基于图像的年龄估计与人脸年龄图像重构(硕士论文)

《基于图像的年龄估计与人脸年龄图像重构(硕士论文)》由会员分享，可在线阅读，更多相关《基于图像的年龄估计与人脸年龄图像重构(硕士论文)（77页珍藏版）》请在装配图网上搜索。

1、分类号 密级U D C 编号 CENTRAL SOUTH UNIVERSITY硕士学位论文论 文 题 目 基于图像的年龄估计与人脸年龄图像重构学科、专业 控制理论与控制工程 研究生姓名 胡 斓 导师姓名及 专业技术职称 夏 利 民 教授 2007年4月原 创 性 声 明本人声明，所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得中南大学或其他单位的学位或证书而使用过的材料。与我共同工作的同志对本研究所作的贡献均已在论文中作了明确的说明。作者签名： 日期： 年 月 日关于学

2、位论文使用授权说明本人了解中南大学有关保留、使用学位论文的规定，即：学校有权保留学位论文，允许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内容，可以采用复印、缩印或其它手段保存学位论文；学校可根据国家或湖南省有关部门规定送交学位论文。作者签名： 导师签名 日期： 年 月 日摘 要人脸图像与年龄关系的研究是人像处理领域的重要课题，该研究具有重要的科学意义和实用价值。经过多年的发展，在人脸年龄变化研究方面已经取得了很大的进步，但实践和经验表明人脸年龄变化的研究还远未成熟。本文在国内外已有的研究基础上，在年龄估计、人脸年龄图像重构方面做了大量的研究与实验，并达到了一定的效果。本文主要工作有

3、以下几个方面：（1）采用了一种基于局部纹理约束的鲁棒AAM拟合算法，在一定程度上解决了收敛速度慢的问题，主要增强了细节部分定位的准确性，并且实现了对背景干扰的鲁棒，相比原有的算法具有更快、更准确的性能。大大提高了特征点标注的速度和准确度，从而能有效的提取人脸特征来进行年龄估计和人像重构。 （2）提出了一种新的分类器基于模糊加权预处理的人工免疫识别系统，人工免疫识别系统是一种新型的人工免疫监督学习算法；本文将模糊加权预处理与人工免疫识别系统相结合形成了一种新的改进后的分类器，进一步提高了分类器的准确率。通过对人脸特征按年龄进行分类，从而实现根据人脸图像来估计年龄的目的。（3）采用了从人脸形状与纹

4、理两个方面重建人脸的方法。提出了一种Boosting RBF神经网络来逼近各个年龄段人脸形状的变化函数，从而实现了人脸形状随年龄变化的预测，采用一种改进的纹理变换方法来模拟人脸纹理随年龄变化的过程，新的纹理变换方法更大程度的保留了人脸年龄信息包括皱纹、斑点等，使得人脸年龄图像重建的效果更加逼真。本文通过大量的实验证明了方法的有效性，建立了人脸老化年轻化的仿真系统，通过系统相关操作直接从视觉上判断论文方法的具有了一定准确性。关键词：局部纹理约束，鲁棒AAM拟合算法，模糊加权预处理，人工免疫识别系统，Boosting RBF神经网络IIIABSTRACTThe changes in facial

5、appearance of Aging faces is an active research area in face processing, such a research has both significant theoretic values and wide potential applications. It has made great progress especially in the past few years; however, evaluation results and practical experience have shown that such a res

6、earch is currently far from mature. The paper has done a lot of research and experiment in the age prediction and aging face reconstruction, based on others research in domestic and foreign, and the effect is good. The highlights and main contributions of the dissertation include:(1) A robust AAM fi

7、tting algorithm based on local texture constraints (LTC-RAAM) is presented, this algorithm has quicker convergence rate, and it mainly has strengthened the accuracy of the detail partial locating, and it has realized the robustness to the background. Comparing to the original algorithm, its fast and

8、 accurate. The extracted face features is used for age estimating and reconstructing the aging face.(2) A new classifier that artificial immune recognition system(AIRS) based on fuzzy weighted pro-processing is presented, AIRS is a novel artificial immune supervised learning algorithm, the fuzzy wei

9、ghted pro-processing and the AIRS is combined to form a new improved classifier, and the evaluation results have shown that its more accurate. Its used to estimate the age, through the classification of the face features according to the age.(3) The paper reconstructs the aging faces from face shape

10、 and face texture. A new function approximation that Boosting RBF neutral net is presented to calculate the face shape change between two different age sections, it can predict the face shape feature vector of the target age section. The paper used an improved novel texture transfer method, the impr

11、oved method retained more face age information including the wrinkle, the spot and so on, so the simulation of aging face is more lifelike.The paper made a lot of experiences which have proven the accurate of the methods, we built a system to produces an age progressed or regressed image, In other w

