基于多尺度線性差分紋理特征的年齡估計方法和系統(tǒng)的制作方法
【技術領域】
[0001] 本發(fā)明涉及生物識別技術領域，特別涉及一種基于多尺度線性差分紋理特征的年 齡估計方法和系統(tǒng)。
【背景技術】
[0002] 人臉圖片包含豐富的個人信息，包括身份、年齡、性別以及種族等，這些信息被廣 泛應用于人機交互領域。隨著電子商務的發(fā)展和以及各種移動設備的普及，用戶的年齡信 息在人機交互中占據(jù)著越來越重要的作用。基于人臉圖片的年齡估計在人機交互中有著廣 泛的應用前景，比如安全監(jiān)控、電子商務中的用戶管理、網(wǎng)站的訪問控制、圖像與視頻檢索 以及更人性化的人機交互功能等。
[0003] 依靠人臉這一生物特征進行年齡估計，不需要使用者進行主動配合，因而操作隱 蔽性強，能夠提供更好的用戶體驗。同時，因為人臉圖片為非接觸式采集，因為沒有侵犯性， 更符合人類的識別習慣，容易被廣大用戶接受。
[0004] 然而，現(xiàn)有的人機交互過程中，用戶年齡的判斷存在難以識別或判斷誤差較大等 問題。因而現(xiàn)有技術還有待改進和提高。

【發(fā)明內(nèi)容】

[0005] 鑒于上述現(xiàn)有技術的不足之處，本發(fā)明的目的在于提供一種基于多尺度線性差分 紋理特征的年齡估計方法和系統(tǒng)。以解決現(xiàn)有人機交互中關于用戶年齡判斷中存在的問 題。
[0006] 為了達到上述目的，本發(fā)明采取了以下技術方案：
[0007] -種基于多尺度線性差分紋理特征的年齡估計方法，其中，包括如下步驟：
[0008] 使用基于Haar-1 ike特征和Adaboost分類器算法檢測待測圖片中的人臉，并剪切 出人臉區(qū)域；
[0009] 在剪切出的人臉區(qū)域中提取基于多尺度線性差分特征的紋理特征，并利用決策樹 進行特征選擇，降低特征向量維度；
[0010] 在降低特征向量維度后的特征空間中訓練SVR模型，并利用SVR模型進行人臉圖片 的年齡預測。
[0011]優(yōu)選地，所述的基于多尺度線性差分紋理特征的年齡估計方法，其中，所述使用基 于Haar-1 ike特征和Adaboost分類器算法檢測待測圖片中的人臉，并剪切出人臉區(qū)域步驟 包括：
[0012] 使用Harr-like特征表示人臉，針對所述待測圖像使用積分圖實現(xiàn)特征數(shù)值的快 速計算得到待測子圖像；
[0013] 使用Adaboost算法挑選出若干最能代表人臉的矩形特征形成若干弱分類器，按照 加權投票的方式將所述若干弱分類器構造為一個強分類器；
[0014]進行若干次訓練后，將訓練得到的若干強分類器串聯(lián)組成Adaboost級聯(lián)分類器， 利用Adaboost級聯(lián)分類器對待測子圖像進行檢測，剪切得到人臉區(qū)域。
[0015]優(yōu)選地，所述的基于多尺度線性差分紋理特征的年齡估計方法，其中，在剪切出的 人臉區(qū)域中提取基于多尺度線性差分特征的紋理特征的步驟，包括：
[0016] 利用主動形狀模型對剪切出的人臉區(qū)域進行人臉特征點檢測，并根據(jù)主動形狀模 型的人臉特征點位置，基于兩眼坐標點將人臉對齊:再根據(jù)兩眼距離采用雙線性三次插值 將人臉區(qū)域放縮到三個尺度，得到第一人臉區(qū)域、第二人臉區(qū)域和第三人臉區(qū)域；
[0017] 以某些特征點位置為中心，分別在第一、第二和第三人臉區(qū)域中劃分區(qū)域選取圖 像塊，保證第一、第二和第三人臉區(qū)域中的圖像塊大小一致;然后在每個圖像塊上，提取線 性差分特征。
[0018] 優(yōu)選地，所述的基于多尺度線性差分紋理特征的年齡估計方法，其中，所述主動形 狀模型包括訓練和搜索。
[0019]優(yōu)選地，所述的基于多尺度線性差分紋理特征的年齡估計方法，其中，所述利用決 策樹進行特征選擇，降低特征向量維度的步驟，包括：
