一種人臉圖像的年齡估計方法
【專利摘要】本發(fā)明的一種人臉圖像的年齡估計方法，該方法包括五個部分:(1)圖像的分塊；(2)用PCA算法學(xué)習(xí)分塊處理后的矩陣得到卷積操作的卷積核；(3)然后用PCA算法學(xué)習(xí)得到的卷積核進(jìn)行卷積操作；(4)用二值化的方式在第二個卷積層后面進(jìn)行非線性處理；(5)用直方圖統(tǒng)計的方法進(jìn)行特征抽取。該方法提取特征后用非線性支持向量回歸K?SVR(Kernel function Support Vector Regression)來估計年齡值，經(jīng)過實驗表明可以大大提高年齡估計的準(zhǔn)確率。
【專利說明】
-種人臉圖像的年齡估計方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及人臉年齡估計領(lǐng)域，特別是一種基于深度學(xué)習(xí)模型的人臉圖像的年齡 估計方法。
【背景技術(shù)】
[0002] 在人臉年齡自動估計系統(tǒng)中，通常分為兩個階段，第一個階段是提取年齡特征，第 二個階段是估計年齡，通常研究的重點是如何提取到最佳的年齡特征。現(xiàn)有年齡估計系統(tǒng) 中，學(xué)習(xí)或提取年齡特征的方法一般可W分為手動提取年齡特征和自動學(xué)習(xí)年齡特征。手 動提取年齡特征具有代表性的方法有18?化〇。日16111日巧？日11日^3，1^8?)、5^1'(5。日16- Invariant FeaUire Transform,SIFT)、子空間模型等，手動提取特征存在的缺點為受到人 為主觀選擇的影響。盡管手動選擇特征在某些領(lǐng)域可能取得非常好的效果，主要是因為可 W針對某一特定的數(shù)據(jù)類型選擇適應(yīng)的特征，但是面對著新的數(shù)據(jù)或者新的條件下，手動 選擇特征方式不一定能適合，所W運(yùn)種方法很難適應(yīng)實際中的應(yīng)用。
[0003] 近今年來興起的深度學(xué)習(xí)，也用來學(xué)習(xí)或提取年齡特征。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中 的一個領(lǐng)域，其動機(jī)在建立、模擬人腦進(jìn)行分析的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來解釋數(shù) 據(jù)。深度學(xué)習(xí)結(jié)構(gòu)含有多隱層，其通過組合低層特征形成更加抽象的高層表示屬性類別或 特征，W發(fā)現(xiàn)數(shù)據(jù)的分布特征表示。但現(xiàn)有的深度學(xué)習(xí)結(jié)構(gòu)當(dāng)隱層數(shù)增多時參數(shù)急劇增加， 對運(yùn)算性能提出了較高的要求。運(yùn)也是在使用深度學(xué)習(xí)所面臨和需要解決的問題。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)中的上述缺陷，提出一種基于深度學(xué)習(xí) DLPCA化t模型的人臉圖像的年齡估計方法，該方法能夠提供一種高效的學(xué)習(xí)年齡特征，有 效的解決模型參數(shù)過多問題，并且實現(xiàn)快速學(xué)習(xí)和高精度估計年齡。
[0005] 本發(fā)明采用如下技術(shù)方案：
[0006] -種人臉圖像的年齡估計方法，其特征在于：
[0007] 1)將輸入的人臉圖像進(jìn)行預(yù)處理后，再分塊，對每一個塊進(jìn)行去均值化，依次處理 所有輸入的人臉圖像，從而得到一個包含所有塊的大矩陣；
