公开/公告号CN101809619A
专利类型发明专利
公开/公告日2010-08-18
原文格式PDF
申请/专利权人 NEC软件有限公司;
申请/专利号CN200880109502.0
发明设计人 植木一也;
申请日2008-09-18
分类号G06T7/00(20060101);
代理机构11219 中原信达知识产权代理有限责任公司;
代理人张焕生;安翔
地址 日本东京
入库时间 2023-12-18 00:39:50
法律状态公告日
法律状态信息
法律状态
2014-09-24
专利权人的姓名或者名称、地址的变更 IPC(主分类):G06T7/00 变更前: 变更后: 申请日:20080918
专利权人的姓名或者名称、地址的变更
2014-09-10
授权
授权
2010-11-10
实质审查的生效 IPC(主分类):G06T7/00 申请日:20080918
实质审查的生效
2010-08-18
公开
公开
技术领域
本发明涉及属性估计系统,所述属性估计系统估计不可能物理地测量的值,本发明具体地涉及属性估计系统和属性估计方法,其中,没有估计精度在特定的数值区域中降低的情况,本发明并且具体地涉及使用所述属性估计系统和属性估计方法的年龄估计系统、性别估计系统与年龄和性别估计系统。
背景技术
作为一种根据从输入信息提取的特征来估计不可能物理地测量的值的系统,存在一种通过下述方式来估计人的年龄和性别的系统:从输入图像数据提取所述人的特征,并且将所提取的特征与预先学习的数据相比较。
例如,如图1中所示,一种系统相关,所述系统具有:特征提取单元,用于从输入图像提取特征;以及,分类器,其通过比较所提取的特征与预先学习的数据来估计年龄。
在上述的相关系统中,作为处理所提取的特征以估计年龄的分类器,存在像在专利文件1中公开的发明那样的将估计的结果处理为离散量的情况和像在专利文件2中公开的发明那样的将估计的结果处理为连续量的情况。
[专利文件1]日本专利申请特开No.2007-58828
[专利文件2]日本专利申请特开No.2005-148880
发明内容
本发明要解决的问题
当估计结果被处理为离散量时,估计结果被输出为用于指示其对应于被划分为年龄组的类的哪个的数据。例如,当年龄被划分为被分类为0多岁(0-9岁大)、10多岁(10-19岁大)、20多岁(20-29岁大)、30多岁(30-39岁大)、40多岁(40-49岁大)、50多岁(50-59岁大)和不小于60(60岁大或者更大)的多个类时,选择诸如“20多岁”或者“50多岁”的类名号之一,并且将其输出为估计结果。
但是,在这种情况下,存在如何划分年龄组的问题。例如,存在关于划分所述类的宽度或者关于划分年龄组的基准(中间值)的问题(例如,即时使用与上述的示例分类相同的10岁大宽度,也可以考虑诸如15-24岁大的分类)。
而且,当分隔20多岁(20-29岁大)和30多岁(30-39岁大)时,存在整体精度降低的问题,因为强制要分隔没有大区别的诸如29岁大和30岁大这样的两个年龄的数据。
当不能从图像提取特定特征时,容易出现图像容易被分类为的类和图像不容易被分类为的类。即,虽然可以对于少年组和老年组(其中容易观察特定特征)精确地估计年龄,但是难以对于年轻一代组和中年组(其中不容易观察特定特征)精确地估计。因此,当将估计结果处理为离散量的系统被应用到在商店等中的客户基础分析时,诸如少年组和老年组这样的特定类的输出提高,而诸如年轻一代组和中年组这样的特定类的输出降低,并且作为结果,不能精确地分析客户基础。
另一方面,当将估计结果处理为连续量时,因为分类器学习以便可以在学习阶段最小化残余误差,因此当试图改善整体性能时,出现估计结果向中心移动的趋势。即,存在下述趋势:年龄比平均年龄越年轻,则将所述年龄估计得越老,并且年龄比平均年龄越老,则将所述年龄估计得越年轻,因此,难以精确地估计少年组和老年组的年龄。
