第17卷第6期
2012年6月
中国图象图形学报
J叫mal of Image and Graphics
V01.17.No.6
June,2012
中图法分类号:1码91.4
文献标识码:A
文章编号:1006-8961(2012)06—0603-16
论文引用格式:王先梅,粱玲燕,王志良。胡四泉.人脸图像的年龄估计技术研究[J].中国图象图形学报.2012,17(6):603·618
人脸图像的年龄估计技术研究
王先梅,梁玲燕,王志良,胡四泉
北京科技大学计算机与通信工程学院,北京lo0083
摘要:年龄信息作为人体的一种重要生物特征,在安全监控、人机交互、视频检索等领域有着巨大的应用潜力.并
且是人腧识别技术的主要瓶颈问题之一。基于人脸图像的年龄估计技术作为一种新兴的生物特征识别技术,目前
已经成为计算机视觉、人机交互等领域的一个重要研究课题。为此对国内外近几年来在年龄估计技术方面的发展
情况进行了综述,主要包括年龄特征提取与年龄分类模式两大部分。同时对常用的年龄数据库、性能评价指标进
行了总结,并在此基础上对当前的一些年龄估计系统的性能进行了对比。最后,对基于人脸图像的年龄估计技术
所面临的挑战以及町能的发展方向进行了讨论。
关键词:人脸衰老;年龄估计;年龄特征提取;年龄分类模式;年龄数据库
Age estimation by f如ial image:a survey
&b甜0,踟叼删打口耐cD胁耻n妇如H凸驴捌r由曾,凸面嘶旷&衙睇珊耐z劭加如盱&雪地手,&和w
Wang Xianmei,“ang Lingyan,Wmlg Zhiliang,Hu SiquaII
10D083,c舭眦
Abst阳d:Age infbmIation,柏肌imp0咖t唧nal t面t,lla8 gre砒p0洲al iIl蛆fety surveilkmce,hurr岫一c伽puter
applications, 蛐d 缸e rec卿tion. As 肌 e眦rgiIlg
iden曲c“on
inleraction, mLdtimedia
technoIo舒,f如e·im89e b拈ed age estimati蚰h鹪gained gr咀t anen石on regenUy and h鼬bec帅e彻e 0f tbe imp0岫t
researcIl topics in maclIine leamiIlg锄d compu衙vision. In tllis paper,眦guⅣey most existiIlg c咖monly used metllods
in face·i咖唔e b鹊ed age egtimalion。e8pecially f。c噼ing佣llle既traction of age features卸d cl舳s而cati伽.TlIen,靴also
introduce some f如e aging d砒ab叩eB蛐d evalugtion protocolB,which aIie wideIy used a‘pre跎m.B鹅ed on t11e辩databa∞s
帅d evaluation metllods,a c响parison 0f出e pe而mances 0f several age es石m鲥on systems is pre阴nted.Fimllly,血e
biomelric infon埘ion
chalknges“d pⅫnisiTlg direc畦ons of age estimation techniqtIes a砖di驰u髓ed.
