面貌变化同年龄之间的关系模型。 年龄估计部分的含义是根据训练获得的年龄函数来判断出给定人脸图像 的年龄。 图2 2 为人脸年龄估计的示意图。其过程是先利用获得的人脸图像通过训练 来获得相应的年龄模型，然后把欲判断年龄的入脸图像作为年龄模型的输入，然 后利用年龄模型判断出该输入图像的年龄。 图2 2 人脸年龄估计框图 6 第章人脸年龄模式识别研究现状 2 1 3 主要影响因素 尽管人脸年龄估计和人脸年龄面貌预测所关注的图像内容不同，但是他们的 研究对象都是人脸图像，必然会受到人脸图像中的光照、姿态、表情等众多因素 的影响 2 l 】。影响人脸年龄估计的因素包括： 光照、姿态、表情因素 5 ，2 1 ，2 2 ：要收集同一个体多个不同年龄段的人 脸图像数据，完全采用现场收集的方法是不可能完成的，因此多采用照片扫描的 方式来获取，这就决定了年龄的人脸图像数据采集自不同的时问、地点，很难保 证相同的光照、姿态、和表情。因此难以获得所有个体不同年龄时期处于标准姿 态且具有的中件表情的图像。由于人脸图像的光照、姿态、表情存在较人的差异， 使得人脸年龄特征提取和匹配难度加大，导致人腧年龄模式识别的准确率降低。 健康因素：人的身体健康状况会使得人的面貌发生较大的变化f 5 ，9 ，2 2 ，疾 病会加速人的衰老，使人的丰观年龄大于实际年龄：相反，如果具有良好的心情、 良好的锻炼和良好的营养，则会使人的主观年龄小于实际年龄。因此，使得每个 人年龄面貌极具个性化，为年龄模式识别模型的建立带来了更加不确定的因素。 环境地域以及种族因素：不同的种族特征和地域环境也会使人主观年龄发生 较大的变化 2 3 ，2 4 】。相同的年龄条件下，在高原环境下生活的人的外貌明显比 存平原环境下生活的人显得苍老。不同环境地域和种族所带来的人脸年龄面貌变 化差异，也使得年龄模式识别的鲁棒性受到极大的挑战。 性别和纹理因素：性别也是年龄问题中一个备受关注的因素。由于性别不同， 在相同年龄条件下会产生明显的外貌差别，因而年龄的判断标准也存在明显的差 异 2 4 2 7 。纹理的变化对年龄识别也有较大影响，比如，是否有白头发以及有多 少，是否有皮肤皱纹及有多少皱纹，对于人的主观年龄判断都会产生较大的影响。 因此，年龄模式识别过程中需要对于不同性别的年龄面貌进行单独考虑或者处 理。另外，人脸自然纹理变化的无规律性也进一步加大了年龄模式识别的复杂性。 年龄数据不完整【l ，8 1 ：由于人脸的面貌随着时间的推移面貌特征会产生很大 的改变，故要求尽可能多的收集不同个体多个不同年龄阶段的人脸图像数据。这 就需要对不同个体进行长期而连续的跟踪采集，而实际的科研工作是达不到这种 理想状态的。只能收集不同个体一定时间期内的或者间断的人脸图像数据来构成 不完整的数据集。因此就要求年龄模式识别的问题必须利用高度不完整的小样本 数据集来建立精确的年龄模型。然而不完整的小样本数据集容易受到噪声的干 扰，使得对于精确的人脸年龄模式识别模型的建立更加具有挑战性。 尽管受到众多因素的影响，年龄模式识别问题仍然吸引了一部分研究人员对 7 第_ 章人脸年龄模式识别研究现状 其进行深入的研究。下面将从年龄面貌预测和年龄估计两个方面对年龄模式识别 的模型和方法进行阐述 2 2 人脸年龄估计 人脸年龄估计问题主要是如何判断给定的图像中的人脸的具体年龄或年龄 范围。目前，人脸年龄估计的方法火致可以分为基于回归理论的年龄回归模型和 基于统计理论的年龄模式空间两类方法。 2 2 1 基于年龄回归的模型 由于回归函数具有很好的可预见性和可逆性。部分研究者试图建立参数化的 年龄回归模型来实现对人脸图像年龄的准确估计。所谓参数化的年龄回归模型就 是根据给定的一组包含人脸的图像集，运用回归分析的方法求出表示年龄变化规 律的函数。 1 9 9 9 年l a n i t i s 1 2 ，1 3 ，2 8 等人首先把人脸图像的年龄问题用二次刨归函数来 表示。为了寻找最适合的年龄函数，l a n i t i s 等 1 2 ，1 7 ，2 8 讨论了以下四种不同的 年龄函数： 全局年龄函数( g l o b a la g i n gf u n c t i o n ) ：全局年龄函数是指将所有人的年龄 变化建模为一个年龄函数。