任明罡++陳岳林++蔡曉東

摘 要：由于人的年齡特征具有較強(qiáng)的個(gè)體差異性和不可控制性，現(xiàn)有的年齡估計(jì)結(jié)果和實(shí)踐經(jīng)驗(yàn)表明，年齡估計(jì)的研究還需要對(duì)特征分類器進(jìn)行更深入的研究。本文提出了對(duì)特征分類器進(jìn)行研究與優(yōu)化，通過比較LBP和AAM兩種特征提取法，選用支持向量機(jī)分類器，利用網(wǎng)格搜索的交叉驗(yàn)證法搜索高斯徑向基核函數(shù)最優(yōu)參數(shù)，用“一對(duì)一”的多分類方式實(shí)現(xiàn)對(duì)人臉年齡分類。實(shí)驗(yàn)結(jié)果表明，實(shí)現(xiàn)對(duì)年齡段的分類，同時(shí)總結(jié)了不同特征分類器的基本應(yīng)用規(guī)律。

關(guān)鍵詞：年齡分類 特征分類器 支持向量機(jī)

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2014）07（c）-0025-02

人臉包含的豐富的信息，如身份、年齡、性別、健康狀況等。基于特征分類器的研究與優(yōu)化的人臉年齡估計(jì)的研究，無論是對(duì)實(shí)用價(jià)值還是科學(xué)意義都很重要。1990年以來，涌現(xiàn)出很多技術(shù)方法，每年都有大量的學(xué)術(shù)論文發(fā)表到各種期刊雜志，1994年Kwon和Lobo所發(fā)表的論文[1]是這方面最早的研究論文，但是2002年Lanitis的研究[2]才能算的上真正意義的研究這個(gè)領(lǐng)域。年齡問題也引起了國內(nèi)研究者的廣泛關(guān)注，清華大學(xué)王俊艷，蘇大光等[3]人通過多尺度主動(dòng)形狀模型（ASM）自動(dòng)獲取特征點(diǎn)標(biāo)注得到相應(yīng)坐標(biāo)等實(shí)現(xiàn)對(duì)年齡的估計(jì)，這需要多幅不同年齡段進(jìn)行訓(xùn)練，而采集這樣一個(gè)人臉庫比較困難。

由于不同年齡段的人有不同的年齡特征，這里我們主要對(duì)特征分類器的優(yōu)化結(jié)合著人類年齡成長的規(guī)律劃分為5個(gè)年齡段來分析：嬰兒、兒童、少年、青年、中老年。

1 人臉紋理特征提取

1.1 人臉圖像預(yù)處理

該文選用的是FG-NET標(biāo)準(zhǔn)人臉庫，這些圖片都是通過舊相片掃描得到需要預(yù)處理。該文主要通過人臉檢測、灰度化處理、幾何歸一化對(duì)原始圖片進(jìn)行處理。最終結(jié)果如圖1所示。

可以看出處理之后的圖像摒除了衣領(lǐng)、頭發(fā)、背景等的干擾，圖像姿態(tài)歸一化，幾何歸一化，并且補(bǔ)償了光照不均帶來的影響，圖像細(xì)節(jié)變得更加清晰。

1.2 人臉年齡特征提取

（1）建立主動(dòng)外觀模型。

隨著年齡的增長，人的臉型輪廓和紋理都會(huì)發(fā)生變化。主動(dòng)外觀模型AAM算法主要包含模型的建立和模型的匹配兩個(gè)過程，包括建立形狀模型、紋理模型和組合模型三個(gè)部分。

先按相同順序手動(dòng)在人臉圖片上選擇68個(gè)特征點(diǎn)，接著采用Procrustes分析法[4]使所有的形狀向量對(duì)齊到統(tǒng)一的坐標(biāo)中，接著建立AAM的形狀建模，通過PCA主特征提取，任意一個(gè)人臉形狀向量可以表示為式（1）所示。

其中S0表示平均形狀，Pi表示對(duì)應(yīng)個(gè)特征值的特征向量，bs表示形狀參數(shù)。

將平均形狀的特征點(diǎn)的人臉圖像進(jìn)行Delaunay三角化[5]，利用分段線性仿射方法將人臉形狀區(qū)域內(nèi)的皮膚紋理信息映射到基準(zhǔn)模板形狀網(wǎng)格中，進(jìn)行一致的紋理采樣就可以獲得歸一化處理后的人臉皮膚紋理樣本數(shù)據(jù)；最后通過PCA分析，實(shí)現(xiàn)對(duì)皮膚紋理的建模如式（2）所示。

