专利名称：年龄估计方法、设备和人脸识别系统的制作方法
技术领域：
本发明涉及人脸识别系统，更具体地，涉及人脸识别系统中的年龄估计 方法和设备。
背景技术：
要实现一个鲁棒的人脸识别系统，不可避免的要解决例如光照、表情、 姿态以及年龄等因素的影响。年龄估计，就是根据模式分类的方法，利用人 脸图像的特征，对该个体的年龄进行估计。基于年龄的人机交互在日常生活 中具有巨大的潜在应用。然而，自动年龄识别技术却在研究中被涉及的很少。 一个主要的原因是，人脸部老化效果的若干独特的特性使得年龄估计需要使 用 一些非标准的分类方法。这也使得年龄估计成为了 一个具有挑战性的问题。如果可以解决年龄识别问题，则有望实现以下的目标特定年龄的人机交互如果计算机可以准确地判断使用者的年龄，计算 环境和交互类型都可以根据使用者的年龄作出调整。不同于标准的人机交互， 这样的系统可以和Internet接入安全控制结合来保证青少年远离不健康信息。基于年龄的人脸图像索引自动的年龄识别可以用来对数据库中的人脸 图像进行排序，也可以将其用在电子相册中，这样用户可以方便的通过设定 年龄范围来对他们的照片进行排序、管理。自动人脸老化系统的实现自动的年龄识别依赖于对由于年龄变化所产 生的面部特征的变化的感知和分类，同样的方法也是自动人脸老化模拟系统 所需要的。现有技术中有一种基于EHMM (嵌入式隐马尔科夫模型)的年龄识别方 法，首先，通过对大量样本的分析，确定年龄和人脸关键特征的变化间的非 线性关系，并基于这种关系建立非线性模型；然后利用PARI (partial ageing ratio image,局部老化比率图像)来估计老化人脸的紋理；最后，利用从重建 的图像中提取的特征来训练EHMM用于人脸识别。在实现本发明过程中，发明人发现上述现有技术中存在如下问题现有方法的实现代价比较大，要对每一个年龄段的样本集分别提取大量 的轮廓信息以及紋理信息，运算量非常大。发明内容本发明实施例提供一种人脸识别系统中的年龄估计方法、设备和人脸识 别系统，以降低年龄估计的运算量。本发明实施例提供了一种年龄估计方法，包括处理用户的人脸图像以 提取原始特征数据；选择所述原始特征数据的子集作为低维特征数据，其中 所述低维特征数据的维度小于所述原始特征数据的维度；对所述低维特征数 据进行相关成分分析，以获得训练数据；根据所获得的所述训练数据，训练 用于年龄估计的回归分析参数；以及利用所述回归分析参数来估计所述用户 的年龄。本发明实施例还提供了一种年龄估计设备，包括原始特征提取^^莫块， 处理用户的人脸图像以提取原始特征数据；特征选择模块，选择所述原始特 征数据的子集作为低维特征数据，其中所述低维特征数据的维度小于所述原 始特征数据的维度；相关成分分析模块，对所述低维特征数据进行相关成分 分析，以获得训练数据；训练模块，根据由所述相关成分分析模块所获得的 所述训练数据，训练用于年龄估计的回归分析参数；以及估计;漠块，利用所 述回归分析参数来估计所述用户的年龄。本发明实施例还提供了一种人脸识别系统，包括上述年龄估计设备。 本发明实施例采用相关成分分析的方法对于人脸图像进行降维，采用回 归的方式来进行年龄估计，可以降低年龄估计方法中的运算量。
为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技 术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图 仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造 性劳动性的前提下，还可以根据这些附图获得其他的附图。 图1是示出根据本发明实施例的年龄估计方法的流程图。 图2是示出根据本发明实施例的相关成分分析步骤的流程图。 图3是根据本发明实施例和现有技术的二次回归年龄估计的平均误差结果的比较示意图。图4是测试样本示例图。图5是根据本发明实施例和现有技术的FG-Net数据库上计算性能的比较 示意图。图6是示出根据本发明实施例的年龄估计设备的示意图。 