12、ords, given a single image of the subject and a target age, we construct a new image of the subject to reflect the new age, and the effect looked lifelike.KEY WORDS: local texture Constraints, robust AAM fitting algorithm, fuzzy weighted pro-processing, artificial immune recognition system, Boosting

13、 RBF neutral netV目 录第一章 绪 论51.1研究目的及意义51.2研究现状51.3 方法性能评估51.4 论文研究内容及结构安排5第二章 图像预处理52.1 人脸库描述52.2 人脸图像的预处理52.2.1 人脸图像的几何特性归一化52.2.2 人脸图像的光学特性归一化52.3 本章小结5第三章 人脸的年龄特征提取53.1 概述53.2 主动表观模型（AAM）53.2.1 AAM模型的建立53.2.2 基于AAM的人脸特征点定位方法53.3 主动形状模型（ASM）53.4 基于局部纹理约束的鲁棒AAM拟合算法（LTC-R-AAM）53.4.1 鲁棒AAM拟合算法（R-AAM）

14、53.4.2 边缘约束局部纹理模型53.4.3 LTC-R-AAM基本思想53.5 基于LTC-R-AAM方法的人脸年龄特征提取53.6 本章小结5第四章 基于人脸图像的年龄估计54.1 概述54.2 人工免疫系统54.2.1 人工免疫系统的定义54.2.2 人工免疫系统的基本概念54.2.3 免疫机制54.3 基于人工免疫识别系统的人脸图像年龄估计54.3.1 模糊加权预处理（fuzzy weighted pro-processing）54.3.2 基于人工免疫识别系统的人脸图像年龄估计54.4 实验结果及分析54.5 小结5第五章 人脸年龄图像的重构55.1 概述55.2 人脸形状特征变化

15、学习55.2.1 基于RBF神经网络人脸形状变化函数逼近55.2.2 基于Boosting RBF神经网络的人脸形状变化函数逼近55.2.3 人脸图像年龄变形实验55.3 人脸纹理变化学习55.3.1 基于Lambertian人脸的比例图模型55.3.2 人脸纹理细节变换（IBSDT）55.3.3 人脸模型及改进IBSDT方法55.4 人脸年龄图像重构55.6 小结5第六章 工作总结56.1 本文工作总结56.2 未来工作的展望5参考文献5致 谢5攻读学位期间的主要研究成果5VII中南大学硕士论文 第一章 绪论第一章 绪 论1.1研究目的及意义人像处理与变换是计算机视觉领域和图像处理领域的重要

16、研究课题，一直受到诸多研究人员的关注。在刑侦、医疗、娱乐、信息、空间等领域中，人像的处理与变换有着广泛的应用需求。特别是，公安刑侦部门在刑事侦察过程中需要根据目击者口述信息进行人脸画像、图像拼接，以及嫌犯模糊查询；需要从单一的侧视、俯视等由监视系统获取的试点图像恢复出正面人像；需要从化妆人像识别个人身份信息；需要从失踪儿童照片预测多年后的人脸面貌，等等。在影视娱乐的多媒体特技中，真实人像与卡通人像的瞬间衰老与年轻化处理都需要有计算机的辅助实现，年龄变换以及图像重构是该研究领域中重要的研究内容，有着丰富的研究素材与极高的应用价值。人的年龄是一个随时间变化的长期的过程，在人的外部表现比较明显，如：

17、人脸轮廓的变化、人脸皮肤的变化等。老化是一个不可避免的过程，随着年龄的增长，人脸外貌会产生很大变化。老化的原因是多方面的，有些方面是不可控制的，主要来自于遗传因素的影响，而另外一些方面是可以控制的，主要来自于社会因素，比如说抽烟、压力以及生活方式等。在多种因素的综合影响下，不同人的老化程度也呈现不同的效果。而且在人脸识别系统中不仅要解决同一个人同一时期图像中噪音、旋转、畸变的问题，还要解决同一个人不同时期(跨度时间长达数10年)、不同环境下摄取的人脸图像的识别问题。这在学术上和应用系统的设计中都是个挑战。目前，大多数研究都集中于解决在图像采集环境及成像条件等诸多外界因素的影响下，如何保持较高的

18、识别率。但是与光照变化、姿态、人脸表情、遮挡等外部因素相比，内在因素(诸如人脸的老化)对人脸识别的影响更加的复杂和难以捉摸。 如果这些问题得到研究并解决，就在多方面得到应用。 1. 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。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，可以保证在进行验证时，虽然证件持有者的样貌己经与照片有一定的差距，仍能较为准确的识别出对象的身份，减轻了人工干预，不需要每隔一段时间就更新一次照片。此外，还可以有效地打击假身份证，假姓名等违法犯罪行为。2. 协助公安部门抓捕通缉犯。通常，当刑事案件发生后，可以根据嫌疑犯的特征和

