人臉圖像處理技術研究—年齡識別

1、人臉圖像處理技術研究年齡識別【摘要】基于人臉圖像的生物特征識別研究在近幾年來取得了巨大的發(fā)展。與其它的生物特征相比，人臉特征具有自然性、不易仿冒性和非強制性等優(yōu)點，使其在安全監(jiān)控、身份驗證、人機交互、視頻檢索等方面具有巨大的應用前景。人臉年齡估計的特征提取算法需要提取人臉區(qū)域的特征，人臉區(qū)域檢測是人臉年齡估計的一個重要環(huán)節(jié)。本文首先介紹了人臉年齡估計的研究背景和國內外研究現(xiàn)狀，并提出現(xiàn)階段該研究所面臨的問題。第二章介紹了人臉檢測的方法和特征點定位方法，然后使用PCA方法對仿生特征進行數(shù)據(jù)降維，給出了相關的算法。介紹了bp神經(jīng)網(wǎng)絡，并且以降維后的特征作為神經(jīng)網(wǎng)絡的輸入，以圖像中人的年齡值作為神經(jīng)

2、網(wǎng)絡的輸出，建立神經(jīng)網(wǎng)絡模型，對年齡進行估計?！娟P鍵詞】年齡估計，特征提取，臉部特征點定位 引言1、 研究背景隨著計算機科學技術的發(fā)展，計算機向著智能機器方向發(fā)展，網(wǎng)絡化和智能化已經(jīng)成為信息領域的發(fā)展方向。在此基礎上，生物特征識別技術得到了快速的發(fā)展。所謂生物特征識別是指，利用人體的生理特征和行為特征，通過計算機與各種傳感器和生物統(tǒng)計原理等高科技手段密切結合，進行個人身份的認證。 人臉是人類最重要的生物特征之一，在辨別身份和傳遞感情方面有著重要的作用。人臉圖像包含了大量的信息，比如身份、性別、年齡、人種、表情等。生物特征識別技術與傳統(tǒng)的身份識別方法相比具有更明顯的優(yōu)勢，由于每個個體具有各自獨特

3、的生理或行為特征，且每個個體自身擁有唯一、穩(wěn)定、不易遺忘和隨時隨地可用的生物特征，因此，生物征識別技術具有更高的安全性、可靠性和便捷性。生物特征識別技術將會很大程度改變人們的生活，逐漸成為一種更加方便、可靠、安全的大眾化身份驗證手段。基于人臉圖像的年齡估計主要解決如下的一些問題：根據(jù)人臉圖像估計出人臉的準確年齡。隨著越來越多的人對此類問題的關注，引起了一些國家的重視并出臺了相應的法律法規(guī)，如：2008年日本規(guī)定了相關的卷煙供應商必須在自動售貨機上安裝可以進行年齡識別的裝置，用來阻止未成年人購買香煙?？梢钥闯龌谔囟ㄈ四槇D像年齡估計技術具有廣泛的商用前景。2、 研究意義自動年齡估計有更廣泛的應用

4、前景，主要包括：(1)可推動人臉識別技術的發(fā)展，在人臉年齡識別的研究中，人臉樣貌會隨著年齡發(fā)生變化，導致對象當前面貌與圖像庫中的圖像之間出現(xiàn)差異，從而引起識別率的下降。為減少這種變化所帶來的影響，可應用多年齡人臉圖像重構方法來模擬年齡變化的效果，提高人臉的識別率，實現(xiàn)人臉面貌的準確識別和預測。(2)可直接應用在信用卡、駕駛證、護照、身份證等個人身份證明中，進行自動個人身份辯識。由于身份證、護照以及許多其他證件上都有證件所有者的正面免冠照片，雖然證件持有者的樣貌已經(jīng)與照片有一定的差距，但是在檢驗時，仍能較為準確的識別出對象的身份，減少了人工干預，不需要經(jīng)常更新照片。此外，還可以有效地打擊假姓名、

