基于数字人脸图像的人类年龄自动估计方法

摘要

本发明涉及一种基于数字人脸图像的人类年龄自动估计方法，步骤为：第一步，获得待估计人脸图像；第二步，待估计图像提取待估计人脸图像的特征向量生成候选年龄成长模式向量；第三步，判断成长模式子空间是否训练好，如果否，则进入训练成长模式子空间，如果是，则进入下一步；第四步，根据训练好的成长模式子空间，将待估计人脸图像的所有候选年龄成长模式向量投影到成长模式子空间中，再从投影向量重构出完整的候选年龄成长模式向量；第五步，通过比较重构图像与原图像之间的重构误差找到重构误差最小即最佳年龄成长模式；第六步，待估计人脸图像在这个最佳候选年龄成长模式中的位置r即其年龄。该方法精确度高，可自动完成。

说明书

技术领域

本发明涉及利用计算机对人类年龄进行自动估计的方法，特别涉及一种利用人脸图像对人类年龄进行估计的方法。

背景技术

目前尚未发现利用计算机通过人脸图像对人类年龄进行自动估计的技术。但存在一些利用数字人脸图像对人的身份进行识别的技术，如本发明申请人拥有的另一项发明专利“基于选择性多本征空间集成的数字人脸图像识别方法”(专利号ZL 2004 1 0041173.4)。数字人脸图像识别与本发明有着一定的联系，即都是利用数字人脸图像寻求与图像中人物有关的有用信息。但是，二者解决的是完全不同的问题，数字人脸图像识别目标是识别人的身份，而本发明是估计人的年龄。

年龄是人的重要属性，决定了人的行为、观念及应遵守的规则。人类年龄自动估计技术使得智能系统根据用户的年龄提供相应服务成为可能。在我国社会人口老龄化和越来越重视保护未成年人的大背景下，该项技术的应用显得尤为重要与迫切，蕴含着极大的经济和社会效益。当前多数情况下采取的年龄估计或验证方式要么依赖于人的主观估计如酒吧、网吧等场所拒绝未成年人入内，要么依赖于相关证件如护照通关。这些方式固有的速度慢、花费高、不友好、不可靠、易伪造等缺点可以通过自动年龄估系统的应用彻底改观。并且，原来很多年龄估计和验证不易实施的地方也可以应用该项技术实现覆盖，比如可根据用户年龄自动选择屏蔽某些有害信息的互联网浏览器，为不同年龄用户提供特色服务的自动服务终端等。因此基于此项技术开发的相关产品将具有十分广阔的市场前景。另外，在保护未成年人和关爱老年人等方面，该项技术的应用还具有良好的社会效益。值得注意的是，本发明所涉及的人类年龄估计方法仅仅依赖于人脸图像，这与考古学或法医学中研究的人类年龄估计方法有着根本不同。后者主要基于人死亡后骨骼和牙齿的相关证据进行估计，这些证据无法进行不侵入人体的采集，所以很难应用于日常生活中。与此不同，本发明通过人脸数字图像对人的年龄进行估计。这种方式正如人们在日常生活中估计他人年龄的方式一样，方便快捷且不唐突。因此，这种自动年龄估计技术能够直接应用于界面友好的智能系统中，使其具有与人类似的年龄估计能力。

发明内容

本发明的目的是提供一种让计算机以类似于人的方式，即观察人脸，对人类年龄作出准确估计的自动化方法，该方法的估计精度可达到与人类似的水平。

本发明的技术方案为一种基于数字人脸图像的人类年龄自动估计方法，步骤为：

第一步，通过数字图像输入设备获取用户面部的数字灰度图像即待估计人脸图像；

第二步，待估计图像被分别放在年龄成长模式中所有可能的年龄上，提取待估计人脸图像的特征向量并生成一组候选年龄成长模式向量，在每个候选年龄成长模式向量中，仅一个年龄上有图像特征，其余部分全部为缺失值；