Key words:f如e agi“g;age estimation;age featllre麟仃砸ion;age cl∞8遍c撕蚰;aging database
O引 言
人脸是一个丰富的信息源,人们能容易地从人
脸图像中抽取出大量的有用信息,如身份、情感、性
别、年龄、态度等。因此与人脸相关的信息处理技术
已经成为计算机视觉、人机交互和模式识别等领域
,
面部表情合成与识别、性别分析等均得到了长足的
发展。年龄信息作为人类的一种重要生物特征,在
人机交互领域中有着众多应用需求,并且对人脸识
别系统的性能有着重要影响。
基于人脸图像的年龄估计是指应用计算机技术
对人脸图像随年龄变化的规律进行建模,从而使机
器能够根据面部图像推测出入的大概年龄或所属的
中的重要研究课题,例如在近几十年中,人脸识别、
年龄范围(年龄段)。众所周知,人类的衰老(老化)
收稿日期:2011一06—24;修回日期:2011.11—0l
基金项目:国家自然科学基金(6l105120;61170115;61170117)
第一作者简介:王先梅(1974一).女,副教授,2007年获北京科技大学控制理论与控制工程博士学位,主要研究方向为机器学习。
E·man:plum-w蛐g@h札com
万方数据
中国图象图形学报www.cj培.cn
第17卷
是一个非常复杂、不受人意志控制的过程,它不仅与
健康状况、生活方式、工作性质、生活压力、健康状况
尽管自动年龄估计十分重要,但是与表情识别、
人脸识别等面像研究工作相比,自动年龄估计技术
和社会影响等多种因素有关,同时还受到遗传基因
起步较晚,其最早的研究文献可以追溯到1994年
的影响,具有多样性以及不确定性的特点。随着年
Kwon和Lobo所发表的论文M J,真正意义上的研究
龄的增大,不同的人在同一年龄段将呈现出不同的
外貌形态,所以基于人脸图像的年龄估计无论在学
术研究或是在实际应用系统的设计中都存在巨大的
困难和挑战。
如果基于人脸图像的年龄估计问题得到解决。
那么在日常生活中,基于年龄信息的各种人机交互
系统将在现实生活中有着极大的应用需求¨。】,具
体主要包括以下几个方面:1)安全监控。通过年龄
估计系统自动判断人的年龄,实现安全网络或安全
门禁控制,这对保护未成年人的健康成长尤其重要。
例如可以阻止未成年人进人酒吧或舞厅等一些成年
人的娱乐场所;销售烟酒的自动服务机可以通过识
别年龄,拒绝向未成年人出售烟酒;在安全的互联网
访问控制系统中,通过年龄估计可以确保青少年儿
童不能浏览包含成人信息的网页或其他含有不健康
内容的网页。2)电子顾客管理系统。在电子顾客
管理系统中,通过摄像头采集人脸图像并自动进行
年龄估计,可以实现对各年龄段顾客的消费特点和
产品喜好进行自动、无干扰地收集与分析,从而便于
可以追溯得2002年Lanitis的工作¨1。迄今为止。
无论在国内还是国外,关注年龄估计的研究还是相
对较少。但是近几年逐年呈现出一定的上升趋势。
目前从事年龄估计的国外研究机构主要包括美国的
minois大学urbana分校№。o‘、Maryl粕d大学Park分
校¨.1¨2。、Nonh Carolina大学的Wilmin昏on分
校‘13。”】、Rutgers大学‘埔],澳大利亚的Mon舾h大
学‘17。81,加拿大的Concordia大学‘19-加】,日本的东京
农工大学心此J,新加坡的一卸yang Technol嚼cal大
学‘2埘1以及塞普路斯的Cypms大学限26驯。国内的
南京大学‘19珈·28圳、中国科学院计算研究所‘姗1|、清
华大学‘32制、上海交通大学‘2·圳、天津大学‘35】、东南
大学‘引、华侨大学‘36-38]、Lotus Hill研究院‘圳11以及
台湾地区的国立清华大学m删等都有相关人员从
事入脸年龄估计方面的研究。
基于人脸图像的年龄估计系统是一种典型的机
器学习系统,其系统结构一般分为人脸检测与定位,
年龄特征提取,年龄估计,系统性能评价,人脸年龄
数据库几个部分。由于人脸检测与定位技术目前已
对不同年龄段的顾客进行产品开发并提供有针对性
经成为一个独立的分支,相关文章也很多,冈此主要