19、目击证人的描述迅速锁定若干个最可疑的人，对于在逃的要发通缉令进行通缉。但是一般情况下，可获得的通缉犯照片都是几年之前拍摄的，茫茫人海之中寻找这样的人犹如大海捞针。利用考虑了年龄因素和成像条件的人脸识别系统，只需在车站、海关、机场、旅馆等场合安置摄像头，将采集到的照片进行比对，即使犯人在逃多年，也能比较容易地找到其行踪。 3. 模拟人像查询。刑侦中的模拟人脸技术可以根据证人的口述，快速合成犯罪嫌疑人的头像，如果采用人工来分辨，工作量必然很大。采用人脸识别技术，按照重点人口、常住人口、暂住人口的顺序，在相关数据库中查找，可以大大提高工作效率与破案进度。 4. 自动门禁系统，主要用于某些地区、部门、

20、家庭、建筑物等入口的管理和安全监督，配合实时视频检测，可以延长现有系统的使用时限，保证一定的识别效率。 5. 匿名者身份确认。当一个案犯被抓获而不承认自己真实身份的时候，可以用人脸识别技术自动识别出他的身份。一个身患精神病的人走失了，也可以用人脸识别技术由他的面像知道他的姓名，继而找到他家的地址。6. 有利于营销者对市场信息的自动收集、或其他商业部门的需求，例如商场对各年龄段顾客的消费情况的收集、在网吧等消费场所可以做到对不同年龄程度人的提供服务，在日本的超市或便利店就有这样的人脸年龄判别系统，可以防止未成年人对烟酒等商品的消费。1.2研究现状从上个世纪七十年代至今，国内外有关人像的计算机处理

21、研究成果很多，目前人脸年龄估计主要方法是：对不同年龄人脸图片的训练与测试，建立一个能够对新的人脸图片进行年龄估计的模型，进而完成年龄估计与人脸仿真的工作。人脸年龄仿真主要分为两大类：1. 应用计算机视觉技术，通过基于人脸图片的机器学习来模拟人脸年龄的老化(或年轻化)过程，具有代表性的方法是通过机器学习来对人脸外形和纹理建模，进而用模型来合成仿真年龄变化的人脸新图像。2. 应用人体测量学理论中人脸老化(或年轻化)的模型，这个过程通过改变实验所获得的人脸外貌模型的物理测量数据来实现。Pessa等1通过研究人类头骨的变化，发现上颌骨的最大高度与眼窝高度的比值在青年时期(15-24岁)最大，而婴儿时期

22、(1-12个月)和老年时期(53-76 )时较小，并且上颌骨的垂直高度从青年到老年期有明显的减少。该项发现认为人脸的老化过程呈现一种非线形或者多样化的趋势。尽管由于精确测量数据的获得很困难，在实际应用中不易实现，但是这个物理模型从宏观角度促进对人脸老化过程的理解。研究主要侧重于外形的变化，没有涉及纹理(比如皱纹、斑点等)的变化，因而据此重建出来的图像真实性不强。I.Pitanguy等2基于人体测量学理论，通过测量人脸器官与骨骼的大小，量化年龄变化对人脸的影响。为了避免外在条件的千扰，实验对象仅限于中产阶级的白人妇女，共50人，年龄范围为25岁65岁，每个人选取两个不同历史时期的照片(拍摄时间差

23、异不少于S年)。荣建群3从人脸画像角度，总结了人脸不同年龄的图像细节规律。少年时期，人脸脸型特征主要为小脸、短圆、小下巴、皮肤光滑有弹性;青年时期，人脸脸型特征表现为竖向拉长、下巴稍尖，柔和感消失，边沿变硬，皮肤较光滑，伴随青春痘等皮肤纹理变化;中年时期，人脸脸型特征为边沿棱角更清晰，颧骨突出两颊有下凹，肌肉出现松垂，下领稍前凸，皮肤光泽度降低，颜色变深，有皱纹出现;老年时期，人脸脸型特征表现为两颊下凹明显，面部肌肉松垂加重，胖人双下巴及下领前凸明显，皮肤光泽度更低，皱纹多，伴随老年斑等皮肤纹理变化。图1-1为文献3总结出的人脸不同年龄面部特征的变化规律。简图素描人像图1-1 人脸衰老过程中的