[000引2)用PCA算法從大矩陣中學(xué)習(xí)得到第一層卷積操作的卷積核；
[0009] 3)將第一層卷積操作后的輸出特征maps進(jìn)行分塊和去均值化處理，得到另一大矩 陣，采用PCA算法從該大矩陣中學(xué)習(xí)得到第二層卷積操作的卷積核；
[0010] 4)將第二層卷積操作后輸出的特征maps進(jìn)行非線性處理；
[0011] 5)把轉(zhuǎn)換后的輸出值分成若干塊，對每一個塊用直方圖進(jìn)行統(tǒng)計，將所有塊連接 成一個向量，得到輸入圖像的特征；
[0012] 6)將輸入圖像的特征用非線性支持向量回歸來估計年齡。
[0013] 優(yōu)選的，在步驟1)中所述的預(yù)處理為二值化、平滑和規(guī)范化，得到灰度圖像。
[0014] 優(yōu)選的，在步驟1)中，假設(shè)輸入圖像經(jīng)過預(yù)處理后，得到大小為mXn像素的灰度圖 像，將所有得到的灰度圖像分別進(jìn)行分塊，假設(shè)每一個塊的大小為PlXp2,分塊過程中的步 伐為S1 = S2=1，則第i-th張輸入圖像的分塊結(jié)果表示為口。，.…，口其中
對心里的每一個塊進(jìn)行去均值化后為4=[兩1馬2，....，兩。,,,,,>巧''&， 依次處理所有輸入圖像得到一個大矩陣，其表示為^ =[是1，4]，.…，屯。,，,,]e 其中 U ' ..J ) 巧AP嗦示每一個塊的大小為P1P2 X 1，原々巧表示矩陣A的大小為P1P2 XNmini，i的取值范圍 為
[0015] 優(yōu)選的，在步驟2)中，所述的用PCA算法從大矩陣中學(xué)習(xí)得到第一層卷積操作的卷 積核，具體如下，假設(shè)第1層的卷積核個數(shù)為^,PCA算法是使得下列目標(biāo)函數(shù)重構(gòu)誤差最 小，其目標(biāo)函數(shù)為：
[0016]
[0017]其中向為單位矩陣，其大小為^ ，求解該目標(biāo)函數(shù)即為對矩陣AAT進(jìn)行特征值 分解，選取Li個最大的特征值所對應(yīng)的特征向量作為卷積操作的卷積核其表達(dá)式如下：
[001 引
[0019] 其中W泌如。的表示把化於X玲轉(zhuǎn)變成矩陣V e 格式，Pi(XXT)表示求解矩陣AAT 的主特征向量。
[0020] 優(yōu)選的，在步驟3)中，假設(shè)第二個卷積層的卷積操作為其中0,1表 示第一個卷積層的輸出值，Wi2是卷積核。
[0021] 優(yōu)選的，在步驟4)中，所述的非線性處理包括先二值化，再轉(zhuǎn)換為十進(jìn)制數(shù)值，表 達(dá)式為
中S表示二值化處理，馬的取值范圍為[0，滬-1;。
[0022] 優(yōu)選的，在步驟6)中，采用非線性支持向量回歸里的核函數(shù)選擇徑向基函數(shù)。
[0023] 由上述對本發(fā)明的描述可知，與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：
[0024] 本發(fā)明的方法，基于深度學(xué)習(xí)模型進(jìn)行特征提取，用非線性支持向量回歸K-SVR 化ernel化nction Support Vector Regression)來估計年齡值，能有效的解決模型參數(shù) 過多問題，并且實現(xiàn)快速學(xué)習(xí)和高精度估計年齡。
【附圖說明】