第三步，判断成长模式子空间是否训练好，如果否，则进入训练成长模式子空间，如果是，则进入下一步；

第四步，根据训练好的成长模式子空间，将待估计人脸图像的所有候选年龄成长模式向量投影到成长模式子空间中，再从投影向量重构出完整的候选年龄成长模式向量；

第五步，如果待估计图像被放在了正确的年龄上，则重构出来的年龄成长模式中对应年龄上的人脸图像与原图像非常相像，否则重构出来的人脸图像将出现扭曲现象，通过比较重构图像与原图像之间的重构误差，也就是重构年龄成长模式向量与原始的年龄成长模式向量之间的重构误差，找到重构误差最小的一个候选年龄成长模式，即对待估计人脸图像来讲的最佳年龄成长模式；

第六步，待估计人脸图像在这个最佳候选年龄成长模式中的位置r即为对其年龄的估计，并将其作为最终的结果输出。

相关定义：1.年龄成长模式：一种将某个人的不同年龄的人脸图像从小到大排列的图像序列。2.年龄成长模式向量：从年龄成长模式中的每一幅人脸图像抽取出特征，然后按照年龄从小到大拼接而成的特征向量。3.人脸图像特征：利用高等代数教科书中的主成分分析技术，从人脸图像中抽取出来的特征向量。4.成长模式子空间：以一组年龄成长模式为训练样本计算出来的最具代表性的特征子空间。5.重构：利用训练好的成长模式子空间重新还原人脸图像的过程。6.候选年龄成长模式：将待估计的图像放在年龄成长模式中不同位置上所生成的一组年龄成长模式，其中只有一个对待估计的图像是最合适的。7.目标年龄：系统所能够估计的年龄范围，如0到70岁。

有益效果：1.本方法完全自动化，不需人的干预，且速度快，准确度高，可以应用于需要年龄估计的绝大多数场合。

2.本方法仅仅依赖人的面部图像就能对其年龄作出估计，这与日常生活中人们估计别人年龄的方式类似，因此能够很方便的在日常应用中实施而不会让人感觉麻烦或者反感，甚至可以在被估计者不知道的情况下实施，从而实现很多人性化的应用。

3.本发明中的年龄成长模式向量是一种适合于人脸年龄估计问题特点的特殊数据结构，这种数据结构中允许出现缺失值，更符合实际应用中年龄成长模式中几乎不可避免的出现缺失图像的现象；在这一数据结构中，所有人脸图像特征按照时间顺序从小到大排列，这反映了年龄成长模式的时序性；每一个年龄成长模式向量中包含的所有图像特征均属于同一个人，这样能够充分反映年龄成长的个性化特点，即每个人变老的方式是不同的。

附图说明

图1是基于数字人脸图像的人类年龄自动估计系统工作流程图。

图2是年龄成长模式向量的生成过程示例。

图3是初始化年龄成长模式中缺失图像的过程示例。

图4是成长模式子空间的训练过程流程图。

图5是对单张待估计人脸图像进行年龄估计的过程示例。

具体实施方式

下面结合附图和最佳实施例对本发明进行详细说明。

基于数字人脸图像的人类年龄自动估计系统工作流程图如图1所示。系统首先通过数字图像输入设备获取用户面部的数字灰度图像也就是待估计人脸图像，随后进入计算机处理过程。该过程包括提取输入人脸图像的特征向量并生成年龄成长模式向量如图2和图3所示，然后判断成长模式子空间是否训练好，如果否，则进入训练成长模式子空间过程，如图4所示，如果是，则根据训练好的成长模式子空间和待估计人脸图像的特征向量计算得到年龄估计结果，如图5所示，最后将估计结果输出。系统输出的估计年龄可视不同的实际应用而触发相应的操作。例如，当系统应用于基于年龄的人机交互系统时，较大的估计年龄可能使得系统以较大的字符显示操作界面，以照顾老年人的视力，相反，较小的估计年龄可能使得系统采用较为活泼和鲜艳的界面，以适应年轻人的喜好。再比如，当系统应用于屏蔽不良网上信息时，估计年龄如果属于未成年范围，系统将阻止用户浏览不适合未成年人的信息。