24、特征变化描述和画像效果Lanitis等4描述了如何经过学习建立年龄与表征人脸的特征向量之间的函数关系，并用实验结果证明了准确预测人脸年龄的合理性。他们的方法是基于一种人脸统计模型56，该模型将形状与亮度信息相结合来代表人脸。训练图像首先被表示为模型参数，对这些模型参数进行主成分分析（PCA），得到降维后的系数，然后通过学习，建立年龄与这些系数的二次函数关系，最后采用遗传算法求其逆函数，用生成的预测参数进行重构，得到目标年龄的预测图像。他们报告了预测年龄以及相应年龄变化的实验效果.Lanitis等的工作具有很强的开创性，为后续的研究提供了非常有价值的经验。但是由于其研究的对象集中在幼儿和成人之间

25、，年龄范围为0-30岁，人脸的变化大多体现在形状上，而纹理上的区别不大，这种方法就不再适用于从青年人到中年人的年龄模拟。并且从他们提供的预测结果（见图1-2）来看，预测图像与真实图像的差异也比较大。此外，图像没有进行相应的预处理，光照、旋转、姿态等因素也被当作年龄变化进行处理了。图1- 年龄仿真效果图，第一列为原图，第二列为目标年龄仿真图，第三列为目标年龄真实图像Lanitis等7在文献4的基础，提出了一种定量的年龄分类器评估方法。重点研究了三种分类器的性能:第一个是基于人脸特征与年龄的二次函数关系分类器，第二个是最近邻分类器，第三个是基于人工神经网络的分类器。采用年龄为0-35岁的人脸图片进

26、行实验，其中200幅用于训练，200幅用于测试，结果表明，三个分类器的识别误差分别为5.04岁，5.65岁，4.78岁，而人类在同样情况下的识别误差为3.64。因而，Lanitis认为采用机器学习的方法来进行人脸年龄的估计具有一定的可靠性。Hussein8提出了一种新的人脸模拟方法。该方法结合基于人体测量学的变形技术和BRDF（双向反射分布）商图像技术，从人脸外形与纹理两个方面模拟人脸图像。图1-3和图1-4分别为文中列出的外形变化与纹理变化的结果图。图1-3 Hussein人脸外形变化示意图图1- Hussein人脸纹理叠加示意图从图像的实际效果来看，年龄模拟真实性不强，人脸的外形变化主要体

27、现了秃顶的过程，没有捕捉到人脸其他部分形状的改变，纹理方面只是简单地把皱纹移植到目标人脸的前额，不够自然。而且这种方法中缺乏与年龄有关的学习过程，适合于特定人特定特征的模拟，推广性不强，但是其为人体测量学理论的实际应用提供了很好的经验。Tiddeman等9提出了一种基于小波的方法用来为人脸模型添加与年龄相关的纹理。首先同样用二维形状向量与像素亮度来表示人脸图像，对每个年龄段的一组人脸参数进行平均，用得到的人脸形状向量与灰度向量构造原型人脸(见图1-5)由于对纹理进行了平均并且没有做较为精确的对准，原型人脸的纹理较为光滑，缺少与年龄相关的特征(比如皱纹、斑点等)。皱纹等细微纹理信息不容易捕捉到，

28、直接提取非常困难，因此，他们首先对人脸图像进行Gabor小波变换，然后通过局部地改变不同尺度与方向的小波函数权重来增强边缘幅度，凸现出人脸的皱纹(见图1-6 )。图1-7为实验结果，从实际效果中可以看出，基于小波的方法较好地补充了原有模型中损失的纹理信息，目标对象的年龄有明显的增加。该方法着重于纹理的增强，没有采用学习算法归纳纹理参数与年龄的关系，因而对于目标年龄究竟应该呈现何种程度的纹理还需要进一步研究。图1-5 上一行为没有进行纹理增强的人脸模型，下一行为纹理增强后的人脸模型图1- Tiddeman人脸老化仿真示意图，第一列为原图，第二列为脸型变化图，第三列为纹理增强图郑南宁等10将人像年

29、龄变换分解成年轻化变换和衰老化变换两部分。采用了基于稠密特征对应的人脸图像表达方法，建立人脸年龄图像属性空间，结合心理学中对人脸认知的相关假说，提出了基于平均脸的人脸图像年轻化变换算法;利用衰老纹理比率图投影技术，以及形状和纹理的差异性渐变技术，提出了基于衰老纹理映射的人脸图像衰老化变换算法。图1-7郑南宁基于平均脸人脸老化与年轻化示意图Shan等11提出了一种基于图像的表面细节变化技术（Image-based Surface Detail Transfer, IBSDT），可以将一个源物体的表面细节特征移植到另外一个目标物体上，但不改变目标物体原有的光照条件。整个算法由一个高斯滤波器来控制细