因此,存在下述问题:在上述的相关技术中,在特定年龄组中的人的年龄的估计精度变低。
已经鉴于上述问题做出了本发明,本发明的目的是提供一种属性估计系统和方法,其中,不存在在特定的数值区中的估计精度降低的情况,和提供使用上述系统和方法的一种年龄估计系统、一种性别估计系统与一种年龄和性别估计系统。
用于解决问题的手段
为了实现上述目的,作为第一方面,本发明提供了一种属性估计系统,其是用于估计关于至少一个输入数据的属性的系统,并且其包括:第一估计部件,其根据所述输入数据将所述属性估计为离散量;第二估计部件,其根据所述输入数据将所述属性估计为连续量;以及,结合部件,其将所述第一估计部件的估计结果与所述第二估计部件的估计结果相结合。
而且,为了实现上述目的,作为第二方面,本发明提供了一种使用根据本发明的上述第一方面的属性估计系统的年龄估计系统,其中,至少一个输入数据是图像数据,并且所述属性是在所述图像中被拍摄的人的年龄。
为了实现上述目的,作为第三方面,本发明提供了一种使用根据本发明的上述第一方面的属性估计系统的性别估计系统,其中,至少一个输入数据是图像数据,并且所述属性是在所述图像中被拍摄的人的性别。
为了实现上述目的,作为第四方面,本发明提供了一种使用根据本发明的上述第一方面的属性估计系统的年龄和性别估计系统,其中,至少一个输入数据是图像数据,并且所述属性是在所述图像中被拍摄的人的年龄和性别。
为了实现上述目的,作为第五方面,本发明提供了一种用于估计关于至少一个输入数据的属性的属性估计方法,包括:第一估计步骤,用于根据输入数据来将属性估计为离散量;第二估计步骤,用于根据输入数据将所述属性估计为连续量;以及,结合步骤,用于将在所述第一估计步骤中的估计结果和在所述第二估计步骤中的估计结果相结合。
本发明的有益效果
根据本发明,可以提供一种属性估计系统和一种其中没有在特定的数值区中的估计精度降低的情况的方法以及使用上述系统和方法的一种估计系统、一种性别估计系统与一种年龄和性别估计系统。
具体实施方式
如图2中所示,根据本发明的一种属性估计系统是用于估计与至少一个输入数据相关的属性的系统,所述系统包括:第一估计单元,其根据输入数据将所述属性估计为离散量;第二估计单元,其根据输入数据将所述属性估计为连续量;以及,结合单元,其将所述第一估计单元的估计结果与所述第二估计单元的估计结果相结合。以下,将其中输入数据是图像数据并且要估计的属性是年龄的情况作为示例,将描述优选实施例。
[第一示例性实施例]
将说明适当地实施了本发明的第一示例性实施例。
在图3中示出了根据这个示例性实施例的年龄估计系统的结构。
这种系统具有特征提取单元1和2、分类器3和4、分数产生单元5和6以及结合单元7。可使用专用硬件来构成这些单元的每个,并且也可以通过软件处理来在计算机上实现这些单元。
特征提取单元1从输入图像中提取被分类器3用于估计年龄的特征。特征提取单元2从输入图像中提取由分类器4用于估计年龄的特征。分类器3存储已经预先学习的标准数据,并且使用由所述特征提取单元1从输入图像提取的特征和所述标准数据将在输入图像上的人的年龄估计为离散量。分类器4存储已经预先学习的标准数据,并且使用由特征提取单元2从输入图像提取的特征和所述标准数据将在输入图像上的人的年龄估计为连续量。分数产生单元5产生从分类器3输出的估计结果(离散量)的分数。分数产生单元6产生从分类器4输出的估计结果(连续量)的分数。结合单元7将从分数产生单元5和6的每个输出的分数相结合。同时,分数是用于指示从分类器输出的特定估计结果(离散量和连续量)和年龄信息(估计的目标人的实际年龄和显现年龄)的相关性的值。将在下面的说明的后面部分中说明分数产生的处理的细节。
注意,特征提取单元1、分类器3和分数产生单元5对应于在图1中的第一估计单元51。而且,特征提取单元2、分类器4和分数产生单元6对应于在图1中的第二估计单元52。结合单元7对应于在图1中的结合单元53。