其中A0（X）表示平均紋理向量，Pg表示維的紋理特征向量，bg表示時(shí)紋理特征參數(shù)。

由于形狀特征參數(shù)是用坐標(biāo)集合度量的，而紋理特征參數(shù)是用像素灰度集合度量的，他倆不能直接進(jìn)行組合，而所以我們需要引入一個(gè)權(quán)重組合到一起，建立組合外觀模型。對(duì)人臉圖片組合外觀模型如圖2所示。

（2）局部二值提取。

局部二值模式LBP由Ojala[6]首先提出，是一種有效的紋理提取算子。本文采8鄰域的LBP算子提取紋理特征。設(shè)中心灰度值為gc，周圍8個(gè)像素點(diǎn)灰度值為gi，其LBP計(jì)算過程為（3）式。

對(duì)一副人臉圖片提取其LBP特征以后，得到的LBP特征必須是一副人臉圖片，上面記錄著每個(gè)像素點(diǎn)的LBP值，提取效果如圖3所示。

接著進(jìn)行分塊直方圖統(tǒng)計(jì)，關(guān)于分塊的具體分法沒有統(tǒng)一的要求，本文以人臉分為3×2塊為例，圖像的每個(gè)區(qū)域的LBP直方圖定義如式（5）所示。

2 人臉年齡分類器設(shè)計(jì)

2.1 典型特征分類器選用

支持向量機(jī)SVM分類，針對(duì)有線訓(xùn)練樣本，可以尋求的最好中和結(jié)果在模型的復(fù)雜性和學(xué)習(xí)能力之間。通過非線性變換將輸入空間變換到一個(gè)高維空間，求取一個(gè)最優(yōu)的超平面作為決策面，使得正樣本和負(fù)樣本之間的隔離邊緣被最大化。

2.2 核函數(shù)的選擇與分類

該文選用RBF核函數(shù)，關(guān)于其參數(shù)的優(yōu)化選取，本文具體方法為：本文中的范圍設(shè)置在[2-10，27]，的范圍設(shè)置在[2-10，23]，步距均為0.1。本文將搜索范圍分為兩級(jí)，先在較大范圍內(nèi)進(jìn)行粗網(wǎng)格搜索，如果最小的對(duì)應(yīng)多組，就選取搜索到的第一組參數(shù)作為最優(yōu)參數(shù)；接著不斷縮小參數(shù)遞增步長的方式，利用傳統(tǒng)的細(xì)網(wǎng)格搜索來確定最優(yōu)參數(shù)。

常用的級(jí)聯(lián)方式有：“多級(jí)分層”分類器、“一對(duì)多”分類器以及“一對(duì)一”分類器。對(duì)于一個(gè)類分類問題，對(duì)比如表1所示

結(jié)合本文研究的內(nèi)容，本文采用“一對(duì)一”多分類，需要構(gòu)造個(gè)判別函數(shù)，選擇其所對(duì)應(yīng)的向量作為訓(xùn)練樣本，然后得到10個(gè)訓(xùn)練結(jié)果，采取投票的形式，然后得到一組結(jié)果。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)結(jié)果

該文對(duì)特征分類器的研究與優(yōu)化，經(jīng)過網(wǎng)格搜索的交叉驗(yàn)證后，本文參數(shù)取2.8384，取0.0323時(shí)，識(shí)別率最高，而且訓(xùn)練和識(shí)別速度也比較快。本文在每一個(gè)年齡組類別中選擇100個(gè)樣本進(jìn)行測試。

（1）AAM形狀和紋理模型。

這組實(shí)驗(yàn)主要針對(duì)形狀和紋理特性，將形狀向量參數(shù)和紋理向量參數(shù)降維后利用權(quán)值進(jìn)行融合，結(jié)果如表2所示。

（2）LBP-AAM形狀和紋理模型。

這組提取LBP-AAM組合外觀模型通過PCA降維后，分類的結(jié)果如表3所示。

3.2 實(shí)驗(yàn)分析

通過表2和表3數(shù)據(jù)比較，整體年齡段的分類都得到了提高。對(duì)于AAM組合外觀模型能提取臉部的形狀和紋理信息，由于人臉包含的信息太多，簡單的全局特征如全局形狀或紋理特征，并不能很好的反映出人臉的年齡特征，僅是將全局的形狀特征與紋理特征組合。而且AAM紋理特征對(duì)光照敏感，只是用圖像的亮度，不能很好的反應(yīng)圖像深層次的信息，也不能很好的描述臉部的紋理信息，所以缺少足夠的臉部紋理信息。而LBP直方圖紋理特征的提取簡單高效，所以我們最后用LBP直方圖特征與AAM組合模型結(jié)合建立LBP-AAM模型，整體年齡段的分類都得到了提高。