通常需要假设所有的个体在年龄外貌上都经历相似的 变化。由于各个人不同的生活方式等诸多因素都将导致年龄变化方式存在着差 异，因此很难利用现有的训练数据建立单个的年龄函数来处理所有年龄变化。 精确外貌年龄函数( a p p e a r a n c es p e c i f i ca g i n gf u n c t i o n ) ：是指对于外貌变化 倾向相近的人采用相同的年龄函数。该方法假定可以通过实验的方法确定人脸外 貌与年龄模式之间的相互关系。对于属于不同个体的每一组训练图像，首先计算 基于形状模型表示的两幅图像之间的m a h a l a n o b i s 距离以及两个个体年龄函数权 值之间的e u c l d e a n 距离，以此方式获取该个体的精确外貌年龄函数。 加权的年龄函数( w e i g h t e da g i n gf u n c t i o n ) ：精确外貌年龄函数方法在个体 具有大量训练样本的时候具有较好的效果。但由于训练数据有限，当一个新的个 体登入数据库时，缺乏足够的与之相似的图像就会导致失败。为解决精确外貌的 年龄函数所带来的问题，通过对所有个体的年龄函数进行加权的方式进行组合的 方式来得到如公式( 2 1 ) 所示的新的年龄函数，其中z 为第f 个体的年龄函数，只 为同第i 个体的相关性权值。 厶= b ， ( 2 1 ) 8 第二章人脸年龄模式识别研究现状 加权的精确个人年龄函数( w e i g h t e dp e r s o n - s p e c i f i ca g i n gf u n c t i o n ) ：把个人 的生活方式信息整合到个人的权值年龄函数之中。他们假设看起来相似的个体以 及年龄面貌相似的人在生活方式卜也是相似的。为建模人的生活方式对年龄函数 的影响，他们对志愿者进行问卷调查的方式获取他们的生活方式信息，并把相关 的信息编码，组成一个包含有个体人脸面貌和生活方式概略信息的向量，然后利 用该向量求取相应的年龄函数。 为实现对上述的年龄函数的量化比较，他们先用每个人不同年龄的人脸图像 构成该个体的人脸图像集，然后对每个人的人脸图像集应用p c a 方法提取图像 的特征，再将获得的特征映射到二维空间中，最终将年龄变化建模为一个非线性 的二次年龄函数，如公式( 2 2 ) 所示。 a g e = o f f s e t + 彬，7 + 暖f 2 ) 7 ( 2 2 ) a g e 表示一幅人脸图像的实际年龄：6 ，b ! 表示由1 5 行模型参数构成的一次向 量和二次向量：彬，暇是包含反b 2 中每个向量元素的权值：o f f s e t 是一个可获得 的偏移量。 随后，l a n i t i s 1 3 ，2 8 ，2 9 等进一步研究了年龄函数对人脸识别和验证的鲁棒 性以及模拟的影响。为验证人脸不同部分的重要性 3 0 ，他主要对完整脸( w h o l e f a c e ，包括发型轮廓) 、完整内脸( w h o l ei n t e r n a lf a c e ) 、眼部区域( e y e sr e g i o n ) 和嘴部区域( m o u t hr e g i o n ) 进行了调查研究。实验结果显示眼睛周围的区域提 供了人脸年龄估计需要的最重要的信息【1 7 】，其年龄估计的平均错误是3 8 3 年， 标准偏差是3 7 0 年，与其它区域相比，该区域的平均和标准偏差都最小。l a n i t i s 等根据研究结果认为发型轮廓给年龄估计工作带来了负面影响，增加发型轮廓的 变化会对年龄估计任务产生歪曲。但他们的研究只是在年龄范围为0 3 5 岁的 3 3 0 幅人脸图像上进行，其中8 0 幅图像用于测试。显然他们的研究没有考虑皱 纹以及头发的颜色和纹理的变化对年龄的贡献。 2 0 0 8 年l a n i t i s 7 ，3 1 】等把包含2 0 个人，年龄范围在0 3 5 岁之问的4 0 0 幅 人脸图像分为每组2 0 0 幅图像来构成两个实验集，对多种分类器的年龄估计性能 进行对比实验。