论文部分内容阅读
基于图像的年龄估计是指采用计算机根据人的脸部图像自动估计其年龄。近年来由于其在人脸识别、人脸老化模拟、安全监控和人机交互等领域的应用前景,获得越来越多的关注,现已经成为当前模式识别和机器视觉领域最富有挑战性的课题之一。一个成功的年龄估计方法主要包括两个部分:人脸图像的特征表示和年龄估计模型的学习。本文主要围绕着这两个部分开展研究工作。(1)在人脸图像特征表示部分,为了能够准确的表示人脸图像,本文采用基于稀疏表示的Mid-level年龄特征表示人脸图像。先使用Dense SIFT描述子来提取人脸图像的纹理信息,然后利用稀疏表示方法将提取的Dense SIFT特征编码成一个已学习到的字典上的稀疏表示。通过这个学习过程,能够得到人脸图像的更高层次的,更加鲁棒的Mid-level年龄特征。(2)在年龄估计模型学习部分,本文介绍了Ridge Regression方法、Support Vector Machines (SVM)方法、线性稀疏回归方法和多任务学习方法在年龄估计问题中的应用,并在此基础上提出了三种有效的年龄估计方法。首先,本文利用线性稀疏回归作为一种特征选择的方法,而用Ridge Regression(?)(?) Support Vector Regression (SVR)来学习年龄估计模型。然后,为了区分个体间的差异性,将多任务学习引入到年龄估计问题当中,先应用多任务学习作为一种特征选择的方法,而用Ridge Regression作为年龄回归模型学习的方法的年龄估计方法。在这个基础上,更进一步的研究,我们先利用线性的分类方法将人脸初步的分成几个年龄段,而在这几个年龄段上,利用多任务学习构建出一个多层次的年龄回归模型。多任务学习方法不仅考虑了个体之间的差异性,也在共享了各个任务之间的共同特征,这更加接近年龄估计问题的实际情况。本文在公共人脸图像库FG-NET和MORPH上进行了大量的实验以验证所提出的三种年龄估计方法的有效性,实验结果表明本文所提出的方法取得了优于或者相当于现有的最好年龄估计方法的性能。