基于人工免疫识别系统的年龄估计系统及方法
【技术领域】
[0001] 本发明属于电子信息技术领域，涉及一种年龄估计系统，尤其涉及一种基于人工 免疫识别系统的年龄估计系统；同时，本发明还涉及一种基于人工免疫识别系统的年龄估 计方法。
【背景技术】
[0002] 年龄估计是一个很复杂的问题。这是因为，人的年龄特征在外表上很难准确地被 观察出来，即使是人用眼睛也很难准确地判断出一个人的年龄。人脸的年龄特征通常表现 在皮肤纹理、皮肤颜色、光亮程度和皱纹纹理等方面，然而这些因素通常与个人的遗传基 因、生活习惯、性别、性格特征和工作环境等方面相关。因此，很难用一个统一的模型去定义 人脸图像的年龄，通常需要通过大量样本的学习才能较好地估计出人的年龄层次。
[0003]目前，要准确地估计出一个人的具体年龄，仍然是一个很困难的问题。近年来，根 据人脸图像进行年龄自动估计的方法在收集市场信息方面有着广阔的应用前景。
[0004] 有鉴于此，如今迫需要设计一种新的年龄估计系统，以便克服现有估计模型的上 述缺陷。
【发明内容】
[0005] 本发明所要解决的技术问题是：提供一种基于人工免疫识别系统的年龄估计系 统，可提尚年龄估计的精确度。
[0006] 此外，本发明还提供一种基于人工免疫识别系统的年龄估计方法，可提高年龄估 计的精确度。
[0007] 为解决上述技术问题，本发明采用如下技术方案：
[0008] -种基于人工免疫识别系统的年龄估计系统，所述年龄估计系统包括：
[0009] 人脸特征自动提取模块，用以自动提取人脸特征；
[0010] 人工免疫识别系统，用以确定人脸图像与年龄段类别之间的所属关系，从而得到 想要的年龄分类器。
[0011] 作为本发明的一种优选方案，所述人脸特征自动提取模块利用AAM人脸自动标注 方法来自动提取人脸特征，通过对人脸的自动标定，标定出人脸最能表达人脸年龄特征部 分点。
[0012] 作为本发明的一种优选方案，为了建立人脸形状模型，对训练库中一组人脸样本 的每个样本的特征点进行标记；将所有形状对齐到一个平均形状上，并使用PCA分析则可 得到任意形状的表示：
⑴
[0014] 其中，f是平均形状，Ps是正交的特征向量矩阵，b s是形状参数集合；
[0015] 在建立人脸纹理模型过程中，先使用Delaunay三角形准则对每个样本进行变换 以映射到平均形状，之后对样本进行归一化处理，最后使用PCA分析获得线性纹理统计模 型：
(2；)
[0017] 其中，g是纹理样本的平均灰度值，Pg是正交的特征向量矩阵，bg是灰度参数集合；
[0018] 对任意人脸，其形状和纹理模型可利用参数bs，\来表示；由于形状和纹理之间的 关联性，需要进一步应用PCA方法。先建立b s，bg的连接向量：
⑶
[0020] 其中，1；3是一个对角矩阵，用来调节形状模型和纹理模型的之间的权重；再次应用 PCA分析，得到人脸对象的最终参数向量：b = Qc。其中，Q是特征向量，c是外观参数向量， 用于控制形状模型和纹理模型。由于模型的线性特性，我们可以直接用c表示形状模型和 纹理模型：
⑷
[0022] AAM人脸定位过程就是在图像中搜索人脸对象，并用c表示人脸对象的过程。给定 初始人脸模型估计参数c〇,通过运算，最终使人脸模型与被检测人脸图像的轮廓和纹理匹 配，从而得出新的c值。
[0023] 作为本发明的一种优选方案，在人脸图像自动标定58个点，使用形状s和纹理g 特征构成最终的人脸年龄特征信息X。
[0024] 作为本发明的一种优选方案，所述人工免疫识别系统为基于Partial HausdorfT 距离的人工免疫识别系统，人体免疫系统与人工免疫识别系统映射关系如下：抗体对应特 征向量，识别球ab对应特征向量与向量类的结合，克隆膨胀对应最能与抗原进行匹配的人 工识别球体的复制，抗原ag对应训练样本特征，亲和度成熟对应具有最少刺激值的人工识 别球随机的变异与转移，免疫记忆对应变异后的人工识别球的记忆设置；
[0025] 人工识别球ARB的概念在Timmis机器学习模型RLAIS中得到定义，其代表B细胞； 每一个ARB将代表一定数量的相同的B细胞，基于刺激水平对B细胞进行分配，当ARB不再 需要B细胞时该ARB将被去除，由此实现有效的群体控制；刺激水平即B细胞和训练数据以 及相邻B细胞的匹配程度；
[0026] 通过在训练数据中随机选取η个作为初始B细胞，然后B细胞成为血浆细胞经历 克隆膨胀过程，在克隆过程中，B细胞根据自身与抗原匹配的程度的比例来进行克隆，然后 再通过亲和度成熟，即根据其抗原亲和度所占反比进行变异，最后经过资源竞争过程成为 记忆细胞。
