人脸年龄估计算法的设计与实现

发布时间：2017-08-28 05:44

  本文关键词：人脸年龄估计算法的设计与实现

  更多相关文章： 年龄估计 深度学习 卷积神经网络 低秩表示 块对角

【摘要】：近年来,随着计算机视觉的发展,人脸识别技术成为模式识别领域非常热门的一个研究课题。人脸是人类非常重要的生物学特征之一,人脸中包含了很多重要的信息,例如身份、性别、年龄、表情、种族等等。在这所有的信息中,人脸显示出的年龄信息是人类身份识别的重要依据,并且人脸图像的年龄估计在人机交互、计算机视觉、智慧商业等领域有着非常不错的应用前景。因此,人脸年龄估计引起了越来越多的学者的关注。现有的人脸年龄估计的算法主要从人脸特征与估计方法两方面解决人脸图像的年龄估计问题。特征方面,Gabor特征、LBP(Local Binary Patterns)特征等基本人脸纹理特征,以及针对人脸的AAM(Active Appearance Model)特征等都是人脸年龄估计的常用特征。估计方法方面,研究学者大致采用分类与回归两种方法解决人脸的年龄估计问题。但是由于人脸呈现出的年龄受性别、健康状况等多种因素的影响,不同年龄特征间存在着复杂的内在联系等因素,导致对于人脸年龄估计的研究存在着很大的难点与挑战。本论文以解决人脸图像的年龄估计问题为出发点,深入研究了两种人脸年龄估计的方法,利用FGNET、Morph等数据库进行算法验证,并建立一个实时人脸年龄估计的演示系统,实现人脸年龄的实时估计,将算法转化为实际应用。(1)、基于卷积神经网络的人脸年龄估计方法。该方法构建了一个多层卷积神经网络,通过卷积神经网络获取深度卷积激活特征,作为人脸年龄估计的特征,并利用支持向量机(SVM)的方法训练年龄估计模型,得到年龄估计结果。利用Gobar特征与支持向量机(SVM),基于C++语言与OpenCV开源库实现实时的人脸年龄估计系统,实现算法到应用的有效转化。(2)、基于结构化的低秩特征表示的人脸年龄估计方法。该方法采用带约束的块对角化的方法,通过引入块对角稀疏正则项学习人脸特征的新的区分力强的低秩特征表示,这种新的特征表示很好地利用相近年龄特征之间的的相似性与结构性,可以提高年龄估计的准确率。在学习到新的特征表示之后,采用回归的方法进行人脸图像的年龄估计。以上年龄估计的方法都取得了很好的效果,并且基于结构化的低秩特征表示的人脸年龄估计方法在结果上优于基于卷积神经网络的人脸年龄估计方法。
【关键词】：年龄估计 深度学习 卷积神经网络 低秩表示 块对角
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-11
• 1 引言11-17
• 1.1 研究背景及意义11-13
• 1.1.1 研究背景与挑战11-12
• 1.1.2 应用价值与意义12-13
• 1.2 国内外研究现状13-15
• 1.3 论文主要研究内容15-16
• 1.4 论文组织结构16-17
• 2 年龄估计相关理论17-30
• 2.1 年龄估计算法流程17-18
• 2.2 年龄估计数据库18-21
• 2.2.1 FG-NET数据库18-19
• 2.2.2 Morph数据库19-20
• 2.2.3 其他主流数据库20-21
• 2.3 年龄估计特征21-26
• 2.3.1 AAM特征21-24
• 2.3.2 BIF特征24-25
• 2.3.3 Gabor特征25-26
• 2.4 年龄估计方法26-28
• 2.5 年龄估计评价方法28-29
• 2.6 本章小结29-30
• 3 基于卷积神经网络的人脸年龄估计方法30-48
• 3.1 算法提出动机30-31
• 3.2 算法框架31-32
• 3.3 卷积神经网络基本理论32-34
• 3.4 算法详细设计34-39
• 3.4.1 卷积神经网络结构及构建方法34-36
• 3.4.2 卷积神经网络训练36-38
• 3.4.3 深度卷积激活特征38-39
• 3.4.4 年龄估计方法39
• 3.5 实验设置与结果分析39-44
• 3.5.1 实验设置40-41
• 3.5.2 实验结果分析41-44
• 3.5.3 对比实验44
• 3.6 算法的应用44-47
• 3.7 本章小结47-48
• 4 基于结构化的低秩特征表示的人脸年龄估计方法48-63
• 4.1 低秩矩阵恢复48-50
• 4.1.1 理论概述48-49
• 4.1.2 理论内容49-50
• 4.2 结构化的稀疏低秩表示学习50-54
• 4.2.1 问题描述50-52
• 4.2.2 最优化求解52-54
• 4.3 年龄估计的回归方法54
• 4.4 实验设置与结果分析54-61
• 4.4.1 实验设置55-56
• 4.4.2 实验结果分析56-61
• 4.5 两种算法对比61-62
• 4.6 本章小结62-63
• 5 总结与展望63-65
• 5.1 总结63-64
• 5.2 展望64-65
• 参考文献65-69
• 作者简历及攻读硕士学位期间取得的研究成果69-71
• 学位论文数据集71