实验结果显示，在单层分类器中加权精确外貌( w e i g h t e d a p p e a r a n c es p e c i f i c ) 方法的分类效果最好：在参与比较的所有分类器( 包含单层 和多层分类器) 中精确年龄外貌( a p p e a r a n c e a n d a g es p e c i f i c ) 方法的性能最好。 由于复杂的背景极易对人脸图像年龄特征的提取产生干扰，因而会影响人脸 年龄估计的准确性。为实现对于复杂背景下的人脸年龄的估计，y u nf u 3 2 ，3 3 】 等人应用流形学习方法来寻找一个有效的嵌入空间，并用一组线性回归函数来建 立低维的流形数据，最后将这些流形数据点建模为二次回归函数。他们选择u i u c _ i f p 数据库中的8 0 0 0 幅图像进行学习和测试，其中男女各4 0 0 0 幅，分别用2 0 0 0 9 第一章人脸j f 龄模工弋识别研究现状 幅进行学习和测试。对p c a 、邻近保持投影( n p p ) 、局部保持投影( l p p ) 、正 交局部保持投影( o l p p ) 的二次回归分析的测试结果分析显示，l p p 和o l p p 在降低错误水平和维度变化一卜最适合统一年龄模式描述能力的分布， 随后，g u o d o n g 6 ，3 4 等人在此基础之上，为解决最小二次估计的不足，提 出采用支持向量回归( s v r ) 对年龄流形数据进行全局年龄函数建模，以确定年 龄函数的整体趋势。但由于人的年龄面貌具有很强的个性化的特点，伞局年龄函 数显然不能很好的对其进行表示。因此他们进一步提出了局部可调鲁棒同归方法 来解决所遇到问题。即先用支持向量回归的方法对所有的训练数据的年龄进行回 归分析，再对同归结果作有限范围内的局部调整。他们用u i u c i f p 数据库和 f g - n e t 数据库进行学习和对比实验，其结果显示l a r r 方法是所有的对中最好的， 平均的误差在5 0 7 年。 x i ng e n g 8 等则以l a n i t i s 的研究成果为基础进行进步研究。他们认为将年 龄问题处理为传统的二次回归问题存在四个方面的不足： 年龄函数是基于经验确定的，缺乏足够的证据支持； 年龄函数不能够很好的利用时间特性同年龄面貌之间是单向的依赖关 系： 。 个体的年龄模式学习仅仅基于该个体的人脸图像； 对于未知年龄图像仅是简单的利用已知年龄函数进行线性组合进行求 取。 这些因素导致每个年龄图像都有多个其它图像的年龄标识与之相对应，若采 用l d a 这样的需要监督学习的方法则必须处理多标签数据。 2 2 2 基于年龄模式空间 x i n gg e n g 等在文献 1 ，8 】中指出“年龄模式是指每个对象的人脸图像按时间 存储的序列。”其目的在于将每个人不同年龄的图像同时间顺序联系起来。他们 按时间顺序将每个对象不同年龄的人脸图像组合在一起构成该个体的年龄模式， 最后将不同个体的年龄模式按照一定的关系进行映射就得到年龄模式空间。 s c a n d r e t t 3 5 3 7 等人为实现对法医年龄增长方法的改进，将形状模型参数同 年龄权值组合在一起构成模型空间，并在该空间中定义具有方向的年龄轴，进而 建立基于统计的严格的年龄模型方法。他们首先利用p c a 方法在模型空间中建 立形状模型和纹理模型，并把二者结合起来形成模型参数，并利用这些参数来求 取年龄轴函数。年龄轴的计算是通过把相应的平均消减年龄进行计算而获得的每 个个体的人脸参数模型向量的权值进行求和，其具体计算过程如公式( 2 3 ) 所示。 l o 第_ 章人脸年龄模式i ： ! 别研究现状 v o , e = ( 彬一线) 【匆一) ( 2 - 3 ) t = l 其中n 是训练样本数，彬是第f 个样本的年龄，形，c 是所有训练样本的平均 年龄，匆是第，个样本的形参数向量，b ，形参数的平均向量。 由于不同性别的年龄变化在形状和纹理上有较大差异，s c a n d r e t t 采用按性别 进行分组，分别建立年龄轴。考虑到姿态和表情因素对年龄面貌的影响，他们还 对姿态和表情进行参数化建模，并利用这些参数实现对年龄函数的表情和姿态信 息补偿，使模拟更加趋于真实和合理。 