的营销服务。3)和谐入机交互。通过自动识别用
户的年龄,计算机可以为不同年龄的用户提供适合
其年龄特点的用户界面和使用环境(例如调整音量
与音调、字体颜色与大小等),从而改变目前呆板的
人机交互现状,提供更为人性化的服务。4)人脸识
别。研究表明,年龄变化所带来的人脸外貌变化对
人脸识别系统的性能有着非常重要的影响。对于较
大范围的年龄变化。其人脸识别准确率较低,鲁棒性
很差。因此年龄信息作为一种生物特征,除了会对
使用者的身份认证提供有效的信息外,也将大大提
高多年龄人脸识别系统的鲁棒性。5)图像与视频
检索。可以通过限定检索对象的年龄范围,从数据
库中检索到需要的人脸图像或视频片断。例如,具
有人脸年龄分类功能的电子相册,能够快速地从大
量照片中找到特定年龄范围的照片或者将照片按照
年龄进行分类存储。6)刑事侦查。将人脸年龄估
计技术用于刑事侦查,可以帮助刑侦人员根据现场
所留下的视频监控资料来判断犯罪嫌疑人的大致年
龄,从而缩小侦查范围。
从后4个部分对近年来年龄估计这一新兴课题的研
究现状与发展水平进行总结。
1年龄特征提取
年龄特征提取的主要目的是从人脸图像或图像
序列中提取能够表征年龄变化的特征值,从而为后
续的年龄估计奠定基础。年龄特征提取是年龄估计
系统中最重要的部分,稳定而有效的年龄特征能够
大大提高年龄估计系统的性能,并降低年龄估计算
法的难度。
通常一个人在成长过程中,其人脸形状、脸部纹
理、皮肤颜色、面部斑点、皮肤松弛度、发际线等都有
着不同程度的变化,因此研究者往往根据这些变化
来直接或间接地提取各种面部年龄特征。根据特征
所反映的人脸信息,可以将常用的人脸年龄特征分
为形状特征、纹理特征、代数特征以及混合特征。由
于每种类型的特征均从不同角度描述了人脸图像,
为了充分利用各种特征的优点,研究人员通常综合
万方数据
第6期
王先梅.等:人脸图像的年龄估计技术研究
集成多种人脸特征,并采用不同的数学方法对其进
行处理,从而形成了各具特色的面部年龄特征提取
总之,人体测量学模型利用了人脸的几何形状
特征,主要适合于对未成年人进行年龄分类。由于
模型。常见的特征提取模型包括人体测量学模型
该模型对人体姿态变换比较敏感,因此主要适用于
(锄thropometric models)、特征子空间模型(。AGES)、
柔性模型(nexible models)、流形学习(age manifold)
以及外观模型(appearance啪del)等。
1.1人体测量学模型
人体测量学模型主要是描述随着年龄的增长人
脸整体轮廓变化的数学规律,它所测量的是人脸的
一种结构信息。
利用人体测量学模型进行人脸描述是人脸特征
提取领域研究最早的一种模型,其研究可以追溯到
Kwon等人H1的研究,该方法的主要思想是基于颅
提取正面人脸图像的年龄特征。到目前为止,还没
有见到单独使用该模型进行特征提取,并在大型年
龄数据库上进行年龄估计的评估报告。在实际研究
中,人们常将纹理信息与人脸测量学模型结合起来
进行年龄估计Ⅲ朋o。
1.2柔性模型
柔性模型[21将人脸的形状与灰度/纹理有机结
合起来,用统计的方式建立人脸模型。其典型的代
表是主动形状模型(ASM)和主动外观模型(AAM)。
在AsM/AAM柔性模型中,人脸图像,可表
面发展理论。颅面发展理论的数学模型是Todd。等
示为
人H1‘在关于颅面增长的心理物理学研究中所提出
的一种“修正”曲线拉伸模型。该模型认为颅骨的
变化与所受压力的大小和方向有关,因此可用一个
充满液体的球体来模拟颅骨的变化。该模型能有效
描述一个人从孩童逐渐成长为成年人过程中的头部
轮廓变化规律,其表达式可以表示为
z=工.+珊
(2)
式中,工。表示平均脸,P为特征向量矩阵,西为模型
参数(或称向量系数),不同的人脸图像将对应不同
的模型参数6。
AAM㈤o是由C00les等人提出的一种人脸统计
模型,是主动形状模型的延伸,它在形状模型的基础
P∞尺o(1一cos吼)
f1、
上添加了全局纹理模型。Lanitis等人”1首次将
尺l=‰+矗心(1一cos吼)
AAM应用于基于人脸图像的年龄估计特征提取中,
如=吼