[0027] 作为本发明的一种优选方案，所述人工免疫识别系统包括：亲和度计算模块、初始 化模块、人工识别球的初步产生模块、资源竞争与记忆细胞生成模块、分类模块；
[0028] 所述亲和度计算模块采用Partial Hausdorff距离来计算亲和度，Partial Hausdorff距离的定义是从Hausdorff距离引申而来的，是根据Hausdorff距离改进的，相 比Hausdorff距离具有抗干扰性和容错性更强的特性点；Hausdorff距离定义如下：
[0029] 给定两点向量 A = {a1; a2,…，aj 和 B = Od1, b2,…，bj，Hausdorff 距离为：
[0030] H (A, B) = max (h (B, A), h (A, B))
[0031] 其中：
，其中d 为欧氏距离，如果定义A中点a到B的距离为a与B中所有点距离的最小值，那么h(A，B) 则为A中所有点到B的距离的最大值；
[0032] 由Hausdorff距离引申的Partial Hausdorff距离定义为：
[0033] HKi l (A, B) = max (hK (B, A), hL (A, B)) (5)
[0034] 其中：hK(B，A)表示B中所有的点到A距离按从小到大排序，其中第K大距离的值； 同理k (A，B)表示A中所有的点到B距离按从小到大排序，其中第L大距离的值；
[0035] 这样通过定义Partial Hausdorff距离就消除了计算Hausdorff距离时孤立点对 其造成的影响；
[0036] 在本发明中，通过AAM方法自动提取人脸年龄特征Xi、x_j两特征间亲和度计算方法 为：
[0037] HKjL= max (h κ (χ?； Xi), hL (xi; Xj)) (6)
[0038] 其中Xj分别为训练图片中的第i、j副图片的特征向量；
[0039] 所述初始化模块将人脸图片按年龄段不同分为：0~5, 5~10,15~20,…，75~ 80共16类，通过AAM方法提取所有训练样本特征X = U1, X2,…，xj ;计算任意两两之间的 亲和度值即Partial Hausdorff距离，并对亲和度值进行标准化，即将值缩小到[0，1]范围 内，然后计算亲和度门限值：
Π )
[0041 ] 其中，η表示训练数据个数，agJP ag 表示第i和第j个训练抗原向量， affinity (X，y)返回标准化后的X与y间的Partial Hausdorff距离；
[0042] 最后在训练抗原向量集中随机选取t个抗原向量作为初始记忆细胞群和初始ARB 群；t〈n ;
[0043] 所述人工识别球的初步产生模块的处理过程中，训练过程为一次性增加算法，每 一个训练数据在学习算法中只出现一次，在这一步中给出一个有效的抗原ag，根据式（8) 找出记忆细胞集中与之最能匹配的的记忆细胞HlC niateh;
[0045] 其中ag为抗原，ag. c为第C类抗原，me为记忆细胞，MCag e为第C类的记忆细胞 集，stimulation (x，y)的定义如式（9):
[0046] stimulation (x,y) = 1-affinity(x, y) (9)
[0047] 如果记忆细胞集中与抗原同类的记忆细胞为空，那么此抗原则作为这类的Hicniateh 加入到记忆细胞集中；如果不为空，则先找出与抗原同类的记忆细胞中的HlCniateh，那么 mcmteh就成为ABR参与克隆、变异，每类的me "^克隆数与抗原和me mteh之间的刺激值成正 比，而变异数则与刺激值成反比；最后加入到人工识别球集合AB当中；
[0048] 所述资源竞争与记忆细胞生成模块对克隆变异后形成的人工识别球集合AB，重新 计算每一个人工识别球ab的刺激值，如果ab与给定的ag同类，那么：
(10) (115
[0052] 按刺激值大小成正比的方法对资源进行分配，总资源数自行设定，如果分配后的 每一类资源数大于最大允许资源分配数，则删除刺激值相对较小的ab，同时删除刺激值为 0的ab，直至最后这一类资源分配数等于最大允许资源分配数；
[0053] 如果资源竞争后的人工识别球集合AB符合停止标准，表示训练结束，停止标准如 下：
(12)
[0055] 其中ab」表示属于第i类的人工识别球集合AB i的第j个ab，当AB中所有类别的 s多刺激值门限满足条件；
[0056] 如果资源竞争后的AB不满足停止标准，那么AB中的所有ab参与克隆、变异，然后 再进行资源竞争，不断的循环进行，直到满足停止标准为止。就表示对这一给定的ag训练 结束，候选记忆