x i ng e n g 1 ，8 1 等针对将人脸年龄问题简单的处理为二次回归问题所带来的 不足，提出将人脸年龄图像同时问顺序相结合的方式来解决人脸年龄建立问题。 他们首先把获得的每个人的人脸图像按照时间顺序排列在一起，并保留未知年龄 图像所在的位置，再通过提取这些人脸图像的特征来构成具有时间顺序的年龄模 式向量，最后用不同个体的年龄模式向量来构造年龄模式子空间。由于训练数据 的收集是有限的，很难获得每个人的完整的模式向量，实际应用中这种情况将更 加普遍。为解决年龄模式向量的不完整的问题，他们采用已经获得的可用的特征 表示未知图像的特征，将问题转化为最小二乘问题，实现对年龄估计。他们随机 抽取f g n e t 数据库中的8 0 0 幅图像作为训练集和m o r p h 数据库中的2 0 2 幅图 像作为测试集进行实验。在基于f g n e t 数据库的l o p o 模式下的实验结果显 示a g e s 和a g e s l d a 方法的性能最好，并且a g e s 和a g e s u ) 4 实验结果非常相 近。 为解决小样本规模问题( 即3 s 问题) 和减少光照变化条件的影响，u e k i 3 8 】 等人提出了基于2 d l d a 和l d a 的新的两阶段方法，并在此基础上建立了基于 光照变化条件下的年龄组分类框架。他们首先用2 d l d a 方法对训练数据进行的 降维，然后应用l d a 进行特征的提取。实验结果显示，他们提出的方法仅需要 1 9 2 幅图像进行训练就可能达到基本的分类要求，而仅采用l d a 方法则需要1 0 2 4 幅图像进行训练。他们在实验中采用了w i t - - d b ( w a s e d a h u m a n c o m p u t e r i n t e r a c t i o nt e c h n o l o g y d a t a b a s e ) 数据库进行实验，结果显示所提出的方法能实 现对5 年、1 0 年和1 5 年范围的年龄组进行分类，精确率分别为4 6 3 、6 7 8 和7 8 1 。 总之，虽然年龄面貌预测致力于实现对人脸的不同年龄阶段面貌的真实模 拟，而年龄估计着重于寻找人脸年龄变化的规律，但是两者都需要实现合理的、 适应真实世界的人脸年龄模式识别模型。因此，不论那个方向取得阶段性的研究 成果都将促进年龄模式识别的发展。 第二章人脸年* 模式识r m # 2 3 人脸年龄面貌的蓣测和模拟 实现人腔年龄面貌预测需要在形状和纹理h 实现对于人的真实外貌的模拟 使其尽可能地接近现实的外貌形状和纹理= 现在人膪年龄面貌的预测大致可以 分为基于颅面形状变化的颅面模型和基于统计学习理论的原型脸两类方j 去。 2 3 1 基于特征点的方法 人脸颅面轮廓形状黼着人的年龄的增长不断地发生着变化。这些变化首先引 起人体铡绘学的研究者的关注，井对其变化规律进行了深入细致的研究。 1 9 8 7 年f a 妇通过在人脸上定义图2 3 所示一系列的可见的或主要的特征 点，并利用测量仪器按照预先确定的程序对定义的特征点进行测量大量的人口 统计测量结果显示对于同一个体的反复测量是可靠的，并且能够成功的对不同的 个体进行区分。因此能够根据颅面形状变化情况，很容易的判断出对象的年龄是 在5 岁、1 0 岁还是大干2 0 岁f 3 9 1 。 娶一丑， 即 e t d 士 、巴7 j d 、d ，o 吒。 ie 愈。一参五 i l 。v 二，缸 i ， ；“e = + 、曼7 图2 - 3 人脸中的测绘点 4 0 ，4 1 1 9 9 8 年d o u g l a s 等人【9 】根据人体测绘学的研究成果提出了自动生成可变人脸 几何模型的方法。他们首先用测绘点构成随机测量集，然后用这个测量集构建参 数化的表面约束。遵行几暄模拟的时候，以原型缝的形状作为参考寻找最符台 约柬条件的平滑表面来实现接近真实人脸形状的模拟， 而r a m a m t h a n 1 川等根据改进颅面拉伸转换模型提出颅面增长模型来模拟年 龄进程。他们将该模型应用于1 8 岁以下的人脸图像面貌模拟和人脸识别系统识 别性能改进实验，结果显示该方法能有效地提高人脸识别系统的识别率。 