建立年龄与人脸特征参数之间的函数关系
式中,P对应面部特征的压力因子,(凡,吼)与
(尺,,巩)表示面部特征变换前后的极坐标值,.i}为
用户定义的增长参数。
Kwon等人【4mI最早采用人体测量学模型对人
,,叫x)
(3)
式中,工是人脸模型参数,,,为该人脸图像对应的估
计年龄值,,为人脸图像与年龄之间对应关系的
函数。
脸图像进行年龄特征提取。他们采用可变形模板和
清华大学的王俊艳等人¨21通过改进的多尺度
snakelets能量函数进行人脸轮廓检测并在此基础上
ASM提取人脸的形状和纹理特征,然后通过建立年
进行人脸特征点定位,然后计算出6种几何比例用
龄函数把人脸特征与年龄大小关联起来。首先通过
于小孩年龄段与其他年龄段的区分。这6种比例值
AsM方法自动获取人脸图像的点分布模型,通过形
分别是:两眼之间的间距/鼻子与眼睛的间距、两眼
之间的间距/眼睛与嘴巴的间距、两眼之间的间彤
眼睛与下巴的间距、眼睛与鼻子的间距/眼睛与嘴巴
的间距、眼睛与嘴巴的间距/眼睛与下巴的间距、头
部与下巴的间夥眼睛与下巴的间距。
Homg等人¨副根据人脸的对称性特点,采用
S0bel边缘检测法进行特征点定位和区域标记,提取
出嘴巴与眼睛的间距/两眼之间的间距、两眼中心与
鼻子的间距/鼻子与嘴巴的间距两种比例特征。最
后采用BP神经网络对这两种比例特征进行训练,
状特征点坐标在形状主元空间上的投影,得到形状
特征向量;再通过形状拉伸去除形状特征,得到单独
的纹理图像,将其在纹理主元空间投影得到纹理特
征向量。最后按照最优化准则(最小二乘方法)得
到年龄函数的相关系数,并结合人脸变老方式进行
年龄估计。
总之,柔性模型从整体人手,充分提取人脸图像
的形状信息和全局纹理信息,因此可以更好地适应
复杂图像的特征点定位和特征提取。但随着年龄的
增长,人脸纹理的变化更多地体现在局部区域,如额
实现了婴儿年龄(O~2岁)和非婴儿类(3岁以上)
头、眼角、脸颊等,因此采用该模型进行特征提取时,
的分类。
万方数据
将会丢失掉很多局部纹理信息,可能不利于对老年
中国图象图形学报www.cji昏cn
第17卷
人进行年龄估计。在训练过程中,柔性模型通常将
对人脸进行描述,每幅图像(60×60)得到195 552
形状和纹理空间分别进行训练,这将会损失掉大量
维特征,然后采用RankBoosI模型进行降维。在弱
纹理和形状之间的有效信息。此外柔性模型的确定
分类器的构造过程中,他们用年龄序列中任意一
依赖于很多脸部特征点的准确定位,一旦定位出现
对人脸图像{工。,z…}代替单幅人脸网像进行弱分
误差,这种误差将很容易在后续处理中被放大日J。
类器训练,最终选取了1 000个分类能力强的Haar
1.3特征子空间模型
由于每个人的衰老过程都是非常复杂且不可
控制的,它不仅与健康状况、生活方式和天气条件
等有关,同时还受到遗传基因的影响。为了解决
人脸衰老过程中的个性化问题,Geng等人…‘1 8‘提
出了一种如图1所示的年龄特征子空间模型。该
模型由同一个人不同年龄时期的一组人脸图像决
定,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,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。在该模式中,如果每个年龄值的人脸
图像都存在,则该模型称为完整年龄模型,如图1
(a)所示,否则该模型称为不完整年龄模型,如图1
(b)所示,对应年龄值上人脸图像不存在的向量用
“m”表示,AGEs模型采用EM(error minimum)迭
代算法学习得到向量“m”。
AGES模型由学习训练和年龄估计两部分组
成。在AGEs的学习阶段,Geng等人采用AAM提
取了210维人脸参数作为人脸特征,但是最终仅用
了其中的50维特征,然后通过主元分析(PCA)训练
得到子空间模型,进而估计出人的大致年龄,具体过
程如图1(c)所示。在一些年龄模型中,由于某些年
龄值对应的人脸图像不存在,那么由PCA训练得到
的子空间模型将不能有效反映该人的特征模型。为
解决该问题,Geng等人采用EM迭代算法最小化真
