一种基于相关高斯过程回归的面部年龄估计方法
【技术领域】
[0001] 本发明属于计算机视觉技术领域，涉及面部年龄估计技术，主要应用于基于年龄 的登陆控制，年龄差异化广告以及年龄相关的人机交互技术等领域。
【背景技术】
[0002] 面部年龄估计技术是指通过计算机算法对人脸面部特征进行分析后，自动估计人 体年龄的技术。通常，计算机通过摄像头采集人脸图像（照片），并对面部特征进行提取和 分析，自动估计该图像对应的年龄。由于该技术在年龄相关的人际交互、基于年龄的登陆控 制和年龄差异化广告方面都有非常广泛的应用，因此它引起了计算机视觉领域学者的广泛 兴趣和关注。目前已有的人脸面部年龄估计算法可以分为3大类：（1)通用年龄估计方法， (2)性别差异化年龄估计方法，和（3)个性化年龄估计算法。
[0003] 通用估计方法作为最常见的一种年龄估计方法，其基本原理是假设所有人的面部 特征和对应年龄之间存在通用（共同）的映射关系，该映射关系可以通过线性或非线性回 归拟合实现。该类方法的优点是模型简单，不受训练样本数多少的影响。而其缺点在于估 计的准确性一般，原因在于每个个体面部特征与真实年龄之间的映射关系存在一定差异， 只通过一个通用模型无法覆盖上述所有差异性。参见文献：A.Lanitis,C.J.Taylor,and T.F.Cootes,AutomaticInterpretationandCodingofFaceImagesusingFlexible Models,IEEETransactionsonPatternAnalysisandMachineIntelligence,vol. 19,n 〇· 7,pp. 743 - 756, 1997。
【发明内容】
[0004] 本发明提供一种基于高斯过程回归的性别差异化面部年龄估计方法，首先提取面 部图像的形状特征，并对光照归一化和形状归一化后图像提取容貌特征；接着，根据所有图 像对应的标定年龄建立性别差异化的从面部特征到目标年龄的高斯过程回归模型，并求解 回归参数；最后，在给定待估计面部年龄图像时，提取面部形状和容貌特征并利用已学习的 高斯过程回归模型估计对应年龄。示意图参见图1。
[0005] 为了方便地描述本
【发明内容】
，首先对一些术语进行定义。
[0006] 定义1:面部特征点。人为定义人面部的一些特殊点，例如嘴角点，眼角点等，见图 2〇
[0007] 定义2 :FaceTracker。一种用于跟踪定位面部特征点的方法。
[0008] 定义3:仿射变换。在几何上定义为两个向量空间之间，由旋转、缩放和平移组成 的变换。仿射变换是由于拍摄刚性物体的位置、距离和角度所不同引起的同一物体在不同 图像中呈现的外观不一致，见图4。假设对原始图像进行平移量为ie1PP(^为 水平方向的平移量，ty为水平方向的平移量），旋转角度为0eΜ1和缩放倍数为seΜ1的仿 射变换，则变换后图像任意一点;τ' = (X,/)7'eΕ2与原图像对应点:t=O,y/eκ2之间的 关系可表示为：
[0009]
[0010]
[0011]
[0012] 这里β!= scos θ，β2=ssin θ，β3=st xcos θ+stysin θ，β4 =-stxsin θ+stYcos θ，也可等价为：
[0013]
[0014] -旦βi，β2,β3,β4这4个参数确定，对应的具体的仿射变换也即确定。
[0015] 定义4 :三角面片法。根据人脸特征点，由每三个特征点定义一个三角面片，这样 人脸可以看成是由若干三角面片组成的图像，见图6。
[0016] 定义 5 :梯度位置方向直方图（GradientLocation-OrientationHistogram， GL0H)特征。是一种描述图像局部梯度方向分布的视觉特征，通常包含子区域个数、大小、子 区域半径取值和梯度方向区间划分数目几个参数。
[0017] 定义6 :线性主成分分析方法。将多个变量通过线性变换以选出较少个数重要变 量的一种多兀统计分析方法。又称主分量分析。
