【摘要】基于人脸图像的生物特征识别研究在近几年来取得了巨大的发展。与其它的生物特征相比,人脸特征具有自然性、不易仿冒性和非强制性等优点,使其在安全监控、身份验证、人机交互、视频检索等方面具有巨大的应用前景。人脸年龄估计的特征提取算法需要提取人脸区域的特征,人脸区域检测是人脸年龄估计的一个重要环节。本文首先介绍了人脸年龄估计的研究背景和国内外研究现状,并提出现阶段该研究所面临的问题。第二章介绍了人脸检测的方法和特征点定位方法,然后使用PCA方法对仿生特征进行数据降维,给出了相关的算法。介绍了bp神经网络,并且以降维后的特征作为神经网络的输入,以图像中人的年龄值作为神经网络的输出,建立神经网络模型,对年龄进行估计。
随着计算机科学技术的发展,计算机向着智能机器方向发展,网络化和智能化已经成为信息领域的发展方向。在此基础上,生物特征识别技术得到了快速的发展。所谓生物特征识别是指,利用人体的生理特征和行为特征,通过计算机与各种传感器和生物统计原理等高科技手段密切结合,进行个人身份的认证。
人脸是人类最重要的生物特征之一,在辨别身份和传递感情方面有着重要的作用。人脸图像包含了大量的信息,比如身份、性别、年龄、人种、表情等。生物特征识别技术与传统的身份识别方法相比具有更明显的优势,由于每个个体具有各自独特的生理或行为特征,且每个个体自身拥有唯一、稳定、不易遗忘和随时随地可用的生物特征,因此,生物征识别技术具有更高的安全性、可靠性和便捷性。生物特征识别技术将会很大程度改变人们的生活,逐渐成为一种更加方便、可靠、安全的大众化身份验证手段。基于人脸图像的年龄估计主要解决如下的一些问题:根据人脸图像估计出人脸的准确年龄。随着越来越多的人对此类问题的关注,引起了一些国家的重视并出台了相应的法律法规,如:2008年日本规定了相关的卷烟供应商必须在自动售货机上安装可以进行年龄识别的装置,用来阻止未成年人购买香烟。可以看出基于特定人脸图像年龄估计技术具有广泛的商用前景。
自动年龄估计有更广泛的应用前景,主要包括:(1)可推动人脸识别技术的发展,在人脸年龄识别的研究中,人脸样貌会随着年龄发生变化,导致对象当前面貌与图像库中的图像之间出现差异,从而引起识别率的下降。为减少这种变化所带来的影响,可应用多年龄人脸图像重构方法来模拟年龄变化的效果,提高人脸的识别率,实现人脸面貌的准确识别和预测。
(2)可直接应用在信用卡、驾驶证、护照、身份证等个人身份证明中,进行自动个人身份辩识。由于身份证、护照以及许多其他证件上都有证件所有者的正面免冠照片,虽然证件持有者的样貌已经与照片有一定的差距,但是在检验时,仍能较为准确的识别出对象的身份,减少了人工干预,不需要经常更新照片。此外,还可以有效地打击假姓名、假身份证等违法犯罪行为。
(3)可用于信息采集与分析,例如广告调查等领域,我们可以测定出浏览某个特定广告花费最多时间的年龄群并针对该年龄群设计广告方案;商家对购物中心的顾客进行年龄层次的分析统计,根据各自需求而针对不同的顾客群制定有利于商家自己的经营策略。
一、 国内外研究现状
1、 国内研究现状
国内较少人从事人脸年龄估计的研究,文献[1]研究了基于Boosting RBF神经网络的人脸年龄估计方法,先用非负矩阵分解方法提取人脸特征,然后通过RBF神经网络确定一个人脸图像及其相符年龄之间的估计函数。为提高神经网络的泛化能力和故障诊断的准确性,利用Boosting方法构造了一个基于神经网络的函数序列,将它们组合成一个加强的估计函数,最后进行年龄估计。文献[2]提出一种基于人工免疫识别系统的年龄估计方法,先利用AAM方法自动提取用于年龄估计的人脸特征,之后利用人工免疫识别系统方法进行人脸图的年龄估计。
2、 国外研究现状