第_ 章人脸年龄模式识别研究现状 皮肤纹理的变化则是人年龄的另一个重要体现，随着年龄的增长面部的肌肉 组织会变得松弛、缺乏弹性，出现皱纹、斑块等。h u s s e i n 4 1 贝1 j 应用商图像 ( q u o t i e n ti m a g e ) 概念来表示人脸特征形状变化的比率，利用双向反射函数 f 4 2 ( b r d f , b i d i r e c t i o n a lr e f l e c t a n c ed i s t r i b u t i o nf u n c t i o n ) 来表示皮肤纹理的变 化，并把二者结合起来构建人脸模型实现对脸年龄面貌的模拟。 w o n s o o k 等人 4 3 币1 j 用家庭成员之间的相似性来实现对人的年龄面貌的预 测。他们先对两幅相互正交的图片进行特征点检测，然后利用检测到的特征点对 通用的动画三维模型进行修改来获得适合的三维的头部形状，然后再将两个家庭 成员( 如父亲与女儿) 之间的形状和纹理按照一定比例进行融合来获得年龄面貌。 h u t t o n 4 4 等人用高密集的表面分布点模型对人脸形状进行建模，以获得高 维的形空间模型。然后他们利用核平滑( k e m e ls m o o t h i n g ) 方法完成对年龄的平均 增长轨迹的计算，实现对年龄面貌的模拟和预测。 总而言之，基本于特征点的方法依赖于对人脸图像中关键特征点的洲量和分 析，能够对人脸的轮廓形状实现较高近似度的模拟。但由于二维图像会造成三维 信息的丢失，因此会造测量尺寸产生差异，会使模拟的结果与真实的人脸形状存 在较明显的差异。另外，基本于特征点的方法本身未对人脸纹理进分析，因此不 能反映纹理的变化。尽管有研究者增加了对人脸图像纹理的考虑，但基于特征点 的方法本身仅是对形状进行变化，因此很难实现对于真实人脸纹理的预测。 2 3 2 基于年龄原型的方法 年龄原型是将来自于同一个年龄或年龄组的多幅人脸进行平均来获得平均 形状，然后混合像素之间的r g b 亮度值来构成可见的平均人脸图像 7 ，4 5 】，如 图2 4 所示。仅利用形状的变化来模拟人脸面貌的变化难以实现对人脸年龄面貌 的真实预测，因此必须要考虑其他与年龄相关的可见信号对人脸面貌的影响，比 如：头发的数量和颜色、皮肤的弹性、皮肤的纹理、脂肪组织的分布等。 1 9 9 5 年m i c h a e l 4 5 等把1 4 7 个自然表情的白人男性的图像按照每5 年为一 个跨度分为7 组，分别建立了不同的年龄组的形状和纹理原型组件，然后把人脸 形状和颜色组件的信息结合起来实现对两类人群( 年青人和老年人) 的人脸年龄 预测。他们的研究结果显示对比度或者颜色饱和度的增加对年龄的理解不产生任 何贡献。 随后，t i d d e m a n 4 6 等人为获得更丰富的人脸纹理信息，提出采用小波算法 对人脸图像进行分析和特征提取，然后应用提取的特征来构成原型脸，进而实现 对年龄的转换。 光照和姿态的变化使得人脸图像表现出较大的差异。为减少这种差异的影 第一苹 眙年龄幔，4 目f r m 杖 响，r a m a n a t h a n 和c h e l l a p p a 采用边缘检测方法对人脸图像进行处理然后选取 边缘信息最丰富的半腑r 域束构成半脸| 鍪| 像【2 | ，4 7 】然后利用获得的半脸图像 柬比较同一个体不同4 二龄的图像之f i i 】的相似程度，凡脸圈像中不同部分的纹理柏 不问的特征例如额儿区域随蔚年龄的增k 会出现不同程度的皱毁；头发、埘毛 会发隹颜色的变化。 j i n l i 1 4 等通过建立人脸陶像的各个组成部分的组件，并利用这蝗组件来构 成具有商分辨率的动态人脸模型，晟后利用动态马尔可夫过程来实现对人脸图像 年龄的模拟。 心理学研究显示“平均脸”是晟具吸引力的人脸外貌特征，0t o o l e 4 8 ，4 9 1 等根据这个心理学研究的结论作为出发点通过激光扫描的方式获得人脸面部纹 理并将其映射到与之柏一致的q 均形状的二维头部模型中构成- 维凡脸空间 然后利h j 前脸漫画算法来模拟人晗面貌枉年龄上的变化，井进行了标准的 ( n o t m a l l 、形正变化的( s h a p e n o r m a l i z e d 】和反向正变化的( r c f l c c t a n c e - n o r m a u z c d ) 三组人腌年龄估计的实验。 