30、节变换的程度。文中给出了这种技术的一个应用，进行人脸图像的年龄模拟。图1-8分别显示了年轻人老化和老年人年轻化的过程，(a)为一幅年轻人的真实图像，(b)为滤波参数较小时的老化图像，(c)为滤波参数较大时的老化图像，(d)为一幅老年人的真实图像，(e)为滤波参数较小时的年轻化图像，(f)为滤波参数较大时的年轻化图像。图1-8人脸老化与年轻化示意图（参数不同）IBSDT技术对于年轻人变老的模拟很有效，但是对于老年人变年轻，是否可以直接用滤波器进行模糊处理，而不需要进行表面细节变化呢?文中就此问题进行了效果对比（见图1-9），可以看出叠加了细节纹理的人脸图像更加自然，可得出结论，IBSDT技术对于

31、老年人变年轻同样很有效。图1-9年轻化加入细节变换与不加入细节变换人脸图Kwon等1213将该问题简化成为三个年龄段的年龄分类问题，即婴儿、青年、老年。几何比率以及皮肤皱纹信息被用于分类特征，其中人脸主要器官的几何比率被用于区分婴儿与成人，而皱纹信息被用于区分年轻人与老年人。实验中采用了47幅高分辨率图像，获得了100%的正确率。该种方法对图像的分辨率有较高的要求（至少256256，用于皱纹信息分析），这在实际应用中难以满足。此外，仅使用了47幅图片用于测试，不利于评价比较。Horng等14基于Kwon的思路，提出了一种更加快速和鲁棒的年龄分类系统。他们改进了几何比率与皱纹分析的方法，改用神经

32、网络作为分类器，并且把测试库扩大到了230幅，取得了81.6%的准确率。采用的年龄段依然是婴儿、青年和老年。Nakano等15着重于人脸纹理的研究，提出了基于图像边缘信息的年龄分类算法。为了取得更加精确的分类效果，人脸与颈部的纹理都被提取出来作为特征。首先根据肤色模型将皮肤区域从背景中分割出来，然后使用sobel算子进行边缘检测，将超过一定阈值的像素点个数作为特征送入神经网络中进行学习。实验中将年龄区分为六个阶段，即10岁，20岁，30岁，40岁，50岁和60岁，120幅图片用来训练，132幅用于测试，获得了61.5%的平均识别率。Nakano认为加入了颈部区域的纹理有助于提交分类的识别精度，

33、单独使用脸部信息获得的识别率为57.7%。不过值得注意的是，除非特别限制，颈部区域经常被衣物所遮挡，从这一点上来说需要被测对象的配合。Narayanan16为了解决护照中人脸图像的识别问题，提出了一种基于贝叶斯学习理论的年龄差别分类器。将收集到的护照人脸图像按不同标准分成两个部分，第一部分是按对象分，即将同一个人不同历史时期的图像分在一起，并据此建立一个类间差别子空间；第二部分是按图像间隔的年份划分，分别为1-2年，3-4年，5-7年，8-9年，并在此基础上建立四个年龄差别子空间。在相应子空间上建立贝叶斯分类器，具体识别流程如图1-10所示。给定一对人脸图像I1和I2，首先提取出PointFi

34、ve Face消除光照影响，然后采用第一级贝叶斯分类器区分是否为同一人脸，如果是，进入第二级贝叶斯分类器确定所属的时间间隔类型。图1-10 年龄差别分类器图文中对不同时间间隔的区分难度进行了比较，其中认为时间间隔为8-9年时最容易区分，可以达到86%，此外，头发、表情、眼睛等因素是导致误判的原因之一。C.Choi17利用PCA主元成分分析法和3D人脸形状模型的方法，将人脸变化分为三个阶段幼年、中年、老年，并以此分别进行学习模拟人脸老化的结果，并具有一定的效果如图1-11所示图1-11 3D人脸老化模拟示意图1.3 方法性能评估在人脸年龄预测中，人脸年龄库中图片的质量与数量是关键的部分，下面图标

35、中总结了之前一些研究者在年龄预测方面所做出的工作，其中包括了他们工作所用到的人脸库的具体信息，相比较而言本论文研究所采用的人脸库囊括了0-80岁中所有年龄段的人脸，以及1000多幅人脸图片，无论在质量与数量上都优于其它研究者。表1-1 人脸年龄估计结果比较研究者图像库训练用图像测试图像年龄估计正确率Kwon and Lobo121347幅，包括婴儿、青年和老年-15幅100%Horng et al. 14230幅，包括婴儿、青年和老年-230幅81.6%Hayashi et al. 17300幅， 15-64岁300幅27%Lanitis 67330幅从0到35岁250幅80幅平均错误为3.8