可以向用于使用已经由分类器3和4学习的标准数据来从特征估计人的年龄的处理应用公知的方法。可以向将人的年龄估计为离散量的分类器3应用技术,诸如线性判别分析(线性判别分析:LDA)、混合高斯分布模型(高斯混合模型:GMM)和支持向量机器。可以向将人的年龄估计为连续量的分类器4应用技术,诸如多重回归分析、中性网络和支持向量回归。
可以向其中特征提取单元1和2从输入图像提取特征的处理应用公知方法,更具体地,可以应用诸如边缘检测和二值化这样的技术。
将说明从作为从分类器3输出的估计结果的离散量产生分数的分数产生单元5的处理。如上所述,所述分数是用于指示在特定的估计结果和年龄信息之间的相关性的值,并且所述分数在矩形坐标系统(其中将年龄作为另一个轴)中被指示为线性函数。在图4中示出了当分类器3选择任何类并且输出估计结果时产生分数的示例。在这个附图中的图形的垂直轴表示离散量的分数Sc,并且水平轴表示年龄。在此,当已经从分类器3输出“20多岁”的离散量作为估计结果时的情况作为示例被示出。
在(a)的情况下,产生分数使得其对于不小于20岁和对应于20多岁的小于30岁的年龄是固定值。在(b)的情况下,产生分数使得最高值被分配到作为20多岁的类中的中间值的25岁,并且在所述中间值和年龄之间的距离越大,则所述分数以线性方式降低得越多。在(c)的情况下,产生分数使得其具有以作为20多岁的类中的中间值的25岁为中心的正态分布的形状。
在图5中示出了当分类器3输出估计结果作为与每类对应的概率时产生分数的示例。像图4那样,在这个图中的图形的垂直轴表示离散量的分数Sc,并且水平轴表示年龄。在此,下述情况作为示例被示出:对于0多岁为10%、对于10多岁为20%、对于20多岁为50%、对于30多岁为10%、对于40多岁为5%并且对于50多岁为5%的估计结果被输出为离散量。
在(a)的情况下,产生分数使得其根据每类的概率对于在一类中的年龄是固定值。在(b)的情况下,产生分数使得在每类的中间值是最大,并且在所述中间值和年龄之间的距离越大,则所述分数以线性方式降低得越多。在(c)的情况下,产生分数使得其具有以每类的中间值为中心的正态分布。
在图6中示出了分数产生单元6的处理的示例。在这个图中的图形的垂直轴表示连续量的分数,并且水平轴表示年龄。在(a)的情况下,可以产生分数使得其对于分类器4的输出值的±α的范围中的年龄是固定值。而且,在(b)的情况下,可以产生分数使得分类器4的输出值的分数值最高,并且在输出值和年龄之间的距离越大,则年龄的分数以线性方式降低得越多。在(c)的情况下,可以产生分数使得其具有以分类器4的输出值为中心的正态分布。
结合单元7将分别从分数产生单元5和6输入的Sc和Sr相结合。
如图7中所示,其中通过将离散量的分数Sc(图7(a))和连续量的分数Sr(图7(b))相结合而获得的在结合后的分数St(图7(c))取峰值的年龄被输出为结合结果。
而且,在结合时,可以根据分类器3和4的精度来执行加权。即,当分类器3和4的加权分别被称为Wc和Wr时,在结合后的分数St被表示为St=Wc*Sc+Wr*Sr。
因此,在分类器3和4之一比另一个更高度精确的情况下,估计精度通过使得所述更精确的分类器的加权更大而改善。
而且,通过改变每类的加权来改善估计精度。例如,因为处理离散量的分类器3在少年组和老年组的估计上更精确,因此年龄估计的精度通过使得这些类的加权大而提高。具体上,当分类器3在“X多岁”中的加权被表示为Wc(X)时,通过设置Wc(0)=1.0、Wc(10)=0.5、Wc(20)=0.3、Wc(30)=0.3、Wc(40)=0.3、Wc(50)=0.5和Wc(60)=1.0,改善了少年组和老年组的年龄估计的精度。
