一种基于面部特征的年龄估计方法
一种基于面部特征的年龄估计方法
【技术领域】：
[0001] 本发明提出一种基于面部特征的年龄估计方法，利用视频，图像中人物面部的特 征，可W有效的估计出人物的年龄，具有较高的精度。
【背景技术】：
[0002] 当前，社会对于未成年人保护的重视程度逐渐升高，国家和地方都有立法保护未 成年远离伤害。但目前对未成年人的判断主要依赖于身份证的人工审查，运样不但审查的 工作量很大，而且在一些人流量比较大的地方也难W执行。本发明提出一种基于视频或图 像的年龄估计方法，可W辅助人工审查，提高对未成年人的保护效率。
【发明内容】
：
[0003] 本发明利用视频或图像中人物面部特征，对人物年龄进行估计。
[0004] 本发明有两部分构成：特征选择模块，通过分析人物年龄，从大量的面部特征集中 选择出和年龄关联度最高的特征，构成有效的特征集。年龄预测模块，利用有效特征集和训 练图片，训练一个年龄预测模块，达到年龄预测的目的。
【附图说明】： 阳〇化]从W下结合附图的详细说明中，将更为清楚的理解本发明的上述及其他目的，特 征及其他优点，其中：
[0006] 图1是表示本发明的整体架构示意图。
[0007] 图2是表示本发明的特征选择模块的流程图。
[0008] 图3是表示本发明的训练模块示意图。
[0009] 图4是表示本发明的预测模块示意图。
【具体实施方式】：
[0010] 现在，将参照附图描述本发明的优选实施例。
[0011] 图1是表示本发明的整体架构示意图。
[0012] 如图1所示，本发明由特征选择模块和年龄预测模块两部分组成。特征选择模块 根据面部图库从特征库中选择出和年龄关联度最高的有效特征集，来描述面部图像。年龄 预测模块则通过机器学习的方法，利用有效特征集，获得年龄预测模型，达到预测年龄的目 的。
[0013] 图2是表示本发明的特征选择模块的流程图。
[0014] 图2所示，本发明优选实例的特征选择模块详细步骤如下： 阳〇1引 （S2!)面部图库
[0016] 面部图库是经过人工处理的面部图片集，其中每一个图就是一个面部区域图，而 且对应的年龄也已知。此处面部区域定义为：人物正面面部图片，上边界到眉屯、，下边界 到下嘴唇底部，左边界到左眼外眼角，右边界到右眼外眼角。所有图片尺寸统一处理到 128x128ο
[0017] (S22)面部特征库 阳018] 面部特征库基于G油or特征构造初始特征集，最终每一个特征都是256维的向量。 G油or特征是一种纹理特征，可W通过G油or滤波器和图像卷积获得。G油or滤波器定义 为
[0019]
[0020] 其中
[0021] X'二 X cos 目 +y sin 目 [002引 y'二-X sin 目 +y cos 目
[0023] (S23)计算特征值
[0024] 一个特征可1^用6个参数的特征函数f(s，σ，Θ，x，y，r)表示，给定一个128X128 1οβ 19R 的面部图像和6个参数的值，按照如下步骤产生256维的特征：把图像缩放到和 参数为（0，Θ)的G油or滤波器卷积获得G油or特征图，在特征图上截取（X，y)为中屯、， 2Xr+l为边长的正方形区域，缩放到16x16,最后按行展开得到256维的特征向量。 阳〇2引优选实例中，
[0026] S e {〇, 1,2}
[0027] σ e {3,6,9,18}
[0028] θ e (〇,45,90，13引
[0029] X，y和r取值保证截取的正方形区域在对应特征图之内
[0030] (S24)随机选择一个投影方向
[0031] 投影方向和特征维度一致，特征向量和投影方向点乘就完成投影，结果是一个标 量
[0032] (S25)选择投影后和年龄相关度最高的向量
[0033] 如果面部特征库内图片数是N。每个图对应一个年龄，则所有年龄组成一个N维的 向量。一个特征在N个图上获得N个投影结果，也组成一个N维向量。通过计算互相关系 数，选择互相关系数最高的一个特征加入有效特征集合。其中互相关系数用来衡量两个向 量的相关度，绝对值越大，表示相关性越高，其数学定义如下：