36、3年正如前面一节所讲到的，由很多客观因素影响着人脸特征的变化，每个人都有可能不同，所以现在还没有十分有效的人脸年龄变化仿真。在国外这方面Shan 11与Tiddeman 9已经进行了很好的年龄仿真工作。他们的主要工作都在于人脸年龄变化仿真而没有研究人脸年龄的预测工作。 我们在之前这些学者研究的基础上，结合年龄预测功能，提出了最有效的方法来模拟人脸老化与年轻化的过程。1.4 论文研究内容及结构安排本文在广泛阅读国内外相关文献后，比较和借鉴现有的人脸年龄识别以及年龄变化仿真的方法，对相应的人脸特征提取及识别的关键技术进行改进和完善，同时提出年龄图像重建方法。论文的主要研究内容和工作包括以下几方面：

37、(1)人脸特征自动提取技术在原来AAM拟合算法的基础上提出了一种基于局部纹理约束的鲁棒AAM拟合算法LTC-R-AAM算法，针对原有算法收敛速度慢，在背景干扰情况下定位不理想，细节部位定位不精确的缺点，本文所提出的方法在一定程度上解决了收敛速度慢的问题，主要增强了细节部分定位的准确性，并且实现了对背景干扰的鲁棒，想比原有的算法具有更快、更准确的性能。并同过特征点定位方法提取特征以此来进行年龄预测和重建工作，大大改善了原来特征点标注的速度和准确度。(2)人脸年龄预测技术本文提出了一种新的分类器基于模糊加权预处理的人工免疫识别系统，人工免疫识别系统是Timmis28由提出的一种新的人工免疫监督学习

38、算法，并且在分类的过程中引入了资源竞争的概念，是一种自我调整、稳定有效的分类器；本文将一种改进的模糊加权预处理37与人工免疫识别系统相结合形成了一种新的改进后的分类器，模糊加权对训练样本数据进行了归一化，这样大大提高了样本数据的有效性，提高了分类准确率，本文通过实验证明了此分类器具有更好的分类效果。通过对特征的分类，我们便可以根据人脸图片来判断人的相应年龄类别，具有很高的年龄预测准确率。(3)基于年龄的人脸图像重建技术采用根据不同年龄段的脸型与纹理两个方面重建人脸的方法。提出了一种Boosting RBF神经网络来逼近各个年龄段人脸形状的变化函数，从而实现了人脸形状随年龄的变化预测，提出一种新

39、的纹理变换方法来模拟人脸纹理随年龄变化的过程，以达到使当前人脸老化与年轻化的最佳效果，新的纹理变换方法比较原来的方法保留了模板图像的大部分人脸年龄信息包括皱纹、斑点等，使模板图像纹理得到了增强，并且使得人脸年龄仿真的效果更加逼真。章节安排如下：第一章 绪论，主要介绍人脸年龄估计及人脸年龄图像重构问题的目的和意义、研究现状、主要研究方法、应用前景以及论文的主要研究内容、章节安排等。第二章 介绍本文采用的人脸库情况以及相应的预处理算法，主要包括人脸的几何特性归一化与光学特性归一化算法，目的是为了突出年龄变化的特点。第三章 详细叙述了本文提出的基于局部纹理约束的鲁棒AAM拟合算法LTC-R-AAM配

40、准算法，并对相关技术加以说明分析。第四章 详细叙述了基于人工免疫识别系统的人脸年龄预测方法，该方法利用第三章所提取的特征，对人工免疫识别系统训练从而准确的确定图像对象的真实年龄。 第五章 在总结其他研究者在人脸老化与年轻化模拟效果的基础上，详细叙述了本文所提出一种新的效果更好的人脸年龄图像重建技术。第六章 总结全文工作，并展望下一步工作。13中南大学硕士论文 第二章 图像预处理第二章 图像预处理预处理是模式识别过程的第一步。预处理是将模式识别的样本从一定的环境中抽取出不受更多干扰因素影响的待识别样本。一般说来，预处理的功能包括消除或者减少模式采集中的噪声及其他干扰，以便提高信噪比、消除或减少数

41、据图像模糊（特别是运动模糊）及几何失真，提高清晰度、改变模式的结构，例如将非线性的模式转变成线性的模式、图像的铝箔、变换、编码、标准化等都可以归类于预处理工作。在一些采集过程中，采集到的是一些模拟量，这一过程特别在工业控制中经常出现，计算机却只能处理数字量，这就要求模数转换过程。对于模数转换一般要考虑两个量：采样时间间隔和量化级。采样和量化对于模数转换的效果影响特别大。特别指出的是，没有一个通用的标准来规定图像模式量化过程和预处理的效果而是根据客观观察决定的。总之，预处理工作是进行下一步工作关键部分，本章介绍了实验所使用的人脸库以及所作的预处理工作。2.1 人脸库描述 在现实当中缺乏合适的人脸