本发明建立在一种特殊的数据结构基础之上，即年龄成长模式向量，如图2所示。所谓年龄成长模式，即一种将某个人的不同年龄的人脸图像从小到大排列的图像序列。图2所示为某人0-8岁的年龄成长模式。其中虚线框表示对应年龄上无人脸图像，这种缺失图像在年龄成长模式中几乎不可避免，因为很难从某个人那里收集到其在所有年龄上的人脸图像。接下来，年龄成长模式中的每幅图像通过高等代数教科书中的主成分分析技术提取出特征向量，即将图像投影到由主成分分析得到的有n个正交向量基的子空间中，获得的n维特征向量，这里n是一个预先设定的整数，例如100，或者选择能够解释原数据90％方差的n值，这个值一般都远远小于像素个数，但是与像素个数没有直接关系。最后将的所有图像的特征向量按照年龄顺序拼接成一个大的向量，就称之为年龄成长模式向量。该向量中缺失值对应年龄成长模式中缺失的人脸图像，在图2中就是0、1、3、4、6、7，置为m。在图2中也就是将2、5、8岁时的图像投影得到特征向量b₂、b₅、b₈按照年龄顺序拼接成一个大的向量，也就是年龄成长模式向量。本发明后面的描述皆基于年龄成长模式向量。注意在年龄成长模式向量的生成过程中并没有手工参与，输入系统的人脸图像能够自动的被处理，提取出相应特征并生成规范化的特征向量，这使得系统可以在无人情况下自动运行。年龄成长模式向量是一种适合于人脸年龄估计问题特点的特殊数据结构，这表现在：1.这种数据结构中允许出现缺失值，这是考虑到在实际应用中年龄成长模式中的缺失图像几乎不可避免而进行的一项设计；2.在这一数据结构中，所有人脸图像特征按照时间顺序从小到大排列，这反映了年龄成长模式的时序性；3.每一个年龄成长模式向量中包含的所有图像特征均属于同一个人，这样能够充分反映年龄成长的个性化特点，即每个人变老的方式是不同的。

用以上方法生成的年龄成长模式向量中往往存在大量缺失值，这些缺失值必须经过初始化才能进入后续处理过程，而初始化过程对系统后续算法的有效性和迭代收敛效率至关重要。本发明中所使用的缺失值初始化方法如图3所示。图3中每一行显示了一个人的部分年龄成长模式，每一列上为年龄相同的人脸图像，虚线框表示缺失图像。以其中一幅缺失图像为例，也就是图中实线圈出的，沿着该缺失图像同样年龄的方向，即同一列，一般都能够在其他人的年龄成长模式中找到一些人脸图像，也就是图中虚线圈出的两个人脸图像，然后将这些同样年龄但不同人的人脸图像的特征向量取平均，将均值填充到缺失图像的位置作为其初始值。对训练集中的每个年龄成长模式向量中的所有缺失图像都进行以上处理，完成初始化。经过初始化，所有年龄成长模式向量均不再包含缺失值，用于填充缺失值的特征为同样年龄上的其他人的特征均值，这样能够保证初始填充值与目标值较为接近，为后续的成长模式子空间训练过程奠定了良好的基础。

由一组年龄成长模式向量计算成长模式子空间的过程流程图如图4所示。起始，然后利用图2中所示方法生成一组年龄成长模式向量，作为训练集。注意该集合中的年龄成长模式向量一般来讲都包含大量缺失值。再利用图3中所示方法将训练集合中的所有缺失值初始化。然后进入步骤I，在初始化后的训练集上应用高等代数教科书中的主成分分析技术，为年龄成长模式向量生成一个有k个正交基向量的本征空间即成长模式子空间，这里k是一个预先设定的子空间维度，为整数，一般应远远小于年龄成长模式向量的维度，例如20。步骤II，利用高等代数教科书中的向量操作，将训练集中的每个年龄成长模式向量投影到步骤I得到的成长模式子空间中。步骤III反过来利用步骤II得到的子空间投影重构出训练集中所有的年龄成长模式向量，即将投影向量乘以步骤II中投影矩阵的转置。步骤IV将步骤III重构出来的年龄成长模式向量与原始的年龄成长模式向量相比较，此处原始的年龄成长模式向量也就是得到相应投影向量的训练集中的原年龄成长模式向量，计算两者对应原数据中已知值的元素之差的平方和，作为已知值的重构误差。将训练集中所有年龄成长模式向量的已知值重构误差的均值作为当前成长模式子空间对训练集中已知值的重构误差。步骤V，判断该重构误差是否小于某个预先设定的阈值θ，例如10^-2。如果否，则用步骤III中重构出来的向量中对应原数据中缺失值的部分替换原数据中的缺失值，然后再次回到步骤I，在更新过的训练集上应用主成分分析。这个过程不断循环，直到步骤V判断出重构误差小于θ，则退出循环，将最新的主成分分析计算得到的子空间作为成长模式子空间保存起来，结束。经过这一训练过程，可以得到一个描述年龄成长模式基本特点的子空间。该子空间反映了训练集中包含的所有人的年龄成长模式的共性，即人类年龄成长的一般规律，因此可以作为下一步进行年龄估计的基础和依据。

