1.基于面部特征和纹理特征的年龄预测方法,其特征在于包括如下步骤:获取多张人脸图像,每张人脸图像上均具有年龄标签;
基于灰度共生矩阵从人脸图像中提取纹理特征值;
基于Viola-Jones算法进行人脸检测,并通过CHEHRA模型提取面部特征点;
基于面部特征点坐标的中心坐标对面部特征点进行数据标准化处理,得到面部特征点的标准化后坐标,并对纹理特征值进行数据标准化处理,将纹理特征值统一映射到预定数值域区间,得到标准化后纹理特征值;
基于面部特征点的标准化后坐标以及标准化后纹理特征值构建训练集,基于SVM回归预测方法对训练集进行回归预测,得到预测的年龄。
2.根据权利要求1所述的基于面部特征和纹理特征的年龄预测方法,其特征在于所述人脸图像为拍摄的图像,下载于FGNET人脸年龄数据库。
3.根据权利要求1所述的基于面部特征和纹理特征的年龄预测方法,其特征在于对于n*m的人脸图像I,设定偏移量为(Δa,Δb),所述人脸图像I对应的灰度共生矩阵C(i,j)的计算公式为:其中,p和q均为增量,p:1-n,1:1-,m,i表示灰度为i的像素,j表示灰度为j的像素。
4.根据权利要求1所述的基于面部特征和纹理特征的年龄预测方法,其特征在于所述纹理特征值包括:f1.自相关性
f1=∑i∑j(ij)*p(i,j)f2.对比度
f2=∑i∑j(i-j)2*p(i,j)f3.第一相关性测量值
f4第二相关性测量值
f5.集群突出物
f5=∑i∑j(i+j-μx-μy)4*p(i,j)f6.集群阴影
f6=∑i∑j(i+j-μx-μy)3*p(i,j)f7.相异性
f7=∑i∑j|i-j|*p(i,j)f8.能量
f8=∑i∑jp(i,j)*p(i,j)f9.熵
f9=-∑i∑jp(i,j)*log(p(i,j))f10.第一同质性/逆差距测量信息f11.第二同质性/逆差距测量信息f12.最大概率
f10=MAXp(i,j)
f13.方差
2
f13=∑i∑j(i-μ) *p(i,j)f14.和均值
f15.和方差
f16.和熵
f17.差异方差
f18.差分熵
f19.第一相关性的信息测量值
其中,
HXY=f9=-∑i∑jp(i,j)*log(p(i,j))HXY1=-∑i∑jp(i,j)*log(px(i)*py(j))HXY2=-∑i∑jpx(i)*py(j)*log(px(i)*py(j))HX=-∑ipx(i)*log(px(i))HY=-∑jpy(j)*log(py(j))f20.第二相关性的信息测量值
f21.归一化的逆差
f22.归一化的逆差矩
其中,灰度共生矩阵由图像上出现的两个按照距离分离的相邻像素i和j的相对频率矩阵表示,一个具有灰度级i,另一个具有灰度级j,灰度共生矩阵为相邻像素间角度关系和距离的函数,p(i,j)是灰度共生矩阵中第(i,j)项,px(i)表示p(i,j)行求和后的矩阵中的第i项,Ng为图像中的灰度级数量,μ为灰度共生矩阵的均值;
均值μx=∑i∑ji*p(i,j) μy=∑i∑jj*p(i,j)标准差(均方差)
5.根据权利要求1所述的基于面部特征和纹理特征的年龄预测方法,其特征在于基于面部特征点坐标的中心坐标对面部特征点进行数据标准化处理,包括如下步骤:对于人脸图像中识别出的每个面部特征点,计算面部特征点的中心坐标;
对于人脸图像中识别出的每个面部特征点,计算面部特征点的原坐标与中心坐标之间的差值,得到面部特征点的标准化后坐标。
6.根据权利要求1所述的基于面部特征和纹理特征的年龄预测方法,其特征在于通过归一化方法或正则化方法对纹理特征值进行数据标准化处理;
所述归一化方法包括最小-最大规范化方法以及零均值规范化方法。
7.根据权利要求1所述的基于面部特征和纹理特征的年龄预测方法,其特征在于基于SVM回归预测方法对训练集进行回归预测,包括如下步骤:在样本空间中,通过如下线性方程划分超平面:WTx+b=0
其中,x表示平面上的点;
w=(w1;w2;......;wd),为超平面的法向量;
b表示位移项,用于决定超平面与原点之间的距离;
将上述法向量w和位移项b记为(w,b),设定φ(x)表示将x映射后的特征向量;
通过SVM回归模型将训练集中每个点(xi,yi)拟合到线性模型上,所述SVM回归模型的损失函数度量为:err(xi,yi)={0|yi-w·φ(xi)-b}≤∈|yi-w·φ(xi)+b|-∈|yi-w·φ(xi)-b|>∈目标函数为:其中,∈为常量,∈>0。
8.基于面部特征和纹理特征的年龄预测系统,其特征在于用于执行如权利要求1-7任一项所述的基于面部特征和纹理特征的年龄预测方法,所述系统包括:人脸图像采集模块,所述人脸图像采集模块用于从FGNET人脸年龄数据库中获取多张人脸图像,所述人脸图像上均具有年龄标签;
纹理特征提取模块,所述纹理特征提取模块用于基于灰度共生矩阵从人脸图像中提取纹理特征值;
面部特征提取模块,所述面部特征提取模块用于基于Viola-Jones算法进行人脸检测,并通过CHEHRA模型提取面部特征点;
数据校准模块,所述数据校准模块用于基于面部特征点坐标的中心坐标对面部特征点进行数据标准化处理,得到面部特征点的标准化后坐标,并通过归一化方法或正则化方法对纹理特征值进行数据标准化处理,将纹理特征值统一映射到预定数值域区间,得到标准化后纹理特征值;
年龄预测模块,所述年龄预测模块配置有SVM回归模型,用于基于面部特征点的标准化后坐标以及标准化后纹理特征值构建训练集,并基于SVM回归预测方法对训练集进行回归预测,得到预测的年龄。
9.装置,其特征在于,包括:至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行权利要求1至7中任一所述的方法。
10.计算机可读介质,其特征在于,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行权利要求1至8任一所述的方法。