5、假身份證等違法犯罪行為。(3)可用于信息采集與分析，例如廣告調查等領域，我們可以測定出瀏覽某個特定廣告花費最多時間的年齡群并針對該年齡群設計廣告方案；商家對購物中心的顧客進行年齡層次的分析統(tǒng)計，根據(jù)各自需求而針對不同的顧客群制定有利于商家自己的經(jīng)營策略。一、 國內外研究現(xiàn)狀1、 國內研究現(xiàn)狀國內較少人從事人臉年齡估計的研究，文獻1研究了基于Boosting RBF神經(jīng)網(wǎng)絡的人臉年齡估計方法，先用非負矩陣分解方法提取人臉特征，然后通過RBF神經(jīng)網(wǎng)絡確定一個人臉圖像及其相符年齡之間的估計函數(shù)。為提高神經(jīng)網(wǎng)絡的泛化能力和故障診斷的準確性，利用Boosting方法構造了一個基于神經(jīng)網(wǎng)絡的函數(shù)序列，將它

6、們組合成一個加強的估計函數(shù)，最后進行年齡估計。文獻2提出一種基于人工免疫識別系統(tǒng)的年齡估計方法，先利用AAM方法自動提取用于年齡估計的人臉特征，之后利用人工免疫識別系統(tǒng)方法進行人臉圖的年齡估計。2、 國外研究現(xiàn)狀國際上，Young和Niels3可能是最早提出年齡估計的人。他們早在1994年就提出通過人臉圖像進行年齡估計。他們的工作相對較為簡單。他們把年齡粗略地分成：老年人、年輕人和小孩三種。Hayashi等4研究了基于Hough變換的皺紋紋理和人臉圖像膚色分析的年齡和性別識別方法。Lanitis等人5提出一種基于臉部外觀的統(tǒng)計模型。他們比較了KNN、MLP、SOM分類器的性能，并且認為機器幾乎

7、可以和人一樣估計出人的年齡。Nakano等人6提出利用脖子和臉部皺紋紋理的邊緣信息來進行年齡估計。Zhou等人7提出用Boosing的方法做為回歸方法進行年齡的估計，并用實驗表明該方法比基于SVMs的方法還要好。Geng等人8提出了衰老模式子空間的方法，通過學習一些代表性的子空間來建模衰老模式，這種衰老模式是用一系列的個人衰老圖像定義出來的。對于未知人臉圖像，通過用子空間投影的方法重構其衰老模式，從而得到該人臉圖像在衰老模式下的位置，由此來估計人臉圖像的年齡。最近，Guo等9用子空間學習方法得到衰老流形的低維嵌入，從而提取出人臉與衰老相關的特征，并設計了一個局部可調節(jié)回歸方法用于學習和估計年齡

8、。二、 年齡識別系統(tǒng)設計1、 bp神經(jīng)網(wǎng)絡簡介BP 為非循環(huán)多級網(wǎng)絡的訓練算法。Werbos在1974年已經(jīng)提出了該方法10；1982年，Paker 完成了相似的工作； BP 神經(jīng)網(wǎng)絡作為一種多層前饋神經(jīng)網(wǎng)絡廣泛應用于預測領域。它的一個主要特征就是數(shù)據(jù)向前傳遞，誤差向后反饋。在向前傳遞數(shù)據(jù)的過程中，數(shù)據(jù)是依次按照輸入層、隱含層和輸出層的順序傳遞。并且每一層的神經(jīng)元狀態(tài)只對下一層神經(jīng)元狀態(tài)有影響。如果輸出層獲得的數(shù)據(jù)與實際數(shù)據(jù)對比有誤差存在，那么轉向反向傳播過程。根據(jù)實際數(shù)值與網(wǎng)絡輸出數(shù)據(jù)的誤差逐級調整神經(jīng)網(wǎng)絡的權值和閥值，從而使得網(wǎng)絡的輸出數(shù)值逐步逼近實際數(shù)據(jù)值。BP 神經(jīng)網(wǎng)絡的缺點是：其學習