[00巧]圖1是本發(fā)明的深度學(xué)習(xí)模型流程圖，其中patch-mean removal表示去均值化、 Convolutional Layer Cl表不第一個卷積層、Convolutional Layer C2表不第二個卷積 層、Binary quantization and mapping表不二值化及其映身才、Concatenated image bIock-wiSe hiStogram表示連接圖像中所有塊的直方圖統(tǒng)計。
[00%]圖2是輸入圖像分塊(patch)處理示意圖。
[0027] 圖3是把求得特征向量轉(zhuǎn)變成卷積核的窗口形式。
[0028] 圖4是第一個卷積層操作示意圖。
[0029] 圖5是第二個卷積層操作示意圖。
[0030]圖6是非線性層操作的示意圖。
[0031 ]圖7是特征抽取層進(jìn)行分塊示意圖。
[0032] 圖8是兩個年齡公開數(shù)據(jù)庫MORra和FG-NET的樣本示意圖。
[0033] 圖9為在兩個公開數(shù)據(jù)庫MOWH和FG-NET部分估計年齡值。
【具體實施方式】
[0034] W下通過【具體實施方式】對本發(fā)明作進(jìn)一步的描述。
[0035] 在圖1中，可知，本發(fā)明是基于深度學(xué)習(xí)模型化PCANet的年齡估計方法，該深度學(xué) 習(xí)模型包含S層，分別是卷積層（The Convolutional Layer)、非線性層（The Nonlinear Process Layer)、特征抽取層（Fea1:ure F*ooling Layer)。
[0036] 參照圖I至圖7,本發(fā)明的一種人臉圖像的年齡估計方法，包括如下步驟：
[0037] 1)將輸入的人臉圖像進(jìn)行預(yù)處理，包括二值化、平滑和規(guī)范化，得到大小為mXn像 素的灰度圖像，將所有得到的灰度圖像分別進(jìn)行分塊，如圖2所示，假設(shè)每一個塊的大小為 Pl Xp2,分塊過程中的步伐為S1 = S2=1，分塊過程也可W看做是用一個窗口大小為Sl = S2= 1來對圖像的行和列進(jìn)行掃描。則第i-th張輸入圖像的分塊結(jié)果表示為
I其中'
對Ai里的每一個塊進(jìn)行去
均值化后為4 =[而為,2:，....馬J E巧AA，依次處理所有輸入圖像得到一個大矩陣，其表示 為：
[003引 （X)
[0039] 其中及W':表示每一個塊的大小為plP2Xl，ir|P:xv"''。l表示矩陣A的大小為plp2X Nnum, i的取值范圍為
[0040] 2)用PCA算法從大矩陣A中學(xué)習(xí)得到第一層卷積操作的卷積核。其中卷積核個數(shù)就 是PCA用算法求得特征向量。如圖3所示，是把求解到的特征向量轉(zhuǎn)變成卷積核W的窗口形 式。假設(shè)第1層的卷積核個數(shù)為^，PCA算法是使得下列目標(biāo)函數(shù)重構(gòu)誤差最小，其目標(biāo)函數(shù) 為： 幽]
(2):
[0042]其中^為單位矩陣，其大小為，求解該目標(biāo)函數(shù)其實就是對矩陣AAT進(jìn)行特 征值分解，選取^個最大的特征值所對應(yīng)的特征向量作為卷積操作的卷積核，其表達(dá)式如 下：
[00創(chuàng) C 3}
[0044] 其中W表示把V € 轉(zhuǎn)變成矩陣於"":格式，Pl(XXT)表示求解矩陣AAT 的主特征向量。
[0045] 圖4是第一個卷積層操作示意圖，假設(shè)輸入圖像為{/j；；；,，使用PCA算法學(xué)習(xí)得到第 一個層卷積操作的卷積核為Wii, 1 = 1，2, ....，Li，使用不同的卷積核去和輸入圖像進(jìn)行卷 積時，就可W得到不同的特征maps。所W第一個卷積層的卷積輸出可W寫成：
[0046]
(4)