图7是示出根据本发明实施例的人脸识别系统的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创 造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。图1是示出根据本发明实施例的年龄估计方法100的流程图。 在该方法100中，在S105,处理用户的人脸图像以提取原始特征数据。 由被处理数据集(例如，人脸图像)通过计算或者测量产生一组特征值。由 于这是数据集本身得来的 一组数据，因此被称为原始特征数据。另外，在S105中，可以先对用户人脸图像进行预处理。例如，将图像大 小归一化。在S110,选择原始特征数据的子集作为低维特征数据。特征选择的目的 就是为了降低特征空间的维数，尽可能保留能用来有效分类的信息。对于人 脸图像来说，每一幅人脸图像数据都构成高维空间的一个点，但是高维空间 的众多维数中有的并不能有效体现分类特征，于是进行线性变换，删除冗余 信息，得到最有效的分类特征信息。由于原始特征数量可能很多，为了适应工程时间，必须尽可能减少特征 数目。特征选择就是将从原始特征中得到的数值按照某种准则选出用于分类 的子集，作为降维(从n维降到m维)的分类特征。换句话说，特征选择就 是利用已有的特征参数构造一个较低维数的特征空间，将原始特征中蕴含的 有用信息映射到少数几个重要特征上，忽略次要的信息。也就是对一个n维 原始特征向量通过某种变换，进行降维，产生低维的特征向量y = [^,72, ■，>; ,f ，附< 其中y含有X的主要特征。对于将高维数据向低维子空间中映射有许多种方法，主成分分析(PCA ) 是筒单有效的一种。PCA是由A.Turk和A.P.Pentland提出的，它是K-L变换 的一个扩展。K-L变换是一种典型的特征提取和数据表示的方法，是在均方 误差最小的意义下获得数据压缩的最佳变换，适用于任意的概率分布。主成 分分析是目前进行特征提取的最佳方法，已经被广泛运用到模式识别和计算 机视觉等很多领域当中。PCA是要找到一个可以满足最小方差准则的低维子 空间来表达原来的高维数据。对于给定的数据集(原始特征凄t据)Z—;c,KL,， 如果定义投影矩阵为p ,那么也就是找到可以使下面公式值达到最大的子空 间p = argmax p7印 这里，散布矩阵其中；是^^的平均向量。在S115，对在S110中得到的低维特征数据进行相关成分分析，以获得 训练数据。相关成分分析(RCA ; Relevant Component Analysis)可以找到并减少 数据集内的全局非相关变化。RCA方法通过线性变换来为相关维度分配较大 的权值，为不相关维度分配较小的权值，从而改变数据表示的特征空间。RCA 方法是介于主成分分析(PCA)和线性判别分析(LDA)之间的一类方法， 它利用了具有等价关系的样本子集(每一个样本子集中的样本属于相同但可 能未知标签的类别)，通过具有等价关系的样本子集来估计相关维度和非相关 维度，并通过白变换(White Transformation)来减少非相关性。RCA算法相当于利用部分样本的等价性信息做判别降维和去相关性。图2是示出根据本发明实施例的相关成分分析步骤S115的流程图。 在S1151,构造低维特征数据的至少一个等价样本子集。每个等价样本 子集属于同一年龄标签。对于一个整体样本来说，可以获得其部分样本的等价性信息，即在这些部分样本中，哪些样本属于相同的类别。不需要知道类 别的标签，在这里可以表述为不需要知道这些人脸图像的年龄标签，但是只要可以确定某些样本属于同一个年龄Al、某些样本属于同一个年龄A2.,.即 可(其中A1、 A2未知)。可以利用此等价性信息，对原图像集进行降维和消 除非相关性。在S1154，利用在S1151中所构造的等价样本子集，对低维特征数据进 行判别降维，以获得被进一步降维的降维样本。在降维的过程中，可利用具有等价性信息的部分样本的类间协方差矩阵 做为整体样本集(即，低维特征数据)的类间协方差矩阵的估计值，然后利 用cFDA ( combined Fisher discriminant analysis,纟且A Fisher判另'J^冲斤)ii^f于 降维。