9、速度較慢、局部極小點的逃離問題、算法不一定收斂等問題；其優(yōu)點是：廣泛的適應性和概括性。2、 bp網(wǎng)絡的模型BP網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，它是JLMcCelland和DERumelhart及其研究小組在1986年研究并設計出來的。當前，在人工神經(jīng)網(wǎng)絡的實際應用中，絕大部分的神經(jīng)網(wǎng)絡模型是采用BP網(wǎng)絡和它的變化形式，它同時也是前向網(wǎng)絡的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡最精髓的部分。BP神經(jīng)元模型如圖所示：3、bp網(wǎng)絡算法的改進為了克服BP算法的缺點，提高BP網(wǎng)絡的性能，提出了一些改進的BP神經(jīng)網(wǎng)絡算法，用來滿足解決不同問題的需要。主要的改進算法有動量方法、可變學習速度算法、共軛梯度法等。例如共軛梯度

10、法，基本BP算法之收斂速度慢有一個重要的原因是采用了瞬時梯度來修正權值，用了目標函數(shù)一階導數(shù)的信息，權值的調節(jié)只是沿梯度下降最速方向進行，而誤差曲面是一個十分復雜的超曲面，有著嚴重的畸形區(qū)域，導致這一梯度下降的最速方向可能極大地偏離指向誤差曲面最小點的方向，從而急劇的加長了權值到達最小點位置的搜索路徑，除此外在極值點附近，由于梯度較小，收斂速度更是慢。學習過程是一個最優(yōu)化問題，用瞬時梯度相當于最速下降法，分類器采用二階梯度法，就可以大大加強收斂性。三、實驗步驟BP神經(jīng)網(wǎng)絡用于人臉識別的步驟為：首先應對輸入圖像實行圖像預處理，之后進行人臉特征提取，接下來就是BP神經(jīng)網(wǎng)絡訓練，最后用訓練好的網(wǎng)絡進

11、行識別,獲得識別結果。圖像預處理是為了更易特征提取，特征提取就是將圖像中大量的冗余信息去除，即實現(xiàn)數(shù)據(jù)壓縮,降低了神經(jīng)網(wǎng)絡結構的復雜度,提高了神經(jīng)網(wǎng)絡的訓練效率和收斂率。本文以指定的標準臉為研究對象，將輸入圖像進行圖像壓壓縮、圖像抽樣、輸入矢量標準化等圖像預處理后,送入 BP神經(jīng)網(wǎng)絡訓練，經(jīng)過競爭選擇，獲得識別結果。整個識別系統(tǒng)如圖所示。1、 樣本選擇及特征提取2、 找到人臉，然后找到年齡特征量，之后和標準人臉做比較，與哪個最相近即使哪個年齡段。比如放三張標準照片，一張小孩，一張中年人，一張老年人。每個年齡段放5張照片和標準照片做對比，進行最相近匹配得到年齡段。3、 特征提?。?、 （1）第一

12、圖片，轉成20*20的矩陣，然后轉成200*1的矩陣5、 （2）每一個圖片都轉成200*1的矩陣6、 （3）所有的圖片組成矩陣15*200的矩陣，記成矩陣A7、 （4）類別標簽的制作1 1 1 1 1 2 2 2 2 2 3 3 3 3 3，看成b8、 （5）然后進行神經(jīng)網(wǎng)絡的預測，對于A是神經(jīng)網(wǎng)絡的輸入變量，b是輸出向量，9、 （6）當輸入一個圖片時候，如果bp神經(jīng)網(wǎng)絡輸出1，那么就是第一類，輸出2就是第二類2、matlab實現(xiàn)（1） 先進行一組老年人的人臉年齡識別，以下是選取的5張照片一組老年人臉（2）選取其中的一張照片進行matlab的識別，在頁面上顯示為待識別一張老年人臉（3）下圖是進

13、行bp神經(jīng)網(wǎng)絡的訓練，顯示了迭代次數(shù)訓練精度訓練的時間，訓練的梯度下降值神經(jīng)網(wǎng)絡訓練（4）預測輸出的結果是1 2 3這樣的類別號碼。不是波形，圖像的形式是我們的輸入數(shù)據(jù)，當有一定的輸入數(shù)據(jù)進入Bp神經(jīng)網(wǎng)絡的時候，經(jīng)過訓練，由Bp神經(jīng)網(wǎng)絡復雜的網(wǎng)絡得出相關的輸出，識別結果為老年人bp識別結果（5）之后進行一組小孩人臉年齡識別，以下是選取的5張圖片一組小孩臉（6）選取其中一張圖片進行識別一張小孩臉（7）如同老年人人臉年齡識別神經(jīng)網(wǎng)絡訓練一樣的原理神經(jīng)網(wǎng)絡訓練（8）結果顯示為小孩bp識別結果（9）再進行一組中年人人臉年齡識別，選取以下5張圖片一組中年人臉（10）選取其中一張進行年齡識別一張中年人臉（