实人脸图像与重构人脸图像之间的误差来寻找最优
特征向量,缺失图像的初始特征值由其他人相同年
龄位置上的真实人脸图像特征的均值代替,该模型
重构得到的人脸图像如图1(a)所示。在年龄估计
阶段,测试人脸图像需要找到合适的年龄模式,然后
对每个年龄位置上的人脸图像进行重构,重构人脸
图像与测试人脸图像的重构误差最小的位置点就为
该测试人脸的估计年龄值,如图1(b)所示。如果测
试图像放在了不合适的年龄位置点,重构的人脸看
上去将会让人感到非常奇怪。
根据人的面部衰老具有个体化与动态性的特
点,文献[16]则将Ranking排序模型融入到基于
AGEs的年龄估计中。他们首先采用类Haar特征
万方数据
特征。该方法以FG—NET年龄数据库为基础,采用
不同的方法对挑选的特征进行了估计。当采用
SVR(suppon vector regression)进行年龄估计时,平
均估计误差为5.67 a,结果优于文献[17](6.22 a)
和文献[30](5.974 a);在特征维数为50的时候就
取得了比文献[30](采用572维特征)更好的实验
效果。
(a)完整年龄模型
D
年龄模型(aging panem)o
≥黼
第6期
王先梅,等:人脸图像的年龄估计技术研究
为了取得较好的重构效果,子空间方法要求尽
年龄特征的流形学习方法的优点是:以一种低
可能完整地收集每个个体在不同年龄段的图像,而
维度的形式来表示原始年龄数据,且能够捕获潜在
实际研究中很难满足这种理想状态。一般情况下,
的脸部年龄成长结构".7J。它在本质上属于一种年
研究者往往只能收集不同个体一定时间期内的或者
龄模式的子空间学习方法,但与AGEs不同的是:该
间断的人脸图像数据来构成不完整的数据集。为了
提高在数据库不完整情况下的年龄估计精度,Geng
方法不需要针对每个人建立个性化的年龄模式子空
间。年龄特征的流形学习方法用于年龄特征提取
等人¨驯又提出了信息缺失情况下的多线性子空间
中,仅要求每个年龄值对应多幅人脸图像,而不要求
(M2sP)处理方法,该方法可以在个体年龄图像数量
很少时仍然取得较好的估计效果。
同一个人在不同年龄段的多幅图像,但由于年龄特
征的流形学习方法对数据库的数量要求较多,因此
总之,在AGES年龄模型中,人脸图像在图像序
列中的位置点对应该人的年龄值。该模型集人脸重
构与年龄估计于一体,把每个人的变老过程作为一
个独立的年龄模式,自然地将个人身份与时间相结
合,把基于完整数据库的年龄估计问题转化为非完
整数据库的年龄估计问题,大大降低了年龄数据库
的收集难度。但在实际建立AGES模型时,需要同
一个人多幅不同年龄的图像来建立子空间,因此该
模型将不适合一些年龄数据库,如YGA数据库;同
时AGES模型采用柔性模型对人脸图像进行特征提
取,而柔性模型主要是对形状和全局纹理特征进行
提取,因此在人脸重构阶段,可能无法很好地对人脸
的局部纹理进行重构。
1.4流形学习模型
Guo与Fu等人【7剖从统计学的角度认为序列模
型是人类年龄变化的一个重要特征,每幅人脸图像
对应唯一的年龄标签,大量不同年龄图像的年龄特
征将会在序列模型上有明显的变化趋势。而认知科
学家认为同一事物随着时间、空间等因素连续发生
变化时形成了一个低维的流形,人的强大认知能力
正是对这个稳定流形的视觉记忆ⅢJ。因此Guo与
Fu等人将流形学习引入到人脸图像的年龄模型中。
流形学习旨在发现高维数据集分布的内在规律
性,从采样数据学习得到低维流形的内在几何结构
或者内在规律。因此年龄特征的流形学习就是寻找
一种特征空间,将人脸原始图像数据通过该特征空
间转化为一组低维年龄特征用于年龄估计中。
Guo与Fu等人通过实验比较了典型的维数降
解和嵌入式流形学习方法,并基于uIuC.IFP.Y年龄
数据库对PcA、局部线性嵌入算法(LLE)、正交局部
保留投影法(0LPP)进行比较。实验结果表明:
OLPP方法在提取年龄特征的流形学习方面,具有
明显可分的老化趋势,其性能优于PCA和LLE,符
合年龄估计对特征提取的要求。
万方数据
该方法适合于大型的年龄数据库,且要求每个年龄
段的数据分布比较均匀。