該文通過兩組實(shí)驗(yàn)來優(yōu)化特征分類器，提高了分類準(zhǔn)確率，但是總是有不足，每一組分類都有一定的誤分類，其原因總結(jié)如下：該文用的是FG-NET標(biāo)準(zhǔn)人臉庫，當(dāng)中有的表情過于夸張或者側(cè)臉超過一定角度等；實(shí)驗(yàn)中每組實(shí)驗(yàn)訓(xùn)練和測試樣本均含有男女圖片，女性由于化妝等原因，對(duì)提取特征帶來影響；本實(shí)驗(yàn)用的網(wǎng)格搜索法，為了節(jié)省搜索的時(shí)間，這個(gè)過程也會(huì)忽略掉一些年齡特征，對(duì)分類準(zhǔn)確率帶來影響

4 結(jié)語

該文通過實(shí)驗(yàn)得出用LBP提取分塊直方圖特征，用AAM提取形狀和紋理特征，最后用LBP-AAM進(jìn)行特征提取進(jìn)行訓(xùn)練和分類，通過實(shí)驗(yàn)比較得出組合模型比用單一局部紋理特征提取分類準(zhǔn)確率高，實(shí)驗(yàn)顯示本文提出的優(yōu)化的特征分類器具有更高的分類準(zhǔn)確率。但是由于年齡分類的復(fù)雜性和選擇的樣本原因，以及本文采用的實(shí)驗(yàn)算法等原因，實(shí)驗(yàn)總是有一些誤分類。

參考文獻(xiàn)

[1] Y.H.Kwon，and N.V.Lobo.Age classification from facial images[C]//Proceeding of IEEE Conf.on Computer Vision and Pattern Recognition.Seattle， Washington，U.S.A，1994：762-767.

[2] Lanitis A，Taylor CJ，Cootes TF.Toward automatic simulation of aging effects on face images [J].Pattern Analysis and Machine Intelligence，IEEE Transactions on.2002，24（4）：442-455.

[3] 王俊艷，蘇光大，林行剛.人臉圖像年齡估計(jì)[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，47（4）：526-529.

[4] 杜克勤.Procrustes問題的若干研究[D].浙江大學(xué)，2005.

[5] Gary Bradski，Adrian Kaehler著.學(xué)習(xí)OpenCV[M].于仕琪，劉瑞禎，譯.清華大學(xué)北京，2009.

[6] T.Ojala，M. Pietikinen，and D.Harwood.A comparative study of texture measures with classification based on featured distribution[J].Pattern Recognition，1996，29（1）：51-59.

3.2 實(shí)驗(yàn)分析

通過表2和表3數(shù)據(jù)比較，整體年齡段的分類都得到了提高。對(duì)于AAM組合外觀模型能提取臉部的形狀和紋理信息，由于人臉包含的信息太多，簡單的全局特征如全局形狀或紋理特征，并不能很好的反映出人臉的年齡特征，僅是將全局的形狀特征與紋理特征組合。而且AAM紋理特征對(duì)光照敏感，只是用圖像的亮度，不能很好的反應(yīng)圖像深層次的信息，也不能很好的描述臉部的紋理信息，所以缺少足夠的臉部紋理信息。而LBP直方圖紋理特征的提取簡單高效，所以我們最后用LBP直方圖特征與AAM組合模型結(jié)合建立LBP-AAM模型，整體年齡段的分類都得到了提高。

該文通過兩組實(shí)驗(yàn)來優(yōu)化特征分類器，提高了分類準(zhǔn)確率，但是總是有不足，每一組分類都有一定的誤分類，其原因總結(jié)如下：該文用的是FG-NET標(biāo)準(zhǔn)人臉庫，當(dāng)中有的表情過于夸張或者側(cè)臉超過一定角度等；實(shí)驗(yàn)中每組實(shí)驗(yàn)訓(xùn)練和測試樣本均含有男女圖片，女性由于化妝等原因，對(duì)提取特征帶來影響；本實(shí)驗(yàn)用的網(wǎng)格搜索法，為了節(jié)省搜索的時(shí)間，這個(gè)過程也會(huì)忽略掉一些年齡特征，對(duì)分類準(zhǔn)確率帶來影響

4 結(jié)語

該文通過實(shí)驗(yàn)得出用LBP提取分塊直方圖特征，用AAM提取形狀和紋理特征，最后用LBP-AAM進(jìn)行特征提取進(jìn)行訓(xùn)練和分類，通過實(shí)驗(yàn)比較得出組合模型比用單一局部紋理特征提取分類準(zhǔn)確率高，實(shí)驗(yàn)顯示本文提出的優(yōu)化的特征分類器具有更高的分類準(zhǔn)確率。但是由于年齡分類的復(fù)雜性和選擇的樣本原因，以及本文采用的實(shí)驗(yàn)算法等原因，實(shí)驗(yàn)總是有一些誤分類。

參考文獻(xiàn)

[1] Y.H.Kwon，and N.V.Lobo.Age classification from facial images[C]//Proceeding of IEEE Conf.on Computer Vision and Pattern Recognition.Seattle， Washington，U.S.A，1994：762-767.