具体地，对于一个给定的数据集(低维特征数据)(Z,《,以及从该数据 集中得到的n个等价样本子集C,kh ^= &，计算等价子集的类内协方差矩阵- 1 n y=l ,=1其中N为数据集中的样本个数，^是子集。" h中的样本的平均值。使用6对数据集进行判别降维，降维方法如下所述。用D表示低维特征数据的维度。对于给定的一组等价样本子集^]",，计算等价样本子集的类内协方差矩阵的秩i -2:』c」-i),其中i^i表示第j个 等价样本子集的大小。 '如果D〉R，则使用PCA来将数据维度降维至a及，其中0< <1。 计算整体的协方差矩阵S,，并用等价样本子集的类内协方差矩阵做为整体样本集的类内协方差的估计值，即&=0，求解如下等式- W/4 = arg max —!~r，w并用^来获得数据在新的低维空间中的表示(即"降维样本数据"x')。 在S1157,减少降维样本数据的非相关性，以获得训练数据。 在减少非相关性的过程中，可定义对于同一个年龄标签的样本子集，其 方差大的方向即为非相关方向。可采用白变换来将协方差矩阵进行变换，使 得非相关方向的权值较低，这样就减少了样本子集中的年龄非相关性。 具体地，可重新计算降维后等价子集的类内协方差矩阵~ 1 " ■e=^ 2 (^'- -附/ 其中^￡ k示等价子集k^在低维子空间中的表示。计算5的白变换其中『是白变换结果。对数据集中的样本进行如下的变换L =股'其中；r表示的是降维后的数据点(降维样本数据)，义_是用于训练年龄 估计的回归分析参数的训练数据。返回图1，在S115获得训练数据之后，在S120,根据在S115中获得的训练数据，训练用于年龄估计的回归分析参数。回归分析(regression analysis)是确定两种或两种以上变数间相互依赖的 定量关系的 一种统计分析方法。在找到 一个低维PCA子空间来表示样本集(低维特征数据)之后，年龄 估计就变成了 一个在PCA空间中的多元线性回归问题。下式给出了具体的回 归模型，=/(M): i = /(;)这里i是估计得到的年龄标签，/(.)是未知的回归方程，是回归方程的一个估计。对于矩阵形式，上式可以表示为 丄=+ e, K冲)=o"2/这里的丄是年龄标签向量，^是一个已知矩阵，该矩阵是由样本集的PCA 特征向量组成。^K)表示方差(Variance), /是单位矩阵。万是需要我们在训 练阶段学习的系数向量参数。误差向量e是不可观测的随机变量，该随机变量 应该满足均值为0方差为c72以及不相关性。5由下面公式求得然后就可以得到回归方程 残差向量"Z-Z满足综合考虑结果的精确性以及算法复杂度，可选择二次方程来做回归分析。以每个样本图像在PCA子空间中的投影向量x作为特征输入。这里，/,是图像样本x,的估计年龄，S。是偏移量，4、 ^是估计回归方程 系数向量。乂是降维后的样本数据。 因此，可以得到其中U代表一个nx 1维的每个元素都是1的矩阵。 对于样本集来说，上述公式变为对应的矩阵形式 age = o,e, +《6 + w(62)其中"ge是对应样本集的估计年龄向量，c^e/是偏移量向量，6是样本集 合，Wl、 v^是回归系数矩阵。通过训练样本训练可以得到上述的系数矩阵^ 、 v^以及偏移向量o,W。 这样我们就得到了 二次函凄丈值。在S120中获得回归分析参^t之后，在S125，利用所获得的回归分析参 数来估计用户的年龄。在得到二次回归分析参数之后，将测试样本作为函数 输入代入公式，就可以得到每个样本的年龄估计值。基于RCA的特征降维方法利用了样本集的部分类别信息，即等价样本子 集，利用该等价样本子集来找到非相关方向，并利用白变换来减少样本集的 非相关性。RCA降维的作用是结合二次回归的应用，减少非相关性并降维， 不仅仅能够节省运算的开销，还能够提高回归估计的精度。这是因为回归的 参数过多会需要更多的训练样本，而在实际中很难满足大样本量的要求，RCA 很好地解决了这一 问题。本发明实施例方法的各个步骤可以根据实际需要对 顺序进行调整。图3是根据本发明实施例和现有技术的二次回归年龄估计的平均误差结 果的比较示意图。图4是测试样本示例图。本发明的发明人在MORPH库上进行了试验，将经过PCA降维处理之后 的数据按照1: 1的比例分成训练样本和测试样本两部分。对于试验如下设计现有技术采用PCA+回归。