1.5外观模型
在与年龄相关的面部特征的提取中,人们非常
重视基于外观模型的特征提取,包括全局信息和局
部信息,如面部纹理信息、频率信息和肤色信息等,
并与人脸几何特征等信息相融合进行人脸描述。
Dehshibi等人M刊采用人体测量学模型与纹理
信息相结合的方式(如图2所示)进行年龄估计。
该方法首先进行特征点定位以提取7种五官比例,
并采用C蛐y边缘检测的方法提取出前额、眼角和
脸颊3个区域的纹理密度,最后采用4层的BP
(back prfJ『)agac油、)神经网络进行4个年龄段的分
一RlghI Eye—Len Eye
··--_______一Side ofFace
。h∞.4一J
I
o≯山6∞oZ--l
驾
An eldc—y
(c)纹理密度图
图2
Fig.2
Moh㈣ad的五官距离和纹理提取区域‘“
F卵ial feature extmc60n by Moh锄mad【圳
中国图象图形学报www.cjig.cn
第17卷
类:5岁以下、16~30岁、31~50岁和50岁以上。
Dehshibi等人采用自己建立的IFDB年龄数据库中
的298幅人脸进行训练,210幅人脸用于测试,平均
分类准确率为86.64%。
初始视觉皮层(叫mary“sual cortex VI)到下级临时
皮层(inferior tempoml cortex IT)的复杂度递增的层
进度模型。在Guo所设计的年龄估计系统中,第1
层S1层采用Gabor滤波处理输入图像,第2层Cl
Txia等人Ⅲo在眼睛定位的基础上,采用AAM
基于s1层的结果采用“MAX”过滤操作,然后进行
进行面部28个关键点的定位,并在此基础上提取面
部关键区域的明显皱纹信息和头发的颜色信息。
提取纹理信息时,首先用sobel算子提取如图3所
示的额头、左右眼角、左右眼袋、左右嘴角、左右鼻
翼、下巴等区域的边缘密度信息。为了减少胡须
对嘴角特征的影响,他们采取边缘密度阈值法判
维数降解以用于年龄估计分类。该系统采用SVM
进行年龄分类,在FG—NET数据库上实验的平均绝
对误差为4.77 a,在YGA数据库中,女性的平均绝
对误差为3.91 a,男性为3.47 a。
Suo等人旧“认为提取有效的年龄特征是自动
年龄估计系统实现的关键点之一,并提出了一种如
断嘴角是否有胡须,如果嘴角边缘密度超过了规
图4所示的基于低、中、高多分辨率的分层人脸描述
定的阈值,则忽略嘴角的特征。此外,为了克服不
同姿态对特征大小的影响,在计算左右眼部、鼻翼、
嘴部等区域的特征时,将左区域或右区域的最大特
征值作为眼角、眼袋、鼻翼和嘴角的特征。在提取头
发的颜色时,首先采用窗口搜索法寻找头发区域,然
后计算头发区域的256维灰度直方图,最后用PCA
和多元判别分析(MDA)法对灰度直方图进行降维
模型(整体层、五官层、纹理层)。该模型根据拓扑
学、几何学、光学和结构学4种模型,把人脸图像分
解为从粗(coarse)到细(6ne)的多个细节部分进行
面部特征提取,包括人脸几何特征、肤色特征、低频
和高频纹理特征、发际线等,并用与或图(and-or
铲aph)方式解释各层之间的相互关系,最后采用回
归性算法进行年龄估计。在FG.NET年龄数据库
处理,并将降维后的信息作为最终的头发颜色特征。
上,该系统的平均绝对误差为5.97 a。在他们自行
最后将皱纹信息与头发颜色信息送人支持向量机
建立的年龄库上,系统的平均绝对误差达到4.68 a,
(SVM)进行4个成人年龄段(20~30岁,31~40
误差范围在10 a以内的准确率高达91.6%。
岁,41~50岁,51~60岁)的判别,在MORPHY数
余庆等人【36’”o则采用代数变换的方法进行面
据库的识别率为72.52%。
图3明显皱纹信息的提取…
Fig.3 ne exlmction“州nkle texture‘40
部外观分析。他们采用改进的NMF(non.negative
matrix factorization)方法,将线性判别分析融入到矩
阵分解中,直接对每个NMF基图像进行线性判别分
析,保留最具判别力的基图像来构造子空间并进行