【相似文献】

中国期刊全文数据库 前10条

1 刘波;;“算法设计与分析”教学探讨[J];高等理科教育;2007年04期

2 肖小克;陈莉;;《算法设计与分析》实践教学探讨[J];福建电脑;2009年10期

3 穆瑞辉;;计算机算法设计研究与思考[J];数字技术与应用;2012年12期

4 潘博;;构建“算法设计与分析”趣味课堂[J];科教文汇(下旬刊);2013年06期

5 王希常,杨志强;一类考场编排算法的设计[J];山东师范大学学报(自然科学版);2002年04期

6 龙腾芳,高金文;“分而治之”方法在算法设计中的应用[J];渤海大学学报(自然科学版);2004年01期

7 吕国英;;《算法设计与分析》教材建设的实施[J];计算机教育;2007年19期

8 徐子珊;;“算法设计与分析”教学中理论与技术的平衡[J];计算机教育;2008年10期

9 郑红;邵志清;符海波;;“算法设计与分析”课程教学改革初探[J];计算机教育;2008年14期

10 高尚;;“算法设计与分析”课程改革初探[J];计算机教育;2008年14期

中国重要会议论文全文数据库 前10条

1 雷咏梅;;椭圆曲线密码体制的算法设计与实现[A];西部大开发 科教先行与可持续发展——中国科协2000年学术年会文集[C];2000年

2 杨盘洪;朱军祥;赵建安;杨静;;机动目标跟踪的模糊变结构交互多模算法[A];2007'中国仪器仪表与测控技术交流大会论文集（二）[C];2007年

3 徐子珊;;《算法设计与分析》课程中的工程教育[A];2005年全国理论计算机科学学术年会论文集[C];2005年

4 王辉;刘治昌;;用一种新算法设计的安全系统[A];2007年中国智能自动化会议论文集[C];2007年

5 舒辉;柳清峰;杜祝平;周蓓;;实践教学模式在本科专业课程教学中的应用[A];中国电子教育学会高教分会2010年论文集[C];2010年

6 彭小宏;阳东升;刘忠;;基于聚类算法的组织协作网设计[A];2006中国控制与决策学术年会论文集[C];2006年

7 李皓;罗熊;;云存储部署优化的进化算法设计[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

8 罗长政;李熙莹;王镇波;罗东华;;一种大流量交叉路口的背景提取与更新算法[A];第十五届全国图象图形学学术会议论文集[C];2010年

9 杨利;李霖;昌月楼;阳国贵;;对称位向量及启发式并行散列连接算法[A];数据库研究与进展95——第十三届全国数据库学术会议论文集[C];1995年

10 张晋;;嵌入式电脑鼠运行算法的研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

中国重要报纸全文数据库 前1条

1 ;算法设计的策略[N];电脑报;2003年

中国博士学位论文全文数据库 前10条

1 谷伟哲;齐次光滑算法及其应用[D];天津大学;2010年

2 龙海侠;进化算法及其在生物信息中的应用[D];江南大学;2010年

3 谭跃;具有混沌局部搜索策略的粒子群优化算法研究[D];中南大学;2013年

4 尤海峰;求解隐式目标优化问题的交互式进化算法研究[D];中国科学技术大学;2011年

5 张常淳;基于MapReduce的大数据连接算法的设计与优化[D];中国科学技术大学;2014年

6 郭崇慧;地区中长期发展规划若干定量模型、算法及应用研究[D];大连理工大学;2002年

7 蒋蔚;粒子滤波改进算法研究与应用[D];哈尔滨工业大学;2010年

8 孙贺;算法设计中的若干前沿问题[D];复旦大学;2009年

9 陈宁涛;基于二分技术的高效算法设计及其应用[D];华中科技大学;2006年

10 娄晓文;无符号基因组切割再粘贴重组问题的算法研究[D];山东大学;2010年

中国硕士学位论文全文数据库 前10条

1 李欣园;基于选择偏好的组合聚类算法研究与实现[D];内蒙古大学;2015年

2 杨潇;界约束非线性最小二乘问题的无导数算法[D];上海交通大学;2015年

3 王晓璐;基于Zynq的LS-SVM算法加速器设计[D];哈尔滨工业大学;2015年

4 楼磊磊;医疗保险数据异常行为检测算法和系统[D];浙江大学;2015年

5 齐海龙;基于改进人工蜂群算法的非线性系统辨识方法研究[D];北京化工大学;2015年

6 蔡平梅;结构化稀疏信号的恢复算法研究[D];上海大学;2015年

7 赵晨阳;基于蚁群算法的高阶图匹配方法研究[D];西安电子科技大学;2014年

8 苟清松;多目标粒子滤波检测前跟踪算法研究[D];电子科技大学;2015年

9 李枝勇;蝙蝠算法及其在函数优化中的应用研究[D];上海理工大学;2013年

10 李莲;基于蜂群和粗糙集的聚类算法研究[D];长沙理工大学;2014年

，

本文编号：747275