u n s a n g 5 0 等利j i 】3 d 形态学模型米获1 6 c 人睦年龄n 勺形状和纹理信息进而 通过对年龄面貌的模拟来改进人艟的识别率。尽管# 龄原型的方法考虑了人腔的 形状和纹理因素的影响但是由于原型脸的获得是通过统计、r 均求取的必然会 导致个人的纹理信息丢失，因此也使得对于人脸年龄面貌的预测存在一定程序的 失真。井日这种方往对学习样本比较敏感不同的样本集会产生乖同的结果， 口口日口 2 4 实验评估方法 圈2 - 4 年龄原型 4 e l 由于对于人脸年龄的研究时间并不是很长人脸年龄的预测和模拟还没有建 立起统一的评估打法。现在人睑年龄的预测和估计主要是采用平均绝对锖误 ( m e na b s o l u e r r o r ) 6 ，2 9 ，3 0 ，3 4 ，5 l 】和累秘分( c u m u i a t i v e s c o r e ) i 6 83 4 s 2 】 两种方法进行评定，人脆年龄面貌的模拟的评定方法有研究者采用m a h a l a n o b i s 第_ 章人脸年龄模式识别研究现状 距离 1 2 】和m a h a l a n o b i s 距离余弦值 2 1 ，4 7 进行测量。亦有研究者采用对人脸识 别或验证系统的识别或验证提高率进行算法的性能评估。因此，实验过程中主要 采用现在普遍使用的平均绝对错误年和累积分两种方法来进行实验结果的评估 和实验比较。平均绝对错误年是估计年龄同实际年龄的绝对错误的平均值其具 体的表示如公式( 2 4 ) 所示： m a e = 球一厶l ( 2 - 4 ) _ o i i “l ， z 。表示第七个测试图像的实际年龄，z 。表示第| 个测试的图像的估计年龄，n 表示是测试图像的总数。 累积分是测试图像估计年龄与实际年龄之间的绝对错误年不大于给定的年 数的个数与测试总数的百分比可表示为公式( 2 5 ) 的形式： c s ( j ) = m ；，nx 1 0 0 ( 2 5 ) 其中m 。，表示绝对错误年不大于，年的总数，n 是测试集的总数。 平均绝对误差能够很好的反映算法整体的平均误差水平，并且能够方便的求 取误差的方差，便于对误差水平近接的算法作进行一步的分析和比较。但是该方 法对于不同年龄范围的误差的反映能力不强，不能体现出不同允许的年龄误差范 围的算法性能情况。累积分采用的是对绝对误差小于某给定年的情况进行统计， 因此能够反映算法或系统在各个误差范围的性能情况，但不能很好地反映算法整 体的方差情况，不便于算法性能相近的性能进行比较。 2 5 人脸数据库 随着对人脸图像年龄研究的深入，现在已经建立了相应的人脸年龄库。尽管 这些年龄库还不是很完善，但已经极大地改善了人脸年龄模式识别的研究条件。 当前使片j 的年龄库主要有f g n e t 和m o r p h 人脸数据库。另外还有u i u c i f p y 6 ，3 3 ，3 4 等一些不对外公开的内部人脸库。因此本文在实现过程中主要 是采用f 删e t 和m o r p h 这个两个公开的人脸年龄数据库作为标准的实验测 试数据集。下面对这两人脸年龄数据库的基本情况进行简单的介绍。 f g - - n e t 15 人脸年龄数据库是一个可利用的公共的人脸年龄库。该人脸库 由8 2 个不同个体的1 0 0 2 幅具有不同光照、姿态、表情变化的高分辨率的彩色或 灰度图像组成，其年龄范围从0 岁到6 9 岁。并且每张图像还提供了用于表示人 脸特征的6 8 个形状特征标定点。由于该库的年龄范围比较大的，所以较多的研 究者采用该人脸库的进行实验的评估，例如文献 1 ，6 8 ，1 0 ，1 2 ，1 3 ，2 8 3 l ，3 4 ，3 5 ， 3 7 ，5 0 ，5 2 ，5 3 。 m o r p h 1 6 人脸数据库包含两的图像集。图像集i 是通过对照片进行数字扫 第一章人脸年龄模式识别研宄现状 描的方式来获取，主要是从1 9 6 2 年1 0 月2 6h 到1