投影¨∞“。这样既解决了小样本问题,又获取了最
具判别力的特征。实验结果表明,改进的NMF比传
统的PcA方式有更高的鉴别力。2009年杜吉祥等
人"引又使用一种基于WTA(winner.take.a11)竞争
规则的独立分量分析方法来实现年龄估计任务。人
脸图像经过归一化后,使用基于wAT方案的lCA
(independent component analysis)算法对人脸图像进
行非线性特征提取,用径向基神经网络来进行预测,
实现了人脸图像的年龄自动估计。基于FG—NET人
脸数据库的实验结果表明:改进的wTA.ICA算法在
4~7岁的年龄误差明显好于经典的PCA方案。
Guo等人‘91基于Gabor滤波器提取人脸纹理特
作为一种灰度范围内的纹理量度方法,局部二
征并提出了一种biologic“ly inspired features(BIF)
值模式(LBP)也被用于提取面部的纹理特征。
用于年龄估计。BIF的提出是受到“HMAx”模型的
Nabiyev等人【2引采用LBP进行人脸全局和局部纹理
影响,“HMAx”模型是一种前向反馈模型,该模型是
提取,分别采用最小距离分类,最近邻分类法和k-
由简单和复杂单元层交替组成,以构造一种处理从
近邻分类法进行年龄组分类,在FERET数据库上实
万方数据
第6期
王先梅,等:人脸图像的年龄估计技术研究
图4分层人脸模型图及所用特征ⅢJ
Fig.4 Hi碱ical ke model and fealure types…
验准确度达到80%以上。王鞋菁等人Ⅲ1采用活动
形状模型将人脸分成若干个三角形,每个三角形与
人脸部特定的区域相对应,然后使用LBP提取每个
三角形区域的纹理特征,并通过支持向量回归算法
对年龄进行估计。基于FG.NET年龄数据库的实验
结果表明,其平均绝对误差小于AGEs算法。chen
2年龄估计模式
基于人脸图像的年龄估计是一类“特殊”的模
式识别问题:一方面由于每个年龄值都可以看作是
一个类,所以年龄估计可以被看作是一种分类问题
等人¨驯则采用AAM将人脸分成若干个区域,然后
(Classification);另一方面,年龄值的增长是一个有
在对区域尺寸进行归一化的基础上,提取每个区域
序数列的不断变化过程,因此年龄估计也可被视为
的LBP直方图特征。在采用PCA进行降维后得到
150维的LBP直方图特征,最后采用k勰t Angle
一种回归性问题(Regression)。Fu等人¨则通过对
已有年龄估计工作进行总结后认为:针对不同的年
Re昏陀ssion方法进行年龄估计。
龄数据库和不同的年龄特征、分类模式和回归模式
总之,外观模型是目前应用最为广泛的年龄特
具有各自的优越性,因此将二者有机融合可以有效
征提取模型,它较好地描述了面部的纹理特性,并常
提高年龄估计的精度。由于传统的年龄估计模式忽
常与形状特征相融合,可以较好地实现全年龄段的
年龄估计。然而目前的外观模型往往侧重于从数学
略了人脸衰老的动态性,最近研究人员又将Rank
模型引入到年龄估计方法中【1虬”删,并取得了较好
角度分析面部的纹理特性,忽略了数学性质后面隐
藏的认知语义信息,尤其是缺乏直观的纹理方向与
纹理深度的描述方法。
的效果。
2.1单一年龄估计模式
单一年龄估计模式是指采用单独的分类器或
万方数据
610
中国图象图形学报www.cjig.cn
第17卷
者回归模式对年龄组进行分类或对年龄值进行估
计。根据分类的具体目标,可以将单一年龄估计
分为年龄段(组)的估计与年龄值的估计。所谓年
龄段的估计就是根据分类器确定出该人脸所属的年
龄段范围,如小孩、青年、中年、老年或者0~10岁、
10~20岁、30~40岁等;所谓年龄值的估计则就是
根据年龄估计器估计出该人脸的年龄值,也被称为
年龄值估计,如1岁,2岁,3岁等15 J。
2.1.1分类模式
分类模式采用模式分类的理念与方法实现年龄
的估计。
在年龄段(组)估计方面:Homg等人[431采用由
形状特征和面部纹理特征分别训练得到的BP神经
网络进行4种年龄段的分类。Dehshibi等人【圳结
合人脸形状特征和面部纹理特征。训练得到4层BP
2.1.2回归模式