[0034]
W对其中
[0036] P =如，口2, 口3, . . .，Pn)
[0037] Q = (Qi,化，屯，...，Qn)
[0038]
[0039]
柳4〇] (S26)终止条件
[0041] S24和S25每次选择出一个特征加入有效特征集，当有效特征数目达到Μ时终止特 征选择流程，优选实例中Μ取5000
[0042] 图3是本发明的训练模块示意图
[00创图3所示，本发明的优选实例的训练模块的详细步骤如下： 柳44] (S31)面部图库 W45] 训练集，和S21-致
[0046] (S32)有效特征集
[0047] 有效特征集是特征选择模块选出的和年龄相关性最高的一批特征。
[0048] (S33)随机森林训练模块 阳049] 随机森林是随机树的集合，每一个随机树的训练是独立的，随机树由内节点和叶 节点组成。训练时，样本从内节点逐步向叶节点移动。在每一个内节点上，随机选择一个特 征和阔值，按照该特征值和阔值大小关系把样本划分成不相交的两个集合，如此不断划分 样本，构造新的内节点，直至达到预定的终止条件时，生成叶节点。叶子节点记录节点内样 本年龄的平均值。训练过程中，Ξ个重要的参数是随机树的个数，随机树的最大深度W及节 点内样本最小数目，优选实例中随机树的最大深度取值300,随机树的个数取值3000,节点 内样本最小数目取1000。
[0050] 图4是本发明的预测模块示意图
[0051] 如图4所示，本发明的优选实例的预测模块的详细步骤如下： 阳0巧 （S41)测试图片
[0053] 测试图片也是正面面部图片，具体要求和S21 -致
[0054] (S42)随机森林预测模块
[0055] 随机森林的预测就是其内部随机树预测结果投票而产生的，每一个随机树的预测 过程是独立的。预测时，测试样本从内节点逐步向叶子节点移动。在内节点，根据训练时确 定的样本划分规则，决定下一个节点；到达叶子节点时，把其记录的年龄平均值输出作为随 机树的预测值，所有随机树预测值的平均值作为随机森林的预测结果。
[0056] 尽管出于说明性目的已经公开本发明的优选实施例，但是本领域的普通技术人员 将懂得各种变更，增加或是替代都是可能的，并不脱离如附带的权利要求书中所公开的本 发明的精神和范围。
【主权项】
1. 一种基于面部特征的年龄估计方法，其特征在于，包括以下步骤： 步骤A :利用Gabor滤波器构造初始特征集，覆盖不同的尺度，位置和方向 步骤B :利用随机投影方法，选择和年龄关联度最高的特征构成有效特征集 步骤C :利用随机森林方法训练年龄预测模型 步骤D :给定测试人脸图片，提取面部特征，利用训练后的随机森林模型预测人物年 龄。2. 根据权利要求1所述的基于面部特征的年龄估计方法，其特征在于，所述步骤A中生 成初始特征集的具体方法是：一个特征可以用6个参数的特征函数f (s，σ，Θ，X，y，r)表 示，给定一个128 X 128的面部图像和6个参数的值，按照如下步骤产生256维的特征：把图 像缩放致和参数为（σ，Θ)的Gabor滤波器卷积获得Gabor特征图，在特征图上 截取（X，y)为中心，2Xr+l为边长的正方形区域，缩放到16x16,最后按行展开得到256维 的特征向量。 优选实例中， s e {0,1,2} σ e {3,6,9,18} Θ e {0,45,90,135} X，y和r取值保证截取的正方形区域在对应特征图之内。3. 根据权利要求1所述的基于面部特征的年龄估计方法，其特征在于，所述步骤B中有 效特征集提取具体方法是：如果面部特征库内图片数是N。每个图对应一个年龄，则所有年 龄组成一个N维的向量。个特征在N个图上获得N个投影结果，也组成一个N维向量。通过 计算互相关系数，选择互相关系数最高的一个特征加入有效特征集合。其中互相关系数用 来衡量两个向量的相关度，绝对值越大，表示相关性越高。每一轮随机选择一个投影方向， 选出一个特征加入有效特征集合，共进行5000次。