一种Face―age判定方法设计.docVIP

一种Face―age判定方法的设计 　　摘要：通过人脸图像对年龄进行识别具有很大的挑战。年龄识别会受到诸多干扰因素的影响，如性别、健康、生活方式等等。本文设计了一种基于主成份分析人脸图片的年龄识别方法，选用FG-NET数据库的图片作为测试样本，挑选了测试集和训练集。论文对选择的图片作直方图均衡化，直接计算图片的欧氏距离并判别近邻，之后，对图片进行人脸提取矫正等预处理后进行测试，最后使用本文方法对人脸提取后的图片进行测试和实验。 　　关键词：面部年龄判别；图像处理；主成份分析 　　中图分类号：TP391. 41 　　文献标识码：A 　　DOI：10.3969/j.issn.1003-6970.2015.07.010 　　0 引言 　　在图像处理领域非常重要的一个组成部分就是人脸，通过对人脸面部图像处理，可以产生很多实际应用，包括进行人脸检测、人脸识别和表情分析等。人脸图像的处理，尤其是年龄属性分析，日益被众多科研机构关注，在多媒体通信、人机交互和信息安全中起到重要作用。例如，通过面部年龄属性判定方法，一家公司想要针对某年龄段的消费者进行产品设计，只要通过购物区的监控设备，非常容易地捕获消费者的年龄统计信息。同样，面部年龄属性判定方法也可以监督购买烟酒顾客中有没有出现可能的未成年人。 　　目前主流的基于图像年龄识别方法主要包括：利用颅颌面发展理论与面部皮肤皱纹分析用来创建人体模型，该方法适用于年轻人的粗年龄估计；利用老化图案子空间方法表示衰老的人脸图像，该方法根据在子空间的投影来重建的面部图像；利用回归方法，其回归系数根据带有如二次模型的回归函数的训练数据估计，通过制定一个半定规划问题或EM算法来处理年龄的不确定性。 　　事实上，目前面部年龄判别方法的准确率普遍偏低，原因在于随着年龄的增长，人脸部的变化难以预测，并且因人而异，比如，健康状况、面部保养和化妆都会使得人的外貌发生潜移默化的变化，这些为识别模型的建立带来许多未知的因素。 　　本文选用FG-NET数据库的图片作为测试样本，挑选了部分作为测试集和训练集，引入主成份分析等算法进行了面部年龄判别设计，并对实验结果进行分析。 　　1 面部年龄属性判定方法的设计 　　主成份分析（ Principal Component Analysis）算法，是一种对变量进行线性变换，并根据贡献率选出数贡献率较高的变量作为测试依据的一种多元统计分析方法。 　　面部年龄属性判定就是当给定一张人脸图像（测试图片），就可以根据已有的人脸数据库（训练图片），利用特定的方式将给定的测试图片和每一张训练图片作比较。比较的方式有直接计算欧氏距离，或是将它们投影到计算出的空间中，得到投影向量再比较欧氏距离，欧式距离较小者即为近邻。然后根据近邻的年龄类别，得出测试样本所属的类别，然后判别样本测试所得的类别与其实际所属类别是否一致。最后将测试结构进行记录，整合。 　　本文方法的思路是：使用主成份分析算法对数据进行降维处理，利用K-L变换提取人脸图像的主成份，构成特征脸空间，将测试集的图像投影到特征脸空间，得到投影向量，然后计算其与训练图片投影得到的向量的欧氏距离，取较小值为近邻。 　　（1）训练 　　假设训练图片的对应的矩阵大小为MxN，数量为n，设它们为xi（0T设xi拉伸后对应的矩阵为yi（0i依次排列，组成一个MxNxn的矩阵y=[y1 y2 y3…… yn]将矩阵拉伸后将得到的向量y取平均数，得到平均脸： 　　计算每一张人脸与平均脸的差值： 　　因此得到协方差矩阵： 　　求协方差矩阵的特征值和特征向量，并根据此构建特征脸空间。 　　由于协方差矩阵的维度是（MN）2，这部分实验的图片尺寸为60×160（不包括嘴）和90×160（包括嘴）。以不包括嘴的图片为例，此时构成的协方差矩阵的数据量就是（60×l60）2≈9.2×107，求解这样一个大矩阵的特征值和特征向量，若用常规的方法，普通的计算机的运算速度根本无法支撑。因此采用一种非常巧妙的方法来完成这项任务，也就是奇异值分解（SingularValue Decomposition，SVD）定理。奇异值分解是一种十分重要的矩阵分解方式，是矩阵分析中正规矩阵酋对角化的推广。 　　设A为mxn阶复矩阵，则存在m阶酋阵U和n阶酋阵V，使得 ， 　　我们的目的是利用svd分解求得一个非常大的协方差矩阵C的特征值以及对应的特征向量。而由已知条件 　　因此采用另一种间接的方式，通过计算ATA的特征值和特征向量来得到AAT的特征值和特征向量。 　　因为AAT的维数为15200×15200，而ATA的维数为480×480，两者相差1000倍，计算效率的差别可想而知。 　　首先，我们通过直接计算得到ATA，然后使用matlab自带的