虽然其中计算分数St(通过将连续量的分数Sr和离散量的分数Sc相结合而被获得)取最大值的年龄被计算为连续量,但可使得结合单元7的输出成为离散量。作为用于将结合单元7的输出转换为离散量的方法,存在一种将其中分数St取最大值的年龄所属的类当作结合结果的方法和一种用于将其中作为在逐类基础上结合分数St的结果的其区域变得最大的类当作结合结果的方法。在图8的示例中,在前一种方法的情况下的“10多岁”和在后一种方法的情况下的“20多岁”将作为结合结果的离散量被从结合单元7输出。
虽然可以使用两种方法,后一种方法在估计精度的稳定性上更佳。
因此,因为根据这个示例性实施例的年龄估计系统结合了作为离散量获得的估计结果和作为连续量获得的估计结果,所以没有特定年龄组的估计的精度变低的情况。
而且,通过在向它们提供加权的同时将基于作为离散量获得的估计结果的分数和基于作为连续量获得的估计结果的分数相结合,可进一步改善估计精度。在这种情况下,可以通过根据类来改变加权而使得估计精度更高。
[第二示例性实施例]
将说明其中适当地实施本发明的第二示例性实施例。
在图9中示出了根据这个示例性实施例的估计系统的结构。虽然其是几乎与第一示例性实施例的结构类似的结构,但是分数产生单元5和6可以参见分类器3和4的每个用于年龄的估计的标准数据。
特征提取单元1和2和结合单元7的处理与第一示例性实施例的相同。
在这个示例性实施例中,分数产生单元5参考分类器3的标准数据来产生估计结果的分数。当在用于学习的标准数据中包括年龄信息来作为参数时,可以通过执行分类器3的标准数据的反查找来提取被估计为属于特定年龄组的人的年龄信息的分布。因此,分数产生单元5从分类器3的标准数据提取应当被估计为特定年龄组的数据,并且将其分布输出为年龄组的分数,如图10(a)中所示。
类似地,分数产生单元6参考分类器4的标准数据来产生估计结果的分数。当在用于学习的标准数据中包括年龄信息来作为参数时,可以通过执行分类器4的标准数据的反查找来提取被估计为属于特定年龄组的人的年龄信息。因此,分数产生单元6从分类器4的标准数据提取应当被估计为在特定年龄的±α范围中的数据,并且将其分布输出为年龄的分数,如图10(b)中所示。
被估计在特定的年龄组中的人的年龄信息可以不是相对于所述年龄组的中间值对称的分布。例如,被估计在其20多岁的人的年龄信息的分布一般变得大于作为中间值的25的年龄,因为存在比第一种情况更多的第二种情况,在所述第一种情况中,在他的/她的10多岁(其中特定特征容易显现的年龄组)的人被估计为在他的/她的20多岁,在所述第二种情况中,在他的/她的30多岁(其中特定特征不容易显现的年龄组)的人被估计为在他的/她的20多岁。在连续量的情况下这也类似,并且被估计在特定年龄的人的年龄信息可能不是相对于年龄的对称分布。
在这个示例性实施例中,可更精确地估计年龄,因为使用用于年龄的估计的标准数据来产生离散量和连续量的分数。
像如图10(c)中所示的第一示例性实施例那样,在结合单元7中结合了离散量和连续量的分数,并且结合结果被输出为离散量或者连续量。
而且,虽然已经在此描述了其中基于由分类器3和4用于年龄的估计的标准数据来产生分数的情况,但是,当存在分类器3和4还没有学习的测量数据(包括在年龄信息和估计结果之间的关系)时,分数产生单元5和6可以执行根据其来产生分数的处理,如图11中所示。
[第三示例性实施例]
将说明其中适当地实施了本发明的第三示例性实施例。
在图12中示出了根据这个示例性实施例的年龄估计系统的结构。在这个示例性实施例中,提供了两个分类器(4a和4b),它们将人的年龄估计为连续量,并且分别输出由特征提取单元2提取的特征量A和B。
注意,特征提取单元1、分类器3和分数产生单元5对应于在图1中的第一估计单元51。而且,特征提取单元2、分类器4a、4b和分数产生单元6对应于在图1中的第二估计单元52。结合单元7对应于在图1中的结合单元53。
分数产生单元6分别根据从分类器4a和4b输入的估计结果来输出连续量的分数Sr。