4. 根据权利要求1所述的基于面部特征的年龄估计方法，其特征在于，所述步骤C中随 机森林训练具体方法是：随机森林是随机树的集合，每一个随机树的训练是独立的，随机树 由内节点和叶节点组成。训练时，样本从内节点逐步向叶节点移动。在每一个内节点上，随 机选择一个特征和阈值，按照该特征值和阈值大小关系把样本划分成不相交的两个集合， 如此不断划分样本，构造新的内节点，直至达到预定的终止条件时，生成叶节点。叶子节点 记录节点内样本年龄的平均值。训练过程中，三个重要的参数是随机树的个数，随机树的最 大深度以及节点内样本最小数目，优选实例中随机树的最大深度取值300,随机树的个数取 值3000,节点内样本最小数目取1000。5. 根据权利要求1所述的基于面部特征的年龄估计方法，其特征在于，所述步骤D中年 龄预测具体方法是：给定测试脸部图像，首先根据训练时确定的有效特征集提取特征向量， 然后利用随机森林进行预测。随机森林的预测就是其内部随机树预测结果投票而产生的， 每一个随机树的预测过程是独立的。预测时，测试样本从内节点逐步向叶子节点移动。在 内节点，根据训练时确定的样本划分规则，决定下一个节点；到达叶子节点时，把其记录的 年龄平均值输出作为随机树的预测值，所有随机树预测值的平均值作为随机森林的预测结 果。
【专利摘要】本发明公开了一种基于面部特征的年龄估计方法，根据人物脸部图准确估计出人物年龄。本发明中公开的方法首先通过Gabor滤波器生成数量庞大的候选人脸特征集，为了排除冗余的特征，采用随机投影方法，从中选择出一批和人物年龄关联度最高的一批特征构成有效特征集，最后借助大量训练图片和随机森林模型，训练得到一个基于面部特征的年龄预测模型，达到年龄预测的目的。
【IPC分类】G06K9/62
【公开号】CN105488518
【申请号】CN201510745078
【发明人】曾凡涛
【申请人】杭州全实鹰科技有限公司
【公开日】2016年4月13日
【申请日】2015年11月3日
【技术领域】：
[0001] 本发明提出一种基于面部特征的年龄估计方法，利用视频，图像中人物面部的特 征，可W有效的估计出人物的年龄，具有较高的精度。
【背景技术】：
[0002] 当前，社会对于未成年人保护的重视程度逐渐升高，国家和地方都有立法保护未 成年远离伤害。但目前对未成年人的判断主要依赖于身份证的人工审查，运样不但审查的 工作量很大，而且在一些人流量比较大的地方也难W执行。本发明提出一种基于视频或图 像的年龄估计方法，可W辅助人工审查，提高对未成年人的保护效率。
【发明内容】
：
[0003] 本发明利用视频或图像中人物面部特征，对人物年龄进行估计。
[0004] 本发明有两部分构成：特征选择模块，通过分析人物年龄，从大量的面部特征集中 选择出和年龄关联度最高的特征，构成有效的特征集。年龄预测模块，利用有效特征集和训 练图片，训练一个年龄预测模块，达到年龄预测的目的。
【附图说明】： 阳〇化]从W下结合附图的详细说明中，将更为清楚的理解本发明的上述及其他目的，特 征及其他优点，其中：
[0006] 图1是表示本发明的整体架构示意图。
[0007] 图2是表示本发明的特征选择模块的流程图。
[0008] 图3是表示本发明的训练模块示意图。
[0009] 图4是表示本发明的预测模块示意图。
【具体实施方式】：
[0010] 现在，将参照附图描述本发明的优选实施例。
[0011] 图1是表示本发明的整体架构示意图。
[0012] 如图1所示，本发明由特征选择模块和年龄预测模块两部分组成。特征选择模块 根据面部图库从特征库中选择出和年龄关联度最高的有效特征集，来描述面部图像。年龄 预测模块则通过机器学习的方法，利用有效特征集，获得年龄预测模型，达到预测年龄的目 的。
[0013] 图2是表示本发明的特征选择模块的流程图。
[0014] 图2所示，本发明优选实例的特征选择模块详细步骤如下： 阳〇1引 （S2!)面部图库