回归模式运用回归分析的方法,通过建立表征
人脸年龄变化规律的函数模型来实现年龄的估计。
早期Lanitis”1评价了3种年龄函数的年龄估计
性能:线性函数、平方函数和立方函数。每种函数的
最佳函数参数是通过遗传算法训练得到的,实验结
果表明平方函数的估计性能最优。h11itis在文献
[26]中进一步评价了其他不同年龄分类器的性能,
包括二次年龄函数、最近距离分类器、多层感知器算
法(MLP)、自组织映射神经网络(SOM)算法。该实
验中,人脸年龄特征采用C00tes提出的人脸统计模
型一主动外观模型表示,每幅训练人脸的年龄特征
用22个模型参数表示。他们使用400幅O~35岁
的人脸图像进行测试,每组包含210幅图像,二次年
龄函数、最近距离分类器、MLP、SOM算法的平均估
神经网络进行年龄段的分类;eao等人”川采用
计误差分别为5.04 a、5.65 a、4.78 a和4.9 a,其中
Gabor滤波器进行年龄特征的提取,通过对SVM、
21名观察者的平均主观估计年龄与真实年龄的误
Adaboost、模糊LDA(1inear discrimin明t明alysis)方
差为3.64 a。
法对年龄组(婴儿、小孩、成年、老年)进行分类,分
别得到了89.78%、76.69%、91.00%的准确率,该
实验基于他们自己搜集的网络人脸年龄库,其中训
练库包括0~79岁的5 408幅图像,测试库包括57
幅婴儿图像,350幅小孩图像,492幅成年人图像和
79幅老年人图像。同时作者认为对于年龄组分类,
采用分类方法性能优于统一的回归模式方法。
Takimoto等人”副也采用人工神经网络进行分类。
他们将人脸形状、颜色、纹理等信息作为特征,采用
3层人工神经网络进行训练与年龄段分类。年龄组
Guo等人【81为了比较分类模式和回归模式在年
龄估计中的性能,基于两种年龄数据库对SVM和
SVR(support vector eeg陀ssi∞)进行了比较,其中年
龄特征采用0LPP流形学习模型学习得到。通过实
验得出,SVM和SVR在YGA年龄数据库,女士平均
绝对误差分别为5.55 a和7 a,男士平均绝对误差
分别为5.52 a和7.47 a;而在FG.NET年龄数据库
中,平均绝对误差分别为7.16 a和5.16 a。
张宇等人惮1基于典型相关分析(CCA)和代价
敏感学习方法(CLs)对年龄值进行估计,并在此基
数为6组,间隔为10 a。在HOIP上的实验结果表
础上利用集成技术来提高年龄估计的准确性。该方
明:男性的年龄估计准确率为56.6%,人工估计准
确率为53.1%;女性的年龄估计准确率为49.5%,
人工估计准确率为51.1%。
HMM(hidden瑚^ov models)也是一种重要的年
龄分类方法。z}lu锄g等人【61采用基于HMM方法对
年龄组进行分类。他们首先将每个训练图像分为若
法基于FG-NET年龄数据库,采用LoP0(1eave-∞e.
person-out)模式进行测试,即每一轮,同一个人的所
有图像用来作为测试集,其余作为训练集,实验得到
的平均绝对误差为3.486 3 a.性能优于wAS、AAS
(印pe删ce一卸d age-specmc cl鹊sifie玛)、AGES方
法,同时也优于单一的典型相关分析和代价敏感学
干个相互覆盖的子块,并假设每个块的观察值输出相
习方法。
互独立,然后统计出每个子块的HMM模型参数,将
它们联合起来作为该子块的概率密度,最后使用最近
邻方法进行分类。他们使用4000幅0~93岁(每
10岁为一段,共8组,其中70~93岁为第8组)的图
像进行测试,取得了比高斯混合模型(GMM)更好的
实验效果,平均估计误差为6.334年(女)和5.39r7年
(男)。
Suo等人p¨在分层面部模型特征提取的基础
上,采用交叉验证的方式分别测试了线性回归、
SvR、MLP以及b00sting等回归算法的年龄估计性
能。在他们自行采集的数据库中(男女各4 000),
绝对估计误差为4.68 a,在F.G.NET数据库的测试
中,绝对估计误差为5.9r7 a。
Ni等人"纠提出一种鲁棒的多事例回归法
万方数据