14、11）圖為神經(jīng)網(wǎng)絡訓練，原理和老年人人臉年齡識別相同神經(jīng)網(wǎng)絡訓練(12)識別結果為中年bp識別結果實驗結果：能夠達到預期效果。輸入的三組照片，分別為小孩、中年人、老年人。程序是對BP神經(jīng)網(wǎng)絡進行建立、樣本訓練。缺點是，只能大概估計年齡段，未能很好的估計出具體年齡。結論人臉圖像的年齡估計是模式識別領域的一個重要的研究方向，在過去很多年的研究中取得很大的突破。該項研究不但可以提高人臉識別的準確率，并且在刑偵、失蹤人口的查找電子客戶關系管理等領域都有廣泛的應用前景。目前從事年齡估計的國外研究機構主要包括美國的Illinos大學urbana分校， Maryland大學Park分校，North Caro

15、lina大學的Wilmington分校，國內的有南京大學、中國科學院計算研究所、清華大學、上海交通大學、天津大學、東南大學等。本文通過bp神經(jīng)網(wǎng)絡進行年估計的研究，主要完成的工作如下：（1）首先介紹了人臉年齡估計的研究背景和國內外研究現(xiàn)狀，并提出現(xiàn)階段該研究所面臨的問題。（2）介紹了bp神經(jīng)網(wǎng)絡，并且以降維后的特征作為神經(jīng)網(wǎng)絡的輸入，以圖像中人的年齡值作為神經(jīng)網(wǎng)絡的輸出，建立神經(jīng)網(wǎng)絡模型，對年齡進行估計?？偣沧R別三組人群的年齡，分別為老年人，中年人和小孩，每組照片選取5張照片，在matlab中輸入任意的照片，查看顯示結果是否正確。由于受時間、知識水平等所限，本文所取得的成果只是階段性的，離實際

16、應用還有較大的距離，相應的人臉識別系統(tǒng)也只能作出軟件設計和部分實現(xiàn)，對于通過對整個系統(tǒng)的實現(xiàn)最終實用化還有很多地方需加強。今后在以下幾個方面還可進一步研究 (1)加強對人臉檢測的探究，將人臉從復雜背景中正確的分離出來，進一步提高人臉檢測的精確度。 (2)面部特征的自動定位很大程度上影響著人臉建模的精確度和最終識別系統(tǒng)的識別。而現(xiàn)有的多數(shù)特征定位算法的定位精準度都隨著光照、姿態(tài)等外界條件變化而下降，所以，需進一步改進圖像預處理方法和人臉器官定位方法，提高識別的正確率。參考文獻1胡瀾,夏利民. 基于Boosting RBF神經(jīng)網(wǎng)絡的人臉年齡估計J. 計算機工程, 2006, 32(19)：119-

17、2012胡斕,夏利民. 基于人工免疫識別系統(tǒng)的年齡估計J. 計算機工程與應用, 2006, 26：186-188.3 Pitanguy F. Defining and measuring aging parametersJ. Applied Mathematics andComputation. 1996, 78(2-3)：217-227.4 Kwon Y.H., da Vitoria Lobo N. Age classification from facial imagesJ. ComputerVision and Image Understanding. 1999, 74：1-21.5 L

18、anitis A, Taylor CJ, Cootes TF. Toward automatic simulation of aging effects on face imagesJ. Pattern Analysis and Machine Intelligence, IEEE Transactions on.2002, 24(4)：442-455.6 Horng WB, Lee CP, Chen CW. Classification of age groups based on facial featuresJ. Tamkang Journal of Science and Engineering. 2001, 4(3)：183-192.7 Scandrett CM, Solomon CJ, Gibson SJ. A person-specific, rigorous aging model of the human faceJ. Pattern Recognition Letters. 2006, 27(1