[0020] S1、設置每個訓練樣本的初始權重為
[0021] S2、針對特征向量的每一個維度，訓練一個決策樹，作為弱分類器hj(Xl);
[0022] S3、計算誤差e j- Σ iWie(hj(Xi)，yi)，選出誤差最小時對應的維度j，作為特征選 擇的一個維度；
[0023] S4、重復步驟S2和S3,直至選出的特征維度數(shù)為d;
[0024] 其中，訓練數(shù)據(jù)中第i張人臉圖片的多尺度線性差分特征為^，訓練數(shù)據(jù)中共有m 張人臉圖片。
[0025] 優(yōu)選地，所述的基于多尺度線性差分紋理特征的年齡估計方法，其中，所述在降低 特征向量維度后的特征空間中訓練SVR模型，并利用SVR模型進行人臉圖片的年齡預測步驟 中，SVR模型根據(jù)特征向量的分布分為線性回歸和非線性回歸兩類。
[0026] 優(yōu)選地，所述的基于多尺度線性差分紋理特征的年齡估計方法，其中，所述線性回 歸中使用線性回歸函數(shù)：
[0027] f (x) =ffTx+b；
[0028] 其中，x為特征向量，W、b為回歸模型的參數(shù)，T代表矩陣轉(zhuǎn)置。
[0029]優(yōu)選地，所述的基于多尺度線性差分紋理特征的年齡估計方法，其中，所述非線性 回歸具體包括：
[0030] 通過非線性函數(shù)z = g(X)將原始特征向量X映射為高維特征向量ζ ;
[0031] 在高維向量空間中，對數(shù)據(jù)(z，y)進行線性回歸分析，即使用線性回歸模型；
[0032] 重復線性回歸分析，得到最終的回歸函數(shù)。
[0033] 一種基于多尺度線性差分紋理特征的年齡估計系統(tǒng)，其中，包括：
[0034] 人臉檢測單元，用于使用基于Haar-1 ike特征和Adaboost分類器算法檢測待測圖 片中的人臉，并剪切出人臉區(qū)域；
[0035] 特征提取單元，用于在剪切出的人臉區(qū)域中提取基于多尺度線性差分特征的紋理 特征，并利用決策樹進行特征選擇，降低特征向量維度；
[0036] 年齡估計單元，在降低特征向量維度后的特征空間中訓練SVR模型，并利用SVR模 型進行人臉圖片的年齡預測。
[0037]優(yōu)選地，所述的基于多尺度線性差分紋理特征的年齡估計系統(tǒng)，其中，人臉檢測單 元進一步包括：
[0038]放縮子單元，用于使用Harr-like特征表示人臉，針對所述待測圖像使用積分圖實 現(xiàn)特征數(shù)值的快速計算得到待測子圖像；
[0039] 分類子單元，用于使用Adaboost算法挑選出若干最能代表人臉的矩形特征形成若 干弱分類器，按照加權投票的方式將所述若干弱分類器構造為一個強分類器；
[0040] 識別子單元，用于進行若干次訓練后，將訓練得到的若干強分類器串聯(lián)組成 Adaboost級聯(lián)分類器，利用Adaboost級聯(lián)分類器對待測子圖像進行檢測，剪切得到人臉區(qū) 域。
[0041] 相較于現(xiàn)有技術，本發(fā)明提供的基于多尺度線性差分紋理特征的年齡估計方法和 系統(tǒng)，由于采用了基于RBF核的非線性支持向量回歸作為分類器模型，進行年齡估計。其年 齡估計更加準確，并且是通過人臉圖片進行年齡估計，可以使得人機交互更加人性，更加安 全。
【附圖說明】
[0042]圖1為本發(fā)明基于多尺度線性差分紋理特征的年齡估計方法的流程圖。
[0043]圖2為本發(fā)明基于多尺度線性差分紋理特征的年齡估計方法的實施例中人臉檢測 的示意圖。
[0044]圖3為本發(fā)明基于多尺度線性差分紋理特征的年齡估計方法的實施例中特征提取 的示意圖。
[0045]圖4a、圖4b、圖4c和圖4d分別是本發(fā)明基于多尺度線性差分紋理特征的年齡估計 方法的實施例中線性差分特征值的計算示意圖。
[0046]圖5為本發(fā)明基于多尺度線性差分紋理特征的