也就是说，使用PCA对图像集进行降维，再 进行回归预测，分别计算从1维到80维的年龄估计的平均绝对误差。根据本发明的一个实施例，采用RCA+回归首先使用PCA将图像降维 至80维，然后采用RCA中的cFDA再降维，再进行回归预测，考察/人1到 80维的年龄估计的平均绝对误差。(此处用于等价子集的样本比例是30%, 在使用RCA中的cFDA进行降维的时候，每一个年龄标签被视为一类)。具体地，将经过PCA降维处理之后的数据按照1: 1的比例分成训练样 本和测试样本两部分。在试验中，首先将原始图像用PCA降维到80维。其 中利用PCA对原图像进行降维处理。其次，利用RCA减少数据的非相关性并进一步降维。在这里选取部分具 有相同年龄标签的若干图像组成一个等价样本子集，并构造若干具有不同年 龄标签的等价样本子集。在这里我们选取原始样本集中30%的样本组成等价 样本子集。然后计算该等价样本子集的类内协方差矩阵(为了避免使用线性 判别降维对于回归结果的影响，将每一个年龄标签做为一类)。JV y=,=l并使用从样本子集获得的类内协方差，我们对原始图像集进行线性判别 降维(如上S1154所述)。对于降维后的样本，我们使用白变换进一步减少非相关性亡..『=cJ/J最后，我们对训练样本采用二次方程进行回归处理。 《"。+"+^y,2这里，/:是图像样本x,的估计年龄，^是偏移量，&;、 ^是估计回归方程 系数向量。y,是降维后的样本数据。对于样本集来说，上述等式变为对应的矩阵形式=+ w〖6 + w(62)"ge是对应样本集的估计年龄向量，。,W是偏移量向量，6是样本集合， W、 A是回归系凄丈矩阵。通过训练样本训练可以得到上述的系数矩阵^ 、 w2以及偏移向量o,e,。 这样就得到了二次函数值。将测试样本作为函数输入代入公式，就可以得到 每个样本的年龄估计值。结果如图3所示，X轴表示所取的特征维数，Y轴表示平均绝对误差(年)。根据图3结果，可以看到仅使用PCA的现有技术的情况下，当低维子空 间的维度较低的时候，平均绝对误差有明显的增加。而根据本发明实施例的 RCA方法可以保持比较低的稳定的平均绝对误差。并且RCA方法在较低维 度时取得了优于PCA的结果。另外，为了比较本发明实施例的方法与现有技术的方法在计算性能和估 计效率上的差异，本发明的发明人进行了如下的试验。在FG-Net上进行了试验，与PCA+SVR ( Support Vector Regression,支 持向量回归)的方法进行了比较，试验中对每个算法都釆用1: 1的方法把 FG-Net库分为测试集和训练集。试验结果与图5所示。图5是根据本发明实 施例和现有技术的FG-Net数据库上计算性能的比较示意图，其中X轴为降 维后的特征维数，Y轴为试验中图像训练及测试的时间，单位为秒。相比之 下，本发明实施例采用的RCA+QR (Quadratic Regression, 二次回归)的方 法在计算性能上有比较明显的改善，并且与其在估计性能上有比较接近的结 果，考虑到实际应用对于年龄估计的精确度的要求，本发明的发明人发现， 采用RCA+QR的方法在能够保持较低估计的平均绝对误差的基础上，大幅度 的提高计算的性能。表1是FG-Net库上的运行结果方法SVMSVRLAR4LAR8LAR16LAR32RCA+QR平均绝对误差7.165.165.075.075.126.035.19其中LAR4, LAR8， LAR16以及LAR32分别是在SVR基础上进行的局 部调整的鲁棒性方法，其计算的时间复杂度要高于SVR。在这里仅比较了 SVR 和RCA+QR在计算时间上的复杂度。注意到，图4所示三个样本的实际年龄分别是16岁、39岁和62岁。利 用本发明实施例的方法得到的估计年龄是18.2、 32.0和56.9。对于老龄的估 计准确度较低，其原因是所采用的训练库多为年代久远的生活照质量较差， 紋理模糊，且有非自然表情以及姿态等干扰。采用根据本发明实施例的年龄估计方法，能够降低年龄估计的运算量。图6是示出根据本发明实施例的年龄估计设备200的示意图。 该年龄估计设备200包括原始特征提取才莫块205、特征选择模块210、相模块220和估计模块225。年龄估计设备200可执行上面描述的方法100。