[发明专利]一种基于TFIDF的人脸图像年龄的估计方法

摘要

本发明一种基于TFIDF的人脸图像的年龄估计方法，将一张人脸图像经过ASM算法提取68个关键特征点生成向量AAM_img，并将其的每个分量转换成Landmark-Term，根据给定人脸图像库，抽取出所有图像的AAM特征，组成AAM样本空间，再从中得到Landmark-Term字典，对于任意一个人脸图像将其转换成一个Landmark-Term向量TermVec(img)，给每个年龄组里所有Landmark-Term向量求和，则对所有的年龄组别，可得到Landmark-Term权重矩阵W，根据该权重矩阵W，利用得到投影向量Proj(img)估计给定的人脸图像的可能年龄，本发明处理的是脸部相对简单的特征，计算量小，有助于提高大样本数据下的人脸图像年龄估计的准确度及计算速度。

主权项

一种基于TFIDF的人脸图像的年龄估计方法，其特征在于包括以下几个步骤：步骤1、将一张人脸图像img通过ASM算法提取68个关键特征点，生成形状向量AAM_img，记为AAM_img＝(x₁，x₂，…，x₁₃₆)，其中(x₁,x₂)作为形状向量AAM_img的第一个特征点，(x₃,x₄)作为形状向量AAM_img的第二个特征点，依次类推；步骤2、将所述形状向量AAM_img的每个分量转换成Landmark‑Term值，具体为:将形状向量AAM_img＝(x₁，x₂，...，x₁₃₆)的第i个分量x_i转换成形式为“F‑i‑LOC”的字符串，其中i表示第i个分量，其中,为取整操作，width为预置的固定值，称“F‑i‑LOC”为形状向量AAM_img第i个Landmark‑Term值,其中i的取值范围在[1,136]；步骤3、根据给定的人脸图像库，抽取出所有人脸图像的形状向量AAM_img，组成形状向量AAM_img样本空间(AAM_img1，AAM_img2，...，AAM_imgN)，假设整个AAM_img样本空间里有m个不同的Landmark‑Term值，则所有的Landmark‑Term值构成一个Landmark‑Term字典DIC,DIC＝(term₁,term₂,...,term_m),其中term_i表示Landmark‑Term字典DIC中的第i个Landmark‑Term值；步骤4、对于任意一个人脸图像的形状向量AAM_img，将其转换成一个Landmark‑Term向量TermVec(img)，具体如下：给定一个形状向量AAM_img，对应的Landmark‑Term向量为TermVec(img)＝(v₁,v₂,...v_m)，其中，m为Landmark‑Term字典中的Landmark‑Term值总数，若形状向量AAM_img中存在一个分量转化成Landmark‑Term值后与Landmark‑Term字典DIC中的term_i相同，则v_i＝1，否则v_i＝0；步骤5、给每个年龄组里所有Landmark‑Term向量求和，则对所有的年龄组别，可得到Landmark‑Term值的权重矩阵W，具体为：将给定的人脸图像库中训练数据的所有人脸图像按年龄分组，对于每一个年龄组，将该年龄组内所有的Landmark‑Term向量进行求和计算：其中,c_j表示第j个年龄组别，img∈c_j表示人脸图像img属于c_j年龄组，SumVec_j表示c_j年龄组的统计向量，其中第i个分量的值代表的是Landmark‑Term字典DIC中的term_i在c_j年龄组中出现的总次数，用tf(term_i,j)表示，即${\mathrm{SumVec}}_j=\left[\begin{array}{c}tf(ter{m}_1,j)\\ tf(ter{m}_2,j)\\ ...\\ tf(ter{m}_m,j)\end{array}\right],$则对所有的年龄组别，采用TFIDF来权衡每个年龄组中每个Landmark‑Term值的权重，按如下公式计算：$w_{i,j}=tf({\mathrm{term}}_i,j)*log\left(\frac{\left|C\right|}{\underset{k}{\Σ}\mathrm{\χ}({\mathrm{SumVec}}_k\[i\])}\right)$其中tf(term_i,j)＝SumVec_j[i]是term_i在C_j年龄组中出现的总次数，|C|是年龄组别的总数,SumVec_k[i]表示在C_k年龄组的统计向量的第i个分量值，χ是判断函数,$\mathrm{\χ}\left(x\right)=\{\begin{array}{c}1,ifx\>0\\ 0,else\end{array},$其中k＝1,2，...,m；w_i,j表明term_i在C_j年龄组中重要的权重，权重越大，term_i在C_j年龄组中越重要，记W＝(w_i,j)_m×|C|为权重矩阵，其中m为Landmark‑Term字典中的Landmark‑Term值总数,|C|是年龄组别的总数；步骤6、根据步骤5所得到的权重矩阵W得到投影向量proj(img)，具体为：对于一个未知年龄分组的人脸图像img，按权重矩阵W将该待测年龄的人脸图像img的Landmark‑Term向量投影到年龄组空间：proj(img)＝W×TermVec(img)'其中，TermVec(img)'是TermVec(img)的转置向量,proj(img)中第i个分量的值是该未知年龄分组的人脸图像img属于年龄组C_i的相似度，即意味着值越大，人脸图像img的年龄等于i的可能性越大；步骤7、根据步骤6所得到的投影向量proj(img)，估计待测年龄的人脸图像img的最大若干可能年龄，按以下步骤计算:(1)首先对proj(img)中的各分量按大小值进行降序排序；(2)取降序排序后的前n个分量，n为用户自定义的一个数值；(3)取该n个分量在原有投影向量proj(img)中的位置生成一个新向量posages(img)＝[topAge₁,topAge₂,...,topAge_n],其中,topAge₁表示proj(img)向量分量值最大的分量所在位置，即表示的是该待测年龄的人脸图像img最大可能年龄；topAge_i表示的是该待测年龄的人脸图像img中第i大可能的年龄，依此类推。