陈济楠,李少波,2,高 宗,李政杰,杨 静
CHEN Jinan1,LI Shaobo1,2,GAO Zong1,LI Zhengjie1,YANG Jing1
1.贵州大学 现代制造技术教育部重点实验室,贵阳 550025
2.贵州大学 机械工程学院,贵阳 550025
1.Key Laboratory of Advanced Manufacturing Technology of Ministry of Education,Guizhou University,Guiyang 550025,China
2.School of Mechanical Engineering,Guizhou University,Guiyang 550025,China
年龄和性别作为人重要的生物特征,可以应用于多种场景,如基于年龄的人机交互系统、电子商务中个性营销、刑事案件侦察中的年龄过滤等。然而基于图像的年龄分类和性别检测在真实场景下受很多因素影响,如后天的生活工作环境等,并且人脸图像中的复杂光线环境、姿态、表情以及图片本身的质量等因素都会给识别造成困难。
目前的研究主要是利用传统的图像分类模式进行年龄分类和性别识别,即手工提取图像特征,建立特征分类模型。常用于人脸年龄估计的特征有BIF(Bioinspired Features)、AAM(Active Appearance Model)特征、LBF(Local Binary Feature)特征、SIFT(Scale-Invariant Feature Transform)特征和Gobar特征以及一些颜色特征。Kwon和Lobo[1]首先提出年龄分类问题。Lanitis等[2]采用主动外观模型(AAM),耿新等[3]提出了年龄成长模式子空间(Aging Pattern Subspace,AGES),Gunay等[4]将LBP特征应用于基于人脸图像的年龄估计中,也取得了很好的效果。但LBP特征只是局部纹理特征,不具有描述人脸形状的能力。在性别检测上,文献[5]采用Webers Local Texture Descriptor方法,文献[6]采用先通过LZM和LBP进行特征提取再利用AdaBoost或SVM算法分类,都在FERET数据集上表现优异。但是人为设计的特征通常不能应对多变的复杂环境,也无法捕获不同任务的高层语义信息,而在第一个步骤中所挑选的特征可能无法与第二个步骤中的分类算法很好匹配,从而造成人脸分析方法性能的下降。以上所述的方法都不能满足复杂多变环境下的人脸图像,往往在经过过滤和严格对齐的数据集上表现良好,这些数据集都是正面人脸,光照和姿态都有限制,并且背景单一,比如FG-NET、MORPH等数据集。……