[发明专利]基于稀疏无向概率图模型的人脸年龄估计方法、系统

说明书

本发明公开了一种基于稀疏无向概率图模型的人脸年龄估计方法，属于机器学习和模式识别技术领域。本发明创新性地利用无向概率图构建了一个年龄分布预测模型，并且在模型的优化训练目标中加入合适的稀疏性正则项去约束模型参数。本发明还公开了一种基于稀疏无向概率图模型的人脸年龄估计系统。相比现有技术，本发明最大的两个优点在于：1.可以从复杂的图像特征中学习到更为丰富的信息去预测年龄分布，并且使用词向量对这些信息进行更为紧凑的编码。2.本方面利用了图像稀疏性的先验，加入了稀疏性正则项去约束模型参数，使得学习出来的模型有更好的泛化性。

技术领域

本发明涉及一种人脸年龄估计方法，尤其涉及一种基于稀疏无向概率图模型的人脸年龄估计方法，属于机器学习和模式识别技术领域。

背景技术

基于人脸图像的自动年龄估计的应用日趋广泛，主要包括以下几个方面：(1)基于年龄的人机交互系统：在普通人机交互系统的基础上引入人类年龄自动估计算法，根据用户的年龄不同而采用不同的交互界面或交互方式；(2)基于年龄的访问控制系统：用来防止未成年人访问不适宜的网页或内容、在自动售货机上购买烟酒产品、进入酒吧等不适宜的场所等；(3)电子商务：根据图像等估计客户的大致年龄，对不同年龄段的客户采用不同的营销策略；(4)刑事侦查：根据视频监控等拍下的犯罪嫌疑人图像资料判断嫌疑人的大致年龄，缩小排查范围。

利用计算机进行人脸年龄估计，即首先通过照相机或者摄像头获取人脸图像，由特征抽取算法提取人脸图像的特征，然后将其输入到一个训练好的年龄估计模型中，即可输出图像的估计年龄。

人脸年龄估计的主要困难之一是现存的人脸数据库在许多年龄上缺少充足的训练数据(人脸图像)，且目前的年龄估计算法又不能充分利用这些数据；另外，目前的算法不能在给出年龄预测的同时给出该预测的置信度，不利于进一步的决策。为了解决上述问题，Geng等人提出了年龄分布模型算法BFGS-LLD。标记分布将样本的单标记扩展到一个标记分布，对多类的学习有很大的帮助，尤其解决了类间相互关联和某些类训练数据不足的问题。相近年龄上的人的脸部特征是非常相似的，这是因为人脸的成长是一个缓慢且平稳的过程，因此，可以利用某个年龄的相近年龄的人脸图像帮助该年龄的模型的学习，将现有技术中采用的一幅图像对应一个年龄的方法，改为一幅图像对应一个关于年龄的标记分布的方法。

一幅真实年龄为α的人脸图像，其适当的年龄标记分布需满足以下两个条件：1)在标记分布中，年龄α对应的描述度是最大的；2)其他年龄对应的描述度的大小随着与α距离的增加而降低，使得与实际年龄越接近的年龄对标记分布的贡献越大。

年龄分布模型算法是从Geng等人2010年在国际会议AAAI’10上发表的论文“Facial Age Estimation by Learning from Label Distribution”中提出的标记分布学习LLD(Learning from Label distributions)方法中抽象出需要最小化的目标函数，并求解目标函数的梯度，然后利用BFGS优化算法。该算法由Broyden,Fletcher,Goldfarb,Shanno于1970年同时提出，因而命名为BFGS算法，可参见Shanno的论文Conditioning ofquasi-Newton methods for function minimization)进行求解。

上述即为年龄分布模型算法BFGS-LLD，虽然这个方法取得了不错的效果，但还是有两个问题。其一是对于图像数据，其提取的图像特征往往非常复杂，而BFGS-LLD是基于最大熵模型的方法，而最大熵模型是一个较为简单的参数模型，它不能够学习到足够的信息来预测年龄分布。第二个问题是这个模型没有利用图像的稀疏性的先验，而在之前的众多研究和实践中，对于图像特征，稀疏性已经被证实为一个很有用的先验，但是之前提出的年龄标记分布模型不能够利用这样的有效的先验知识，所以其学习到得的预测模型缺乏说服力与可信度。

发明内容