基于自适应多重多元回归的人脸年龄估计

发布时间：2021-03-20 12:35

　　人脸图像可以直观地反映出许多与人相关的个性化特征,不仅包括性别、年龄、种族、肤色等这些生物学特征,还传递出丰富多样的神态和情绪。在这些个性化特征中,年龄是一种极具实用价值的生物学信息。给定一张真实的人脸图像,在提取出与年龄相关的人脸特征的基础上,建立年龄估计模型,从而自动地输出人脸图像的预测年龄,这种基于计算机视觉的学习过程称为人脸年龄估计。针对人脸图像训练数据不充足和不完整的问题,基于标记分布学习的人脸年龄估计为每张人脸图像生成覆盖真实年龄及其附近年龄的标记分布,再采用标记分布模型对人脸年龄进行估计。年龄标记分布对当前人脸图像的学习贡献度称为描述度,离真实年龄越近的邻居年龄则具有更高的描述度。传统的标记分布学习假设人脸老化速度在不同的年龄阶段是相同的,并采用标准差统一的离散高斯分布为每张人脸图像生成标记分布。但是实际上,人脸的老化速度是随年龄改变而不同的,例如,人脸外观在幼年时期和老年时期的变化趋势比在中年时期更明显。因此,将所有年龄的标记分布设定为统一的标准差是不合理的。针对传统基于标记分布学习的多重多元回归模型不能够生成和人脸老化趋势一致的标记分布的问题,本文提出自适应多重多元回... 

【文章来源】：南昌大学江西省 211工程院校

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

人脸年龄估计算法的流程图

图 2.2 人脸的特征点分布图立统计形状模型 在建模前需要对输入的人脸图像做一个预处理，即手动标记特征的关键点。这些关键点所包含的信息必须能够精准描述和五官所在点。如图 2.2，左边是已经手动标记特征点的人脸体的特征点分布图。手动标注 n 个特征点， 表示每个特征点在二维平面上的则表示 n 个特征点的组合。通过人脸特征用主成分分析（Principal Component Analysis，PCA）构建的化： 2.2 中， 是平均人脸形状， 是特征向量矩阵， 是形状模型通过调节参数 ，就可以输出不同的人脸形状。立统计纹理模型

图 2.3 人脸的 Delaunay 三角划分人脸图像的纹理特征向量并进行归一化处理之后，，公式表达如下：据合适的权重，将统计形状特征模型和统计纹理模， 是调节权重。由于形状特征和纹理特征之间量 b，这时所得到的外观模型可以同时反映人脸面部。M 匹配计算实的人脸图像输入到 AAM 模型中，可以通过主动搜特征。详细地步骤为：先根据AAA建模合成一张初始节相关参数，使其与真实图像越来越重叠，直至收

【参考文献】：
期刊论文
[1]基于偏最小二乘的人脸年龄估计[J]. 曾雪强,赵丙娟,向润,李岚.  南昌大学学报(工科版). 2017(04)



本文编号：3091009