在图13中示出了分数产生单元6的处理的示例。分数产生单元6组合基于从分类器4a(图13(a))输入的估计结果的分数和基于从分类器4b(图13(b))输入的估计结果的分数,并且计算连续量的分数Sr(图13(c))。
像第一示例性实施例那样,在结合单元7中将组合的连续量的分数与离散量的分数相结合,并且从结合单元7输出结合结果来作为离散量或者连续量。
因此,通过经由组合从多个分类器输出的估计结果而产生分数,减少了测量误差,并且改善了估计精度。
同时,虽然在此作为示例已经描述了其中特征提取单元2提取两个特征量来输入到分立的分类器4a和4b的结构,但是,可以如图14中所示提供多个特征提取单元本身,或者可以如图15中所示向分立的分类器输入相同的特征。当向不同的分类器输入同一特征时,获得类似的效果,因为当所学习的标准数据不同时,输出的估计结果不同。
虽然在此作为示例描述了已经将组合两个分类器的估计结果的情况,但是不必说,所述结构可以使得组合不小于3个分类器的估计结果。
[第四示例性实施例]
将说明其中适当地实施了本发明的第四示例性实施例。
在图16中示出了根据这个示例性实施例的年龄估计系统的结构。在这个示例性实施例中,提供了两个分类器(3a和3b),它们将人的年龄估计为离散量,并且分别输出由特征提取单元2提取的特征量C和D。
注意,特征提取单元1、分类器3a、3b和分数产生单元5对应于在图1中的第一估计单元51。而且,特征提取单元2、分类器和分数产生单元6对应于在图1中的第二估计单元52。结合单元7对应于在图1中的结合单元53。
分数产生单元5分别基于从分类器3a和3b输入的估计结果来输出离散量的分数Sc。
因为除了组合的目标之外第四示例性实施例与第三示例性实施例相同,因此将省略重复的说明。
[第五示例性实施例]
将说明其中适当地实施了本发明的第五示例性实施例。
在图17中示出了根据这个示例性实施例的年龄估计系统的结构。这个系统包括特征提取单元11、12、21和22、分类器13、14、23和24、分数产生单元15、16、25和26与结合单元17。
第一输入图像被输入到特征提取单元11和12,并且第二输入图像被输入到特征提取单元21和22。特征提取单元11和21类似于第一示例性实施例的特征提取单元1,特征提取单元12和22类似于第一示例性实施例的特征提取单元2,分类器13和23类似于第一示例性实施例的分类器3,分类器14和24类似于第一示例性实施例的分类器4,分数产生单元15和25类似于第一示例性实施例的分数产生单元5,分数产生单元16和26类似于第一示例性实施例的分数产生单元6,并且结合单元17类似于第一示例性实施例的结合单元7。
根据这个示例性实施例的年龄估计系统分别基于输入图像1计算离散量的分数Sc1和连续量的分数Sr1以及基于输入图像2计算离散量的分数Sc2和连续量的分数Sr2,并且通过将这些结合来获得估计结果。
因为在每个部分中的处理与上述示例性实施例的每个的处理相同,因此将省略其说明。
因为根据这个示例性实施例的年龄估计系统基于多个图像而估计年龄,因此,即使当任何一个图像的拍摄条件不良并且不能良好地提取特征时,也可以从其他图像估计年龄,并且因此,年龄估计的精度变高。
虽然已经描述了存在两个输入图像的情况,但是通过布置结构使得输入图像的数量与将年龄估计为离散量的处理系统和将年龄估计为连续量的处理系统的对的数量相同,有可能通过像上述示例那样将基于每个输入图像做出的估计结果相结合来改善估计精度。
而且,每个上述示例性实施例是本发明的适当实施方式的示例,并且本发明不限于此。
例如,在每个上述的示例性实施例中,虽然已经作为示例描述了将基于输入图像来估计人的年龄的情况,但是可以取代年龄而估计人的性别。在这种情况下,通过将女人的性别数字化为“1”并且将男人的性别数字化为“0”,可以像年龄的情况那样将其估计为离散量和连续量。如图18中所示,通过并行地执行与上面所述的示例性实施例的每个相同的处理,可以同时估计人的年龄和性别。