国际上,Young和Niels[3]可能是最早提出年龄估计的人。他们早在1994年就提出通过人脸图像进行年龄估计。他们的工作相对较为简单。他们把年龄粗略地分成:老年人、年轻人和小孩三种。Hayashi等[4]研究了基于Hough变换的皱纹纹理和人脸图像肤色分析的年龄和性别识别方法。Lanitis等人[5]提出一种基于脸部外观的统计模型。他们比较了KNN、MLP、SOM分类器的性能,并且认为机器几乎可以和人一样估计出人的年龄。Nakano等人[6]提出利用脖子和脸部皱纹纹理的边缘信息来进行年龄估计。Zhou等人[7]提出用Boosing的方法做为回归方法进行年龄的估计,并用实验表明该方法比基于SVMs的方法还要好。Geng等人[8]提出了衰老模式子空间的方法,通过学习一些代表性的子空间来建模衰老模式,这种衰老模式是用一系列的个人衰老图像定义出来的。对于未知人脸图像,通过用子空间投影的方法重构其衰老模式,从而得到该人脸图像在衰老模式下的位置,由此来估计人脸图像的年龄。最近,Guo等[9]用子空间学习方法得到衰老流形的低维嵌入,从而提取出人脸与衰老相关的特征,并设计了一个局部可调节回归方法用于学习和估计年龄。
二、 年龄识别系统设计
1、 bp神经网络简介
BP 为非循环多级网络的训练算法。Werbos在1974年已经提出了该方法[10];1982年,Paker 完成了相似的工作; BP 神经网络作为一种多层前馈神经网络广泛应用于预测领域。它的一个主要特征就是数据向前传递,误差向后反馈。在向前传递数据的过程中,数据是依次按照输入层、隐含层和输出层的顺序传递。并且每一层的神经元状态只对下一层神经元状态有影响。如果输出层获得的数据与实际数据对比有误差存在,那么转向反向传播过程。根据实际数值与网络输出数据的误差逐级调整神经网络的权值和阀值,从而使得网络的输出数值逐步逼近实际数据值。BP 神经网络的缺点是:其学习速度较慢、局部极小点的逃离问题、算法不一定收敛等问题;其优点是:广泛的适应性和概括性。
2、 bp网络的模型
BP网络是一种多层前馈神经网络,它是J.L.McCelland和D.E.Rumelhart及其研究小组在1986年研究并设计出来的。当前,在人工神经网络的实际应用中,绝大部分的神经网络模型是采用BP网络和它的变化形式,它同时也是前向网络的核心部分,体现了人工神经网络最精髓的部分。BP神经元模型如图所示:
3、bp网络算法的改进
为了克服BP算法的缺点,提高BP网络的性能,提出了一些改进的BP神经网络算法,用来满足解决不同问题的需要。主要的改进算法有动量方法、可变学习速度算法、共轭梯度法等。
例如共轭梯度法,基本BP算法之收敛速度慢有一个重要的原因是采用了瞬时梯度来修正权值,用了目标函数一阶导数的信息,权值的调节只是沿梯度下降最速方向进行,而误差曲面是一个十分复杂的超曲面,有着严重的畸形区域,导致这一梯度下降的最速方向可能极大地偏离指向误差曲面最小点的方向,从而急剧的加长了权值到达最小点位置的搜索路径,除此外在极值点附近,由于梯度较小,收敛速度更是慢。学习过程是一个最优化问题,用瞬时梯度相当于最速下降法,分类器采用二阶梯度法,就可以大大加强收敛性。
三、实验步骤
BP神经网络用于人脸识别的步骤为:首先应对输入图像实行图像预处理,之后进行人脸特征提取,接下来就是BP神经网络训练,最后用训练好的网络进行识别,获得识别结果。图像预处理是为了更易特征提取,特征提取就是将图像中大量的冗余信息去除,即实现数据压缩,降低了神经网络结构的复杂度,提高了神经网络的训练效率和收敛率。本文以指定的标准脸为研究对象,将输入图像进行图像压压缩、图像抽样、输入矢量标准化等图像预处理后,送入 BP神经网络训练,经过竞争选择,获得识别结果。整个识别系统如图所示。
◆ 推荐使用主流浏览器下载本站软件,如360安全浏览器、谷歌Chrome、火狐Firefox、搜狗高速浏览器、Internet Explorer 9+等以获得更好的下载速度。
◆ 推荐使用Winrar4.2以上解压本站软件,压缩包默认解压密码:dnjs.net
◆ 如果遇到下载链接不可用时,请更换备用链接下载,如果所有链接均失效,请立即联系QQ:867283499反馈。
◆ 本站提供的部分商业软件仅供学习与交流,如用于商业用途,请联系开发者购买正版。
互动评论