[0016] 面部图库是经过人工处理的面部图片集，其中每一个图就是一个面部区域图，而 且对应的年龄也已知。此处面部区域定义为：人物正面面部图片，上边界到眉屯、，下边界 到下嘴唇底部，左边界到左眼外眼角，右边界到右眼外眼角。所有图片尺寸统一处理到 128x128ο
[0017] (S22)面部特征库 阳018] 面部特征库基于G油or特征构造初始特征集，最终每一个特征都是256维的向量。 G油or特征是一种纹理特征，可W通过G油or滤波器和图像卷积获得。G油or滤波器定义 为
[0019]
[0020] 其中
[0021] X'二 X cos 目 +y sin 目 [002引 y'二-X sin 目 +y cos 目
[0023] (S23)计算特征值
[0024] 一个特征可1^用6个参数的特征函数f(s，σ，Θ，x，y，r)表示，给定一个128X128 1οβ 19R 的面部图像和6个参数的值，按照如下步骤产生256维的特征：把图像缩放到和 参数为（0，Θ)的G油or滤波器卷积获得G油or特征图，在特征图上截取（X，y)为中屯、， 2Xr+l为边长的正方形区域，缩放到16x16,最后按行展开得到256维的特征向量。 阳〇2引优选实例中，
[0026] S e {〇, 1,2}
[0027] σ e {3,6,9,18}
[0028] θ e (〇,45,90，13引
[0029] X，y和r取值保证截取的正方形区域在对应特征图之内
[0030] (S24)随机选择一个投影方向
[0031] 投影方向和特征维度一致，特征向量和投影方向点乘就完成投影，结果是一个标 量
[0032] (S25)选择投影后和年龄相关度最高的向量
[0033] 如果面部特征库内图片数是N。每个图对应一个年龄，则所有年龄组成一个N维的 向量。一个特征在N个图上获得N个投影结果，也组成一个N维向量。通过计算互相关系 数，选择互相关系数最高的一个特征加入有效特征集合。其中互相关系数用来衡量两个向 量的相关度，绝对值越大，表示相关性越高，其数学定义如下：
[0034]
W对其中
[0036] P =如，口2, 口3, . . .，Pn)
[0037] Q = (Qi,化，屯，...，Qn)
[0038]
[0039]
柳4〇] (S26)终止条件
[0041] S24和S25每次选择出一个特征加入有效特征集，当有效特征数目达到Μ时终止特 征选择流程，优选实例中Μ取5000
[0042] 图3是本发明的训练模块示意图
[00创图3所示，本发明的优选实例的训练模块的详细步骤如下： 柳44] (S31)面部图库 W45] 训练集，和S21-致
[0046] (S32)有效特征集
[0047] 有效特征集是特征选择模块选出的和年龄相关性最高的一批特征。
[0048] (S33)随机森林训练模块 阳049] 随机森林是随机树的集合，每一个随机树的训练是独立的，随机树由内节点和叶 节点组成。训练时，样本从内节点逐步向叶节点移动。在每一个内节点上，随机选择一个特 征和阔值，按照该特征值和阔值大小关系把样本划分成不相交的两个集合，如此不断划分 样本，构造新的内节点，直至达到预定的终止条件时，生成叶节点。叶子节点记录节点内样 本年龄的平均值。训练过程中，Ξ个重要的参数是随机树的个数，随机树的最大深度W及节 点内样本最小数目，优选实例中随机树的最大深度取值300,随机树的个数取值3000,节点 内样本最小数目取1000。
[0050] 图4是本发明的预测模块示意图
[0051] 如图4所示，本发明的优选实例的预测模块的详细步骤如下： 阳0巧 （S41)测试图片
[0053] 测试图片也是正面面部图片，具体要求和S21 -致
[0054] (S42)随机森林预测模块
[0055] 随机森林的预测就是其内部随机树预测结果投票而产生的，每一个随机树的预测 过程是独立的。预测时，测试样本从内节点逐步向叶子节点移动。在内节点，根据训练时确 定的样本划分规则，决定下一个节点；到达叶子节点时，把其记录的年龄平均值输出作为随 机树的预测值，所有随机树预测值的平均值作为随机森林的预测结果。
