一種基于tfidf的人臉圖像年齡的估計方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于TFIDF的人臉圖像年齡的估計方法。
【背景技術(shù)】
[0002] 在過去的幾年里，臉部年齡估計迅速成為一個熱點話題，使得這個領(lǐng)域吸引了越 來越多的人。臉部圖像顯示一系列可視化特征，例如身份、表情、姿勢、種族、性別和年齡。臉 部衰老取決于多種因素，包括人類基因、健康狀況、生活方式以及環(huán)境。因老化帶來面貌的 變化會很大程度地降低許多應(yīng)用的性能，因此在臉部圖像分析領(lǐng)域里一個健壯的年齡估計 系統(tǒng)成為一個極為重要的問題。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于提供一種基于TFIDF的人臉圖像年齡的估計方法，與傳統(tǒng)的人 臉圖像年齡的估計方法相比，簡潔高效而且適用于大型數(shù)據(jù)庫。
[0004] 本發(fā)明一種基于TFIDF的人臉圖像的年齡估計方法，包括以下幾個步驟：
[0005] 步驟1、將一張人臉圖像img通過ASM算法提取68個關(guān)鍵特征點，生成形狀向量 AAMimg，記為AAMimg= (Xi，x2，…，x136)，其中（XpxJ作為形狀向量AAMimg的第一個特征點， (x3，x4)作為形狀向量AAMinJ^第二個特征點，依次類推；
[0006] 步驟2、將所述形狀向量AAMimg的每個分量轉(zhuǎn)換成Landmark-Term值，具體為：
[0007] 將形狀向量AAMimg=(x^x2，…，x136)的第i個分量Xi轉(zhuǎn)換成形式為"F-i-LOC" 的字符串，其中i表示第i個分量
車中，為取整操作，width為預(yù)置 的固定值，稱"F-i-LOC"為形狀向量AAMimg第i個Landmark-Term值，其中i的取值范圍 在[1， 136];
[0008] 步驟3、根據(jù)給定的人臉圖像庫，抽取出所有人臉圖像的形狀向量AAMimg，組成形狀 向量AAMjf本空間（AAM?。海珹AM，，…，AAM、），假設(shè)整個AAMij^本空間 里有m個不同的Landmark-Term值，則所有的Landmark-Term值構(gòu)成一個Landmark-Term字典DIC，DIC=(termuterm2, ???，termj，其中Landmark-Term字典DIC中的 第i個Landmark-Term值；
[0009] 步驟4、對于任意一個人臉圖像的形狀向量AAMimg，將其轉(zhuǎn)換成一個Landmark-Term 向量TermVec(img)，具體如下：
[0010] 給定一個形狀向量AAMimg，對應(yīng)的Landmark-Term向量為TermVec(img)= (Vi，v2,...vm)，其中，m為Landmark-Term字典中的Landmark-Term值總數(shù)，若形狀向量 AAMimg中存在一個分量轉(zhuǎn)化成Landmark-Term值后與Landmark-Term字典DIC中的termi相 同，則Vi= 1，否則vi= 0 ;
[0011] 步驟5、給每個年齡組里所有Landmai'k-Tenn向量求和，則對所有的年齡組別，可 得到Landmark-Term值的權(quán)重矩陣W，具體為：
[0012] 將給定的人臉圖像庫中訓(xùn)練數(shù)據(jù)的所有人臉圖像按年齡分組，對 于每一個年齡組，將該年齡組內(nèi)所有的Landmark-Term向量進行求和計算：
，其中，(^表示第j個年齡組別，imgeh表示人臉圖 像img屬于Cj年齡組，SumVecj表示cj年齡組的統(tǒng)計向量，其中第i個分量的值代表的 是Landmark-Term字典DIC中的c』年齡組中出現(xiàn)的總次數(shù)，用tf(termi,j)表 示，S丨
則對所有的年齡組別，采用TFIDF來權(quán)衡每個年齡組中每個 Landmark-Term值的權(quán)重，按如下公式計算：
[0013]
…一…， k
[0014]其中tf(ternii,j) =SumVeCj[i]是C」年齡組中出現(xiàn)的總次數(shù)，|C|是 年齡組別的總數(shù)，SumVeCk[i]表示在Ck年齡組的統(tǒng)計向量的第i個分量值，x是判斷函 數(shù)
t中k= 1，2，. . .，m化』表明term^Cj年齡組中重要的權(quán)重，權(quán) 重越大，term^C」年齡組中越重要，記W= (w^mx|c|為權(quán)重矩陣，其中m為Landmark-Term字典中的Landmark-Term值總數(shù)，|C|是年齡組別的總數(shù)；