被作为估计基础的数据不限于图像,并且其可以是语音等,并且其可以是不少于两种形式的数据的组合(例如语音+图像)。
因此,本发明的各种修改是可能的。
本申请要求基于在2007年9月28日提交的日本专利申请No.2007-254295的优先权,其公开通过引用而被整体包含在此。
附图说明
图1是示出与本发明相关的年龄估计系统的结构的图;
图2是示出根据本发明的属性估计系统的结构的图;
图3是示出其中适当地实施本发明的第一示例性实施例的年龄估计系统的结构的图;
图4是示出用于产生离散量的分数的示例的图;
图5是示出用于产生离散量的分数的示例的图;
图6是示出用于产生连续量的分数的示例的图;
图7是示出离散量的分数和连续量的分数的结合的示例的图;
图8是示出其中将结合结果改变为离散量的处理的示例的图;
图9是示出其中适当地实施本发明的第二示例性实施例的年龄估计系统的结构的图;
图10是示出使用标准数据来产生分数的示例的图;
图11是示出根据还没有被分类器学习的测量数据来产生分数的系统的示例构造的图;
图12是示出其中适当地实施本发明的第三示例性实施例的年龄估计系统的结构的图;
图13是示出其中组合来自多个分类器的估计结果的分数的处理的示例的图;
图14是示出根据第三示例性实施例的年龄估计系统的不同结构的图;
图15是示出根据第三示例性实施例的年龄估计系统的不同结构的图;
图16是示出其中适当地实施本发明的第四示例性实施例的年龄估计系统的结构的图;
图17是示出其中适当地实施本发明的第五示例性实施例的年龄估计系统的结构的图;并且
图18是示出用于估计性别以及年龄的系统的结构的图。
附图标号的说明
1,2,11,12,21,22,31,32,41,42特征提取单元;
3,4,13,14,23,24,33,34,43和44识别单元;
5、6、15、16、25和26分数产生单元;
7,17,37,47和53结合单元;
51第一估计单元;以及
52第二估计单元
权利要求书(按照条约第19条的修改)
1.一种基于至少一个输入数据来估计年龄的年龄估计系统,包括:
第一估计装置,包括至少一个第一特征提取装置,所述第一特征提取装置从所述输入数据提取至少一个第一特征,并且所述第一估计装置基于所述第一特征将所述年龄估计为离散量;
第二估计装置,包括至少一个第二特征提取装置,所述第二特征提取装置从所述输入数据提取至少一个第二特征,并且所述第二估计装置基于所述第二特征将所述年龄估计为连续量;
指数化装置,用于指数化在所述第一估计装置和所述第二估计装置的各自估计结果与年龄信息之间的关系;
结合装置,所述结合装置将通过指数化所述第一估计装置的估计结果而建立的值和通过指数化所述第二估计装置的估计结果而建立的值相结合,并且输出估计年龄。
2.根据权利要求1的年龄估计系统,其中,所述指数化装置指数化所述第一估计装置的估计结果,以便所述估计结果在任何一类中变为固定值。
3.根据权利要求1的年龄估计系统,其中,所述指数化装置指数化所述第一估计装置的估计结果,以便所述估计结果在任何一类中的中间值变为最大,并且与和所述中间值的差成比例地减少。
4.根据权利要求1的年龄估计系统,其中,所述指数化装置指数化所述第一估计装置的估计结果,以便所述估计结果具有以在任何一类中的中间值为中心的正态分布形状。
5.根据权利要求1的年龄估计系统,其中,所述指数化装置基于下述结果来将所述第一估计装置的估计结果指数化为对于任何一类而估计的标准数据的分布,所述结果是通过执行所述第一估计装置已经用于学习的标准数据的反查找而获得的。
6.根据权利要求1的年龄估计系统,其中,所述指数化装置指数化所述第一估计装置的估计结果,以便所述估计结果基于与每类对应的概率而变为在每类中的固定值。