具体地，原始特征提取 模块205处理用户的人脸图像以提取原始特征数据。特征选择模块210选择 原始特征数据的子集作为低维特征数据，其中低维特征数据的维度d 、于原始 特征数据的维度。相关成分分析模块215对低维特征数据进行相关成分分析， 以获得训练数据。训练模块220，根据由相关成分分析模块215所获得的训 练数据，训练用于年龄估计的回归分析参数。估计模块225，利用由训练模 块220训练得到的回归分析参数来估计用户的年龄。年龄估计设备200的各个模块以及其操作可对应于上述年龄估计方法 100，在此不再赘述。采用根据本发明实施例的年龄估计设备，能够降低年龄估计的运算量。图7是示出根据本发明实施例的人脸识别系统300的示意图。该人脸设 备系统300可包括上述年龄估计设备200。本领域技术人员可以理解，根据 实际需要，人脸设备系统300还可以包括其他设备(未示出)，如用于读取人 脸图像的设备、用于存储人脸图像的设备等。采用根据本发明实施例的人脸识别系统，能够降低年龄估计的运算量。本领域技术人员可以理解实施例中的装置中的模块可以按照实施例描述 分布于实施例的装置中，也可以进4亍相应变化位于不同于本实施例的一个或 多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成 多个子模块。本发明实施例提出了 一种基于相关成分分析以及二次回归的年龄估计方 法，对于人脸图像集中的样本进行估计。本发明实施例在对于人脸图像进行 降维的时候，使用相关成分分析，减少了人脸图像集的非相关性并在降维中 考虑了年龄判别信息。对于同一年龄的人脸图像，通过白变换来为变化较大 的方向(非相关维度)分配较低的权值，从而保证具有相同年龄的人脸图像 在低维空间保持较小的离散度。另一方面，本发明实施例将回归分析应用到 年龄估计中。具体地，首先，利用主成分分析对样本进行降维。其次，利用 RCA来减少样本集的非相关性，并进一步选择合适的判别降维空间。在降维 子空间中应用二次回归，建立回归和预测函数。本发明实施例可应用于对人的年龄进行估计、为视频图像存储中做标记 和整理图像库提供技术支撑，对于嫌疑犯检索等也能够缩小检索范围，提高 检索效率。另外，本发明实施例可对于人脸识别、年龄分类等提供技术勤出。应注意，本发明实施例描述了采用PCA进行降维，但本领域技术人员明白，其他降维方法也可应用于本发明，因而也在本发明的范围内。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各 示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实 现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一 般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执 行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个 特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超 出本发明的范围。结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理 器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可纟察除可编程ROM、 寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形 式的存储介质中。尽管已示出和描述了本发明的一些实施例，但本领域技术人员应理解， 在不脱离本发明的原理和精神的情况下，可对这些实施例进行各种修改，这 样的修改应落入本发明的范围内。
权利要求
1、一种人脸识别系统中的年龄估计方法，其特征在于，包括处理用户的人脸图像以提取原始特征数据；选择所述原始特征数据的子集作为低维特征数据，其中所述低维特征数据的维度小于所述原始特征数据的维度；对所述低维特征数据进行相关成分分析，以获得训练数据；根据所获得的所述训练数据，训练用于年龄估计的回归分析参数；利用所述回归分析参数估计所述用户的年龄。