42、库在一定程度上限制了年龄变化问题的研究。现有人脸库中的图像大多是在约束条件下拍摄的，根据放宽的要求不同，就形成了人脸表情库、姿态库、光照库等，但是由于年龄变化需要在一段时间内对待测对象进行跟踪采集，难度很大。此外，因特网上虽然图片很多，但是缺乏准确的年龄信息并且涉及到肖像权的问题，也不是很可取。 通过与塞浦路斯大学Lanitis教授的联系，我们的研究得到了他的支持与帮助，他所提供的FG-NET年龄人脸库19收集了82个对象不同年龄的人脸图像（主要来自旧照片的扫描）以及详细的年龄信息，免费供科学研究之用。本文选取了该库中的部分图片，作为本文实验的基本数据库的一部分。我们取年龄在0-80之间的人脸

43、图像，其中男性653幅，女性347幅。另外，我们在人脸库中还加入了部分自己的图片，图片数目为500幅。2.2 人脸图像的预处理 人脸图像预处理是一个非常重要的环节，我同通常所用到的图像采集手段所采集到的人脸图像也是光照变化明显，质量各不相同，差异巨大，如：图像包含不同程度的噪声，不同图像呈现不同的明暗差异等等，此外，图像还会有一定程度的旋转及缩放变形。所使用预处理方法，目的是改善图像的质量，尽量减弱除年龄外其他因素的影响。2.2.1 人脸图像的几何特性归一化图像几何特性的归一化处理是为了使图像归一化到相同的位置、角度和大小。由于两眼之间的距离对于大多数来说都是基本相同的，因此，两只眼睛的位置常

44、常被用来做人脸图像几何归一化的依据（见书20所述）。假设分割得到人脸图像中两只眼睛的位置分别是和（如图2-1所示），则通过下述步骤，可以实现人脸图像的几何归一化：（1）进行图像旋转，以使和的连线保持水平。这保证了人脸方向的一致性，体现了人脸在图像平面内的旋转不变性。图2-1 人脸旋转示意图设两眼的瞳孔坐标分别为(x1, y1)和(x2, y2)，则的求取公式如2-1所示： （2-1）设图像中任意点的坐标为(x, y)，旋转后该点的坐标为(x, y)，如2-2所示： （2-2）这样将图像中的每一个像素点进行相同的处理后就的到了新的旋转后的矫正图片如图2-所示。图2-2 人脸旋转实例图（2）尺度归

45、一化的思想是将尺寸各不相同的人脸图像调整为统一的标准尺寸图像以便于人脸特征的提取。本文选用了效果较好、速度较快的基于线性插值的重采样方法。在线性插值法中，非网格点的灰度值用其周围4个网格点的灰度值按式()计算： (2-3)其中，（ 是高斯符号）。该方法精度好，但速度较慢。尺度归一化中，标准尺寸的选择对后续的图像重建以及特征提取都有很大影响，过大的尺寸使得计算量急剧增加，而过小的尺寸可能会丢失一些重要的特征信息。仿照国际上标准的人脸库尺寸，并进一步去除发型的影响，本文选取的尺寸为110*110个像素，实验表明，该尺寸包含了足够的细节特征信息，能够满足实时性要求。2.2.2 人脸图像的光学特性归一

46、化 光照变化是影响人像处理的非常关键的因素，对该文题的解决程度关系着人像处理实用化进程的成败。光照变化在很多情况下对拍摄的图像有着十分巨大的影响，它一直是人像处理研究中的一个非常重要而且难以解决的问题。理论上已经证明了，对于光照不变性的函数是不存在的。光照变化的补偿不仅需要人脑的低级视觉皮层，还需要高级视觉区域的配合。光照补偿想法的提出主要是考虑到人脸肤色等色彩信息经常受到光源颜色、图像采集设备的色彩偏差等因素的影响，而在整体上偏离本质色彩而向某一方向移动，即我们通常所说的色彩偏冷、偏暖，照片偏黄、偏蓝等等。这种现象在艺术照片中更为常见。当光照条件发生变化时，人脸颜色也会发生一定的变化。实验表

47、明，当待处理图像的亮度高于训练图像的亮度时，即光线较强时，人脸大部分区域的颜色不会超出正常光照条件下人脸颜色的变化范围。为了解决这一问题，有必要对待处理的图像进行光亮补偿。本文采用如下一种简单而又行之有效的自适应亮度补偿算法：（1）选择光照均匀的标准图像，并计算图像中个像素点的R，G，B分量的平均值，方差和亮度的平均值。（2）计算待处理图像中个像素点的亮度平均值；（3）若则进行亮度补偿，并计算待处理图像中各像素点的R，G，B分量的平均值，方差。（4）对待处理图像中的每一像素点A，令分别表示像素点A补偿前的R，G，B值，分别表示补偿后的R，G，B值，有：这里进行的亮度补偿是全局性的。采用上述算法