7.根据权利要求1的年龄估计系统,其中,所述指数化装置通过获得基于与每类对应的概率而建立的每类的值的累加值而指数化所述第一估计装置的估计结果,所述概率在类的中间值变得最大,并且与和所述中间值的差成比例地减少。
8.根据权利要求1的年龄估计系统,其中,所述指数化装置通过获得基于与每类对应的概率而建立的每类的值的累加值而指数化所述第一估计装置的估计结果,所述概率具有以类的中间值为中心的正态分布的形状。
9.根据权利要求1的年龄估计系统,其中,所述指数化装置基于下述结果,根据与每类对应的概率来将所述第一估计装置的估计结果指数化为对于每一类而估计的标准数据的分布,所述结果是通过执行所述第一估计装置已经用于学习的标准数据的反查找而获得的。
10.根据权利要求1到9的任何一个的年龄估计系统,其中,所述指数化装置将所述第二估计装置的估计结果指数化为在预定年龄范围中的固定值,所述预定年龄范围将所述第二估计装置的估计结果取为中间值。
11.根据权利要求1到9的任何一个的年龄估计系统,其中,所述指数化装置指数化所述第二估计装置的估计结果,以便所述估计结果变为最大,并且与和所述第二估计装置的所述估计结果的差成比例地减少。
12.根据权利要求1到9的任何一个的年龄估计系统,其中,所述指数化装置将所述第二估计装置的估计结果指数化为以所述第二估计装置的估计结果为中心的正态分布的形式。
13.根据权利要求1到9的任何一个的年龄估计系统,其中,所述指数化装置根据下述结果将所述第二估计装置的估计结果指数化为对于特定年龄而估计的标准数据的分布,所述结果是通过执行所述第二估计装置已经用于学习的标准数据的反查找而获得的。
14.根据权利要求1到13的任何一个的年龄估计系统,其中,所述输入数据的至少一个是图像数据,并且在所述图像中被拍摄的人的年龄被估计。
15.根据权利要求1到13的任何一个的年龄估计系统,其中,多个图像被包括为所述输入数据,并且已经在所述多个图像中共同地被拍摄的人的年龄被估计。
16.根据权利要求14或15的年龄估计系统,其中,所述输入数据的至少一个是语音数据。
17.根据权利要求1到16的任何一个的年龄估计系统,其中,所述结合装置将在下述结合结果中的峰值输出为估计年龄,所述结合结果是通过指数化所述第一估计装置的估计结果而建立的值和通过指数化所述第二估计装置的估计结果而建立的值的结合结果。
18.根据权利要求1到16的任何一个的年龄估计系统,其中,所述结合装置将在下述结合结果中的峰值所属的类输出为估计年龄,所述结合结果是通过指数化所述第一估计装置的估计结果而建立的值和通过指数化所述第二估计装置的估计结果而建立的值的结合结果。
19.根据权利要求1到16的任何一个的年龄估计系统,其中,所述结合装置对于每类执行下述结合结果的结合计算,并且将其中通过执行所述结合计算而建立的值取最大值的类输出为估计年龄,所述结合结果是通过指数化所述第一估计装置的估计结果而建立的值和通过指数化所述第二估计装置的估计结果而建立的值的结合结果。
20.一种年龄估计方法,用于基于至少一个输入数据来估计年龄,所述方法包括:
第一估计步骤,用于通过第一分类器基于由至少一个第一特征提取装置提取的至少一个第一特征来将所述年龄估计为离散量;
第二估计步骤,用于通过第二分类器基于由至少一个第二特征提取装置提取的至少一个第二特征来将所述年龄估计为连续量;
指数化步骤,用于指数化在所述第一估计步骤和所述第二估计步骤的各自估计结果与年龄信息之间的关系;并且
结合步骤,用于将通过指数化所述第一估计步骤的估计结果而建立的值和通过指数化所述第二估计步骤的估计结果而建立的值相结合,并且输出为估计年龄。
机译: 属性估计系统,年龄估计系统,性别估计系统,年龄和性别估计系统以及属性估计方法
机译: 属性估计系统,年龄估计系统,性别估计系统,年龄和性别估计系统以及属性估计方法
机译: 物理属性值估计系统,年龄估计系统,性别估计系统,年龄/性别估计系统和物理属性值估计方法