2、 如权利要求1所述的年龄估计方法，其特征在于，所述选择所述原始 特征数据的子集作为低维特征数据包括采用主成分分析选择所述原始特征 数据的子集作为所述低维特征数据。
3、 如权利要求1所述的年龄估计方法，其特征在于，所述对所述低维特 征数据进行相关成分分析以获得训练数据包括构造所述低维特征数据的至少一个等价样本子集，其中每个所述等价样 本子集属于同一年龄标签；利用所构造的等价样本子集，对所述低维特征数据进行判别降维，以获 得被进一步降维的降维样本数据；减少所述降维样本lt据的非相关性，以获 得所述训练数据。
4、 如权利要求3所述的年龄估计方法，其特征在于，所述利用所构造的 等价样本子集对所述低维特征数据进行判别降维包括确定所述等价样本子集的类内协方差矩阵；将所述等价样本子集的类内协方差矩阵作为所述^f氐维特征数据的类内协 方差矩阵的估计值，利用组合Fisher判别分析对所述^f氐维特征数据进行判别 降维。
5、 如权利要求3所述的年龄估计方法，其特征在于，所述减少所述降维 样本数据的非相关性包括对于属于同一年龄标签的等价样本子集，定义其方差大的方向为非相关 方向。
6、 如权利要求3所述的年龄估计方法，其特征在于，所述减少所述降维 样本数据的非相关性包括确定所述降维样本ft据的类内协方差矩阵；对所述降维样本数据的类内协方差矩阵进行白变换，得到白变换结果； 基于所述白变换结果和所述降维样本数据，获得所述训练数据。
7、 一种人脸识别系统中的年龄估计设备，其特征在于，包括 原始特征提取模块，用于处理用户的人脸图像以提取原始特征数据； 特征选择模块，用于选择所述原始特征数据的子集作为低维特征数据，其中所述低维特征数据的维度小于所述原始特征数据的维度；相关成分分析^^莫块，用于对所述低维特征数据进行相关成分分析，以获 得训练数据；训练模块，用于根据由所述相关成分分析模块所获得的所述训练数据， 训练用于年龄估计的回归分析参数；估计模块，用于利用所述回归分析参数来估计所述用户的年龄。
8、 如权利要求7所述的年龄估计设备，其特征在于，所述特征选择模块 采用主成分分析选择所述原始特征数据的子集作为所述低维特征数据。
9、 如权利要求7所述的年龄估计设备，其特征在于，所述相关成分分析 模块包括构造单元，用于构造所述低维特征数据的至少一个等价样本子集，其中 每个所述等价样本子集属于同 一年龄标签；判别降维单元，用于利用所构造的等价样本子集，对所述低维特征数据 进行判别降维，以获得被进一步降维的降维样本数据；去相关性单元，用于 减少所述降维样本数据的非相关性，以获得所述训练数据。
10、 如权利要求8所述的年龄估计设备，其特征在于，所述判别降维单 元确定所述等价样本子集的类内协方差矩阵，将所述等价样本子集的类内协 方差矩阵作为所述低维特征数据的类内协方差矩阵的估计值，利用组合Fisher 判别分析对所述低维特征数据进行判別降维。
11、 如权利要求8所述的年龄估计设备，其特征在于，所述去相关性模 块对于属于同一年龄标签的等价样本子集，定义其方差大的方向为非相关方 向。
12、 如权利要求8所述的年龄估计设备，其特征在于，所述去相关性模 块对所述降维样本数据进行白变换，以获得所述训练数据。
13、 —种人脸识别系统，其特征在于，包括如权利要求7至12任一项所 述的年龄估计设备。
全文摘要
本发明实施例提供了一种年龄估计方法和设备。该方法包括处理用户的人脸图像以提取原始特征数据；选择所述原始特征数据的子集作为低维特征数据，其中所述低维特征数据的维度小于所述原始特征数据的维度；对所述低维特征数据进行相关成分分析，以获得训练数据；根据所获得的所述训练数据，训练用于年龄估计的回归分析参数；利用所述回归分析参数来估计所述用户的年龄。通过本发明实施例，可以降低人脸识别系统中的年龄估计的运算量。
文档编号G06K9/00GK101615248SQ200910131059
公开日2009年12月30日 申请日期2009年4月21日 优先权日2009年4月21日
发明者左坤隆, 王蕴红, 韬 郝 申请人:华为技术有限公司;北京航空航天大学