[2] Lanitis A，Taylor CJ，Cootes TF.Toward automatic simulation of aging effects on face images [J].Pattern Analysis and Machine Intelligence，IEEE Transactions on.2002，24（4）：442-455.

[3] 王俊艷，蘇光大，林行剛.人臉圖像年齡估計(jì)[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，47（4）：526-529.

[4] 杜克勤.Procrustes問題的若干研究[D].浙江大學(xué)，2005.

[5] Gary Bradski，Adrian Kaehler著.學(xué)習(xí)OpenCV[M].于仕琪，劉瑞禎，譯.清華大學(xué)北京，2009.

[6] T.Ojala，M. Pietikinen，and D.Harwood.A comparative study of texture measures with classification based on featured distribution[J].Pattern Recognition，1996，29（1）：51-59.

3.2 實(shí)驗(yàn)分析

通過表2和表3數(shù)據(jù)比較，整體年齡段的分類都得到了提高。對(duì)于AAM組合外觀模型能提取臉部的形狀和紋理信息，由于人臉包含的信息太多，簡單的全局特征如全局形狀或紋理特征，并不能很好的反映出人臉的年齡特征，僅是將全局的形狀特征與紋理特征組合。而且AAM紋理特征對(duì)光照敏感，只是用圖像的亮度，不能很好的反應(yīng)圖像深層次的信息，也不能很好的描述臉部的紋理信息，所以缺少足夠的臉部紋理信息。而LBP直方圖紋理特征的提取簡單高效，所以我們最后用LBP直方圖特征與AAM組合模型結(jié)合建立LBP-AAM模型，整體年齡段的分類都得到了提高。

該文通過兩組實(shí)驗(yàn)來優(yōu)化特征分類器，提高了分類準(zhǔn)確率，但是總是有不足，每一組分類都有一定的誤分類，其原因總結(jié)如下：該文用的是FG-NET標(biāo)準(zhǔn)人臉庫，當(dāng)中有的表情過于夸張或者側(cè)臉超過一定角度等；實(shí)驗(yàn)中每組實(shí)驗(yàn)訓(xùn)練和測試樣本均含有男女圖片，女性由于化妝等原因，對(duì)提取特征帶來影響；本實(shí)驗(yàn)用的網(wǎng)格搜索法，為了節(jié)省搜索的時(shí)間，這個(gè)過程也會(huì)忽略掉一些年齡特征，對(duì)分類準(zhǔn)確率帶來影響

4 結(jié)語

該文通過實(shí)驗(yàn)得出用LBP提取分塊直方圖特征，用AAM提取形狀和紋理特征，最后用LBP-AAM進(jìn)行特征提取進(jìn)行訓(xùn)練和分類，通過實(shí)驗(yàn)比較得出組合模型比用單一局部紋理特征提取分類準(zhǔn)確率高，實(shí)驗(yàn)顯示本文提出的優(yōu)化的特征分類器具有更高的分類準(zhǔn)確率。但是由于年齡分類的復(fù)雜性和選擇的樣本原因，以及本文采用的實(shí)驗(yàn)算法等原因，實(shí)驗(yàn)總是有一些誤分類。

參考文獻(xiàn)

[1] Y.H.Kwon，and N.V.Lobo.Age classification from facial images[C]//Proceeding of IEEE Conf.on Computer Vision and Pattern Recognition.Seattle， Washington，U.S.A，1994：762-767.

[2] Lanitis A，Taylor CJ，Cootes TF.Toward automatic simulation of aging effects on face images [J].Pattern Analysis and Machine Intelligence，IEEE Transactions on.2002，24（4）：442-455.

[3] 王俊艷，蘇光大，林行剛.人臉圖像年齡估計(jì)[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，47（4）：526-529.

[4] 杜克勤.Procrustes問題的若干研究[D].浙江大學(xué)，2005.

[5] Gary Bradski，Adrian Kaehler著.學(xué)習(xí)OpenCV[M].于仕琪，劉瑞禎，譯.清華大學(xué)北京，2009.

[6] T.Ojala，M. Pietikinen，and D.Harwood.A comparative study of texture measures with classification based on featured distribution[J].Pattern Recognition，1996，29（1）：51-59.