[0047] 其中，*表示卷積操作，輸出特征maps輯的大小和輸入Ii一樣，原因是在進(jìn)行卷積 操作時對輸入圖像進(jìn)行邊緣補(bǔ)零操作，使得卷積后的大小和輸入的一樣。
[004引3)將第一層卷積操作后的輸出特征maps進(jìn)行分塊和去均值化，得到另一大矩陣， 采用PCA算法從該大矩陣中學(xué)習(xí)得到第二層卷積操作的卷積核。假設(shè)第二個卷積層的卷積 操作3
其中終表示第一個卷積層的輸出值，Wi2是卷積核。具體的：圖5表 示第二個卷積層操作示意圖，第一個卷積層的輸出種作為第二個卷積層的輸入，和第一層 卷積一樣做同拴的極化.誦討對輸入的沖講行分塊和去均值化后可W表示為：
[0049]
城
[(K)加]其中1=1 .2.....W同掉的方擊處理所有第二層的輸入，可W得到
[0051 ] 路
[0化2] ，用PCA算法求解矩陣Y的主特征值所對應(yīng)的特 征向量作為第二個卷積層的卷積核Wi2。所W第二個卷積層的卷積輸出為：
[005；3]
妨
[0054] 4)圖6表示非線性層操作示意圖，將第二層卷積操作后輸出的特征maps進(jìn)行非線 性處理，包括:先二值化，再轉(zhuǎn)換為十進(jìn)制數(shù)值，表達(dá)式為
[0055]
( 8 )
[0化6] 其中S表示二值化處理，爲(wèi)的取值范圍為[O,2": -1;,
[0057] 5)把轉(zhuǎn)換后的輸出值分成若干塊，對每一個塊用直方圖進(jìn)行統(tǒng)計，將所有塊連接 成一個向量，得到輸入圖像的特征。具體為:參照圖7,為特征抽取層進(jìn)行分塊示意圖，非線 性層的輸出磚作為特征抽取層的輸入值，把聾分成Z塊，其大小為hlXh2。對每一個塊使用直 方圖統(tǒng)計的方法進(jìn)行統(tǒng)計，然后把所有的塊連接成一個向量的形式，其表示為 公￡份加(《)，依次處理譚，1 = 1，2,....山，最終可W得到輸入圖像Ii的特征為：
[0058
(9)
[0059] W同樣的方式處理所有輸入的樣本，最終可W提取到輸入樣本的特征，然在使用 非線性支持向量回歸。
[0060] 6)將輸入圖像的特征用非線性支持向量回歸K-SVR(Kernel function Supportive Vector Regression,K-SVR)來估計年齡。采用非線性支持向量回歸里的核函 數(shù)選擇徑向基函數(shù)RBF(Radial-Basis Rmction)。
[OOW] 舉例說明
[0062]參照圖8,人臉年齡公開數(shù)據(jù)庫MORPH和FG-肥T，運(yùn)兩個數(shù)據(jù)庫里的人臉圖像都有 相對應(yīng)的年齡信息。MORPH數(shù)據(jù)庫包含55332張人臉圖像，同時也包含著不同種族的人，年齡 從16歲到77歲。FG-NET數(shù)據(jù)庫有1002張人臉圖像，里面的圖像具有高度可變性(如光照、姿 勢、表情等），數(shù)年齡從0歲到69歲。
[0063] 對MORPH數(shù)據(jù)庫隨機(jī)選取5000張圖像作為訓(xùn)練集5000張圖像作為測試集，而對于 小的FG-NET數(shù)據(jù)庫則隨機(jī)選取80 %的圖像作為訓(xùn)練集，剩下的20 %作為測試集。所有的圖 像基于預(yù)處理后變成大小為28巧8的灰度圖像。最終預(yù)測結(jié)果分別為：在MORPH數(shù)據(jù)庫里的 年齡平均絕對誤差達(dá)到4.72(年齡），在FG-肥T數(shù)據(jù)庫串的年齡平均絕對誤差達(dá)到4.66(年 齡），其中平均絕對誤差的計算為
\表示真實年齡值，Pk估計出來的年 齡值。圖9為在兩個公開數(shù)據(jù)庫MORra和FG-NET部分估計年齡值。