[0056] 尽管出于说明性目的已经公开本发明的优选实施例，但是本领域的普通技术人员 将懂得各种变更，增加或是替代都是可能的，并不脱离如附带的权利要求书中所公开的本 发明的精神和范围。
【主权项】
1. 一种基于面部特征的年龄估计方法，其特征在于，包括以下步骤： 步骤A :利用Gabor滤波器构造初始特征集，覆盖不同的尺度，位置和方向 步骤B :利用随机投影方法，选择和年龄关联度最高的特征构成有效特征集 步骤C :利用随机森林方法训练年龄预测模型 步骤D :给定测试人脸图片，提取面部特征，利用训练后的随机森林模型预测人物年 龄。2. 根据权利要求1所述的基于面部特征的年龄估计方法，其特征在于，所述步骤A中生 成初始特征集的具体方法是：一个特征可以用6个参数的特征函数f (s，σ，Θ，X，y，r)表 示，给定一个128 X 128的面部图像和6个参数的值，按照如下步骤产生256维的特征：把图 像缩放致和参数为（σ，Θ)的Gabor滤波器卷积获得Gabor特征图，在特征图上 截取（X，y)为中心，2Xr+l为边长的正方形区域，缩放到16x16,最后按行展开得到256维 的特征向量。 优选实例中， s e {0,1,2} σ e {3,6,9,18} Θ e {0,45,90,135} X，y和r取值保证截取的正方形区域在对应特征图之内。3. 根据权利要求1所述的基于面部特征的年龄估计方法，其特征在于，所述步骤B中有 效特征集提取具体方法是：如果面部特征库内图片数是N。每个图对应一个年龄，则所有年 龄组成一个N维的向量。个特征在N个图上获得N个投影结果，也组成一个N维向量。通过 计算互相关系数，选择互相关系数最高的一个特征加入有效特征集合。其中互相关系数用 来衡量两个向量的相关度，绝对值越大，表示相关性越高。每一轮随机选择一个投影方向， 选出一个特征加入有效特征集合，共进行5000次。4. 根据权利要求1所述的基于面部特征的年龄估计方法，其特征在于，所述步骤C中随 机森林训练具体方法是：随机森林是随机树的集合，每一个随机树的训练是独立的，随机树 由内节点和叶节点组成。训练时，样本从内节点逐步向叶节点移动。在每一个内节点上，随 机选择一个特征和阈值，按照该特征值和阈值大小关系把样本划分成不相交的两个集合， 如此不断划分样本，构造新的内节点，直至达到预定的终止条件时，生成叶节点。叶子节点 记录节点内样本年龄的平均值。训练过程中，三个重要的参数是随机树的个数，随机树的最 大深度以及节点内样本最小数目，优选实例中随机树的最大深度取值300,随机树的个数取 值3000,节点内样本最小数目取1000。5. 根据权利要求1所述的基于面部特征的年龄估计方法，其特征在于，所述步骤D中年 龄预测具体方法是：给定测试脸部图像，首先根据训练时确定的有效特征集提取特征向量， 然后利用随机森林进行预测。随机森林的预测就是其内部随机树预测结果投票而产生的， 每一个随机树的预测过程是独立的。预测时，测试样本从内节点逐步向叶子节点移动。在 内节点，根据训练时确定的样本划分规则，决定下一个节点；到达叶子节点时，把其记录的 年龄平均值输出作为随机树的预测值，所有随机树预测值的平均值作为随机森林的预测结 果。
【专利摘要】本发明公开了一种基于面部特征的年龄估计方法，根据人物脸部图准确估计出人物年龄。本发明中公开的方法首先通过Gabor滤波器生成数量庞大的候选人脸特征集，为了排除冗余的特征，采用随机投影方法，从中选择出一批和人物年龄关联度最高的一批特征构成有效特征集，最后借助大量训练图片和随机森林模型，训练得到一个基于面部特征的年龄预测模型，达到年龄预测的目的。
【IPC分类】G06K9/62
【公开号】CN105488518
【申请号】CN201510745078
【发明人】曾凡涛
【申请人】杭州全实鹰科技有限公司
【公开日】2016年4月13日
【申请日】2015年11月3日
最新回复(0)