[0015]步驟6、根據(jù)步驟5所得到的權(quán)重矩陣W得到投影向量proj(img)，具體為：
[0016] 對于一個未知年齡分組的人臉圖像img，按權(quán)重矩陣W將該待測年齡的人臉圖像 img的Landmark-Term向量投影到年齡組空間：
[0017] proj(img) =ffXTermVec(img)'
[0018] 其中，TermVec(img) ' 是TermVec(img)的轉(zhuǎn)置向量，proj(img)中第i個分量的 值是該未知年齡分組的人臉圖像img屬于年齡組(^的相似度，即意味著值越大，人臉圖像 img的年齡等于i的可能性越大；
[0019] 步驟7、根據(jù)步驟6所得到的投影向量proj(img)，估計待測年齡的人臉圖像img的最大若干可能年齡，按以下步驟計算：
[0020] (1)首先對proj(img)中的各分量按大小值進行降序排序；
[0021] (2)取降序排序后的前n個分量，n為用戶自定義的一個數(shù)值；
[0022] (3)取該n個分量在原有投影向量proj(img)中的位置生成一個新向量 posages(img) = [topAge^topAge2, . . . ,topAgeJ,其中，topAge!表示proj(img)向量分 量值最大的分量所在位置，即表示的是該待測年齡的人臉圖像img最大可能年齡；topAgei 表示的是該待測年齡的人臉圖像img中第i大可能的年齡，依此類推。
[0023] 由于本發(fā)明處理的是臉部相對簡單的特征，計算量小，有助于提高大樣本數(shù)據(jù)下 的人臉圖像年齡估計的準(zhǔn)確度及計算速度。
【具體實施方式】
[0024] 本發(fā)明一種基于TFIDF的人臉圖像年齡的估計方法，具體包括以下步驟：
[0025] 步驟1、將一張人臉圖像img通過ASM (Active Shape Model)算法提取68個關(guān)鍵 特征點，生成形狀向量AAMimg，該形狀向量AAMimg包括人臉面部68處關(guān)鍵特征點，其中每個 特征點代表人臉面部的關(guān)鍵部分，它們是毫無語義的原子元素，記為AAMimg= (Xl，x2，…， X136)，其中（X"x2)作為形狀向量AAMinig的第一個特征點，（X3,x4)作為形狀向量AAMinig的第 二個特征點，依次類推；
[0026] 步驟2、將所述形狀向量AAMimg的每個分量轉(zhuǎn)換成Landmark-Term值，具體為：
[0027] 將形狀向量AAMimg=(x^x2，…，x136)的第i個分量Xi轉(zhuǎn)換成形式為"F-i-LOC" 的字符串，其中i表示第i個分量：
其中，為取整操作，width為預(yù)置 的固定值，稱"F-i-LOC"為形狀向量AAMimg第i個Landmark-Term值，其中i的取值范圍 在[1，136]，以AAMimg= (5, 7,…，91)為例，取width= 5,則第 1 個Landmark-Term值為 "F-1-1 "，第 2 個Landmark-Term值為"F-2-1 "，最后一個Landmark-Term值為"F-136-18"；
[0028] 步驟3、根據(jù)給定的人臉圖像庫，抽取出所有人臉圖像的形狀向量AAMimg，組成形狀 向量AAMimg樣本空間，再從中得到Landmark-Term字典，具體為：
[0029]給定一個形狀向量AAMim，本空間（AAM_:，AAM_，…，AAM^ )，假設(shè)整個樣本空間里有m個不同的Landmark-Term值，則所有的Landmark-Term值構(gòu) 成一個Landmark-Term字典，稱之為DIC= (term!,term2, ???，termj，其中七61'1111表不 Landmark-Term字典DIC中的第i個Landmark-Term值；
[0030] 步驟4、對于任意一個人臉圖像樣本的形狀向量AAMimg，將其轉(zhuǎn)換成一個 Landmark-Term向量TermVec(img)，具體如下：
[0031]給定一個形狀向量AAMimg，對應(yīng)的Landmark-Term向量為TermVec(img)= (Vi,v2,...vm)，其中，m為Landmark-Term字典中的Landmark-Term值總數(shù)，若形狀向量 AAMimg中存在一個分量轉(zhuǎn)化成Landmark-Term值后與Landmark-Term字典DIC中的term一目 同，則Vi= 1，否則vi= 0 ;
[0032] 步驟5、給每個年齡組里所有Landmark-Term