给定一张待估计人脸图像，待估计图像被分别放在年龄成长模式中所有可能的年龄上，提取待估计人脸图像的特征向量并生成一组候选年龄成长模式向量。例如，假设目标年龄为0到70岁，则这一步骤可生成71个候选年龄成长模式向量。在每个候选年龄成长模式向量中，仅仅一个年龄上有图像特征，其余部分全部为缺失值。如图5所示，假设目标年龄为0到p-1岁，则可为待估计图像生成p个候选年龄成长模式向量，其中的缺失值置为m。然后，判断成长模式子空间是否训练好，如果否，则进入训练成长模式子空间，利用图4描述方法训练得到成长模式子空间；如果是，则利用图5所示过程对其进行年龄估计。首先，根据训练好的成长模式子空间，将待估计人脸图像的所有候选年龄成长模式向量投影到成长模式子空间中，再从投影向量重构出完整的候选年龄成长模式向量。在图5中，得到的p个候选年龄成长模式向量z₁……z_p投影到成长模式子空间后得到向量y₁……y_p，再从投影向量重构出完整的候选年龄向量此时，如果待估计图像在生成候选年龄成长模式向量的时候被放在了正确的年龄上，则重构出来的年龄成长模式中对应年龄上的人脸图像应当与原图像非常相像，否则重构出来的人脸图像将出现扭曲现象。例如图5中放大的两张重构图像，左边的一张与待估计图像非常相似，而右边的一张发生了明显的扭曲。下一步，通过比较重构图像特征向量(也就是重构出来的年龄成长模式向量中对应于原图像放置位置的部分)与原图像特征向量之间的重构误差，找到重构误差最小的一个候选年龄成长模式，即对待估计人脸图像来讲的最佳年龄成长模式，而待估计人脸图像在这个最佳候选年龄成长模式中的位置r即为对其年龄的估计，并将其作为最终的结果输出。在图5中也就是对重构出来的图像特征向量与原图像特征向量之间的重构误差ε^a(1)……ε^a(P)，寻找出重构误差最小的一个候选年龄成长模式也就是最佳年龄成长模式，这个时候待估计人脸图像在这个候选年龄成长模式中的位置r即可作为结果输出。在这一过程中，首先为待估计人脸图像找到既符合人类年龄成长一般规律，即在年龄成长模式子空间中重构误差最小化，又具有个性化特点，即所有候选年龄成长模式都由待估计人脸图像衍生出来的年龄成长模式，然后，待估计人脸图像在该最佳年龄成长模式中的位置就自然指示出了图像中人的年龄。

通过以上描述可以看出，本发明方法仅仅依赖于一张人脸图像即可对其中人物的年龄作出判断。该方法基于一种特殊的数据结构——年龄成长模式向量，而不是单张图像。一个年龄成长模式中所有图像均来自同一个人，并且按照时间顺序排列，在此序列中允许缺失值存在。这样，使得该方法很好的解决了基于数字人脸图像的人类年龄估计中三个主要难点，即成长模式的个性化、不完整和时序化问题。以此为基础，本发明设计了能够在有大量缺失值的年龄成长模式向量集合上训练得到成长模式子空间的方法，以及利用成长模式子空间估计单张输入人脸图像的年龄的方法。经测试，本发明方法能够达到与人类对陌生人的年龄估计能力类似的精度。