[0064] 上述僅為本發(fā)明的【具體實施方式】，但本發(fā)明的設(shè)計構(gòu)思并不局限于此，凡利用此 構(gòu)思對本發(fā)明進(jìn)行非實質(zhì)性的改動，均應(yīng)屬于侵犯本發(fā)明保護(hù)范圍的行為。
【主權(quán)項】
1. 一種人臉圖像的年齡估計方法，其特征在于： 1) 將輸入的人臉圖像進(jìn)行預(yù)處理后，再分塊，對每一個塊進(jìn)行去均值化，依次處理所有 輸入的人臉圖像，從而得到一個包含所有塊的大矩陣； 2) 用PCA算法從大矩陣中學(xué)習(xí)得到第一層卷積操作的卷積核； 3) 將第一層卷積操作后的輸出特征maps進(jìn)行分塊和去均值化處理，得到另一大矩陣， 采用PCA算法從該大矩陣中學(xué)習(xí)得到第二層卷積操作的卷積核； 4) 將第二層卷積操作后輸出的特征maps進(jìn)行非線性處理； 5) 把轉(zhuǎn)換后的輸出值分成若干塊，對每一個塊用直方圖進(jìn)行統(tǒng)計，將所有塊連接成一 個向量，得到輸入圖像的特征； 6) 將輸入圖像的特征用非線性支持向量回歸來估計年齡。2. 如權(quán)利要求1所述的一種人臉圖像的年齡估計方法，其特征在于:在步驟1)中所述的 預(yù)處理為二值化、平滑和規(guī)范化，得到灰度圖像。3. 如權(quán)利要求1所述的一種人臉圖像的年齡估計方法，其特征在于:在步驟1)中，假設(shè) 輸入圖像經(jīng)過預(yù)處理后，得到大小為mXn像素的灰度圖像，將所有得到的灰度圖像分別進(jìn) 行分塊，假設(shè)每一個塊的大小為 PlXp2,分塊過程中的步伐為S1 = s2=l，則第i-th張輸入圖 像的分塊結(jié)果表示為對 &里的每一個塊進(jìn)行去均值化后為孑，依次處理所有輸入圖像得 到一個大矩陣，其表示為J = [ΧρΙ，·…，其中表示每一個塊的大小 為PiP2 X 1，表示矩陣A的大小為plP2 X Nnum，i的取值范圍為1彡i彡N。4. 如權(quán)利要求1或3所述的一種人臉圖像的年齡估計方法，其特征在于:在步驟2)中，所 述的用PCA算法從大矩陣中學(xué)習(xí)得到第一層卷積操作的卷積核，具體如下，假設(shè)第1層的卷 積核個數(shù)為Li，PCA算法是使得下列目標(biāo)函數(shù)重構(gòu)誤差最小，其目標(biāo)函數(shù)為：其中匕為單位矩陣，其大小為Li X U，求解該目標(biāo)函數(shù)即為對矩陣AAT進(jìn)行特征值分解， 選取1^個最大的特征值所對應(yīng)的特征向量作為卷積操作的卷積核其表達(dá)式如下：其中表示把e臚％轉(zhuǎn)變成矩陣v e 格式，pi (XXT)表示求解矩陣AAT的主 特征向量。5. 如權(quán)利要求4所述的一種人臉圖像的年齡估計方法，其特征在于:在步驟3)中，假設(shè)第二個卷積層的卷積操作， \，其中〇丨表示第一個卷積層的輸出值，是卷 、 ^ ?-1 積核。6. 如權(quán)利要求5所述的一種人臉圖像的年齡估計方法，其特征在于:在步驟4)中，所述 的非線性處理包括先二值化，再轉(zhuǎn)換為十進(jìn)制數(shù)值，表達(dá)式，，其中δ 表示二值化處理，5)的取值范圍為[0,-f]。7.如權(quán)利要求1所述的一種人臉圖像的年齡估計方法，其特征在于:在步驟6)中，采用 非線性支持向量回歸里的核函數(shù)選擇徑向基函數(shù)。
【文檔編號】G06K9/00GK105956571SQ201610317460
【公開日】2016年9月21日
【申請日】2016年5月13日
【發(fā)明人】杜吉祥, 鄭德鵬, 翟傳敏, 范文濤, 王靖, 劉海建
【申請人】華僑大學(xué)