[0018] 定义7 :回归函数。由未知参数构成的与输入变量有关的函数，用于估计输出值。
[0019] 定义8 :高斯过程先验。对于任意函数h(x)，对X的任意观测值Χρ…，xN，对应的 函数值构成向量[h(Xl)，…，h(xN)]都满足多维高斯分布，则函数h(x)满足高斯过程先验。
[0020] 定义9 :高斯过程回归。已知N个输入观测向量f\，f2，…fN和其对应的输出观测 值yi，y2，…yN，高斯过程回归假设输入与输出之间存在下述关系：
[0021] yn=h(fn)+￡n
[0022] h( ·)为回归函数，εn为噪声，同时假设由f^f2，…&处的函数值构成的向量h= [h(f\)，…，h(fN)]满足零均值的多维高斯分布，
[0023]
[0024] 其中K为高斯分布的协方差，K的第m行η列元素为：
[0025]
[0026] D为观测向量匕的维数，^为fm的第i个元素，为fn的第i个元素，参数为Θg --{ 9 〇，9 1，9 2，叮 1，···，叮 。
[0027] 定义10 :正态分布。假设任意D维随机向量X，对应的多维正态分布的形式为：
[0028]
[0029] 这里μ为正态分布的均值，Σ为正态分布的协方差。
[0030] 定义11 :核函数。在机器学习中，核函数通常用于计算在变换后特征空间中两个 向量的内积，它避免了在高维空间或者无限维数空间的计算。常用的核函数包括：
[0031] 线性核函数：k(f，f) =fV，
[0032] RBF核函数：k(f，）=θχρ(-τIIf-f， || 2)，
[0033] 其中f，f为两个原空特征间中的输入特征，τ为高斯核函数的参数。
[0034] 定义12 :对数似然函数。似然函数是一种关于统计模型参数的函数，似然函数的 对数即对数似然函数。
[0035] 定义13 :导数。当函数y=f(X)的自变量X在一点X。上产生一个增量ΔX时，函 数输出值的增量Ay与自变量增量AX的比值在AX趋于〇时的极限如果存在，即为在xD 处的导数，记作f(X。)。
[0036] 定义14 :梯度。当函数y=f(X)的自变量X的维数为D时候，梯度定义为？/??) _=:
J函数f(x)关于变量xd的偏导数。
[0037] 定义14:梯度法。梯度下降法是一个最优化算法，为求解函数f(x)取极值时，自 变量的取值可以迭代求解，即：
[0038]
[0039] 直到梯度值为零，得到解。
[0040] 本发明详细技术方案如下：
[0041] 一种基于相关高斯过程回归的面部年龄估计方法，包括以下步骤：
[0042] 步骤1 :采集不同人的包含不同年龄的面部图像N幅，其中男性的面部图像数量为 &，女性的面部图像数量为N2，因此N=K+N2，示例图片见图2 ;
[0043] 步骤2:对所有的面部图像利用FaceTracker方法跟踪面部特征点，共得到K个面 部特征点（K= 68)，包含：嘴角点，眼角点等，详见图3。对于任意第η幅面部图像，我们用 向直被,…，為堪脑记录所有特征点的位置，其中=SR2 表示第η幅面部图像的第k个特征点的位置坐标，由横坐标xnk和纵坐标ynk两维构成；
[0044] 步骤3 :由于每一幅图像拍摄状态不同，造成拍摄到的人脸面部大小、位置和旋转 角度不同，为了消除不同图像对应面部特征点之间的仿射变换，我们以第1幅图像为基准， 对图片库中所有图像的特征点位置进行仿射变换，让变换后的特征点位置与第1幅基准图 像的面部特征点位置尽量接近，若令Sl表示第1幅图像的所有面部特征点坐标，sn表示任 意第η幅面部图像的特征点，与基准图像之间的仿射变换参数β2,β3,β4应满足： 7
[0045]
2
[0046] 令β= {βηβ2,β3,β4}表示仿射变换参数集合，上式等价于：
[0047]
[0048]这里，Si= (xn，x12,-4,= (xn，yn，x12，y12, ，矩阵Xn的的大小为 2KX 4,具体的表达式为：
[0049] Λ
'? 今' /
[0050] 可以得到β的最小二乘解为：
[0051] β= (XnTXn) 1XnTs1,
[0052]利用求得