48、进行光照补偿，效果如图2-3所示，图（a）是标准图像，图（b）是光照补偿前的原图像，图（c）是经过光照补偿后得到的图像，从图中可以很明显的看出光照补偿效果。(a) (b) (c)图2-3 光照补偿效果图 实际上，对图像进行光照补偿处理是一种图像增强处理，而图像增强没有通用的理论。对它的评价有高度的主观性，只能针对特定的应用领域。它是为了某种应用目的而去改善图像质量的，处理的结果使图像更适合人的视觉特性。应明确指出的是增强处理并不能增强原图的信息，其结果只能增强对某种信息的辨别能力。2.3 本章小结 本章叙述了本文研究内容所具备的图像库条件，并讲叙了如何对图像库中的图像进行标准化，这一步骤极大的

49、提高了实现本文研究方法的准确性，其中包括人脸图像的姿态、大小等几何特性的归一化，还有人脸图像的光学特性归一化，即对光照不足的图像进行了光照补偿，所以本文实验能够适应不同的光照情况，提高了方法的适应度。70中南大学硕士论文 第三章 人脸的年龄特征提取第三章 人脸的年龄特征提取 3.1 概述人的老化是一个不可避免的过程，也是引起人脸外观变化的主要因素，虽然人类年龄是一个与时间相关的客观概念，但是即使相同年龄的人所呈现的外貌特征也会因个人生存环境、生活习惯等各种因素的影响存在很大的差异，因此我们很难从一幅人脸图像判断出一个人的准确年龄。对于计算机而言，辨别年龄则更是一个困难的问题。而另一方面，对于两

50、幅人脸图像，我们却可以容易地辨认出谁更年轻或谁更年老，而且可以描述出人类年轻与衰老时的基本特征，例如皮肤的光滑程度，皱纹与斑点的多少，骨骼的形状，肌肉的松弛程度等。利用图像处理技术实现人脸图像的衰老化与年轻化变换是人像处理领域的前沿课题，这种技术极大地依赖于生理学、认知学、心理学等学科间的理论支持与相互融合。当前是实现人像衰老变换的主要理论依据有：1. 平均脸与年轻化，平均脸是人脸共性特征的集合，在人脸空间中通常作为坐标原点，在图像表达中是五官信息的平均分布。“平均即是美”(Averageness is attractiveness)理论说明了一类人群中所谓最美的人脸图像的基本特征，即平均化。

51、这一假说通过实验被证明，即从一组人脸图像样本中得到平均脸是最美的。求取平均脸型的操作，可以平滑特定人脸的皱纹与疤痕信息，使整个脸部的皮肤看起来更有年轻的感觉。2. 人脸的差异性、典型性与可辨识性。人脸差异性（distinctiveness）描述的是特定人脸与平均脸的区别程度。人脸可辨识性（recognizability）描述的是人类观察者对于特定人脸的可辨识程度。差异性越大的人脸越容易被人所识别，而越典型的人脸则越容易在识别时混淆。人脸的差异性增加的同时会使人像产生衰老的效果。3. 根据认知学对人像年龄变化的研究，得出人脸衰老与年轻化图像细节规律。少年时期，人脸脸型特征主要为小脸、短圆、小下巴

52、、皮肤光滑有弹性；青年时期，人脸脸型特征表现为竖向拉长，下巴稍尖，柔和感消失，边沿变硬，皮肤较光滑，伴随青春痘等皮肤纹理变换；中年时期，人脸脸型特征为边沿棱角跟清晰，颧骨突出两颊有下凹，肌肉出现松垂，下须稍前凸，皮肤光泽度降低，颜色变深，有皱纹出现；老年时期，人脸脸型特征表现为两颊下凹明显，面部肌肉松垂加重，胖人双下巴及下须前凸明显，皮肤光泽度更低，皱纹多，伴随老年斑等皮肤纹理变化。 如上所述，近年来在人脸年龄估计及人脸老化仿真方面所作的工作有许多，但存在一个缺陷就是实用性不高，受图像库影响很大，本论文研究的课题，在收集大量的人脸年龄图片的基础上，基于人脸形状和纹理两种主要的特征，提高人脸年龄

53、估计及人脸老化仿真的实用性与可靠性，本文在T.F.Cootes21AAM的基础上提出了一种基于局部纹理约束的鲁棒AAM拟合算法LTC-R-AAM配准算法，针对原有算法收敛速度慢，在背景干扰情况下定位不理想，细节部位定位不精确的确定，本文所提出的方法在一定程度上解决了收敛速度慢的问题，主要增强了细节部分定位的准确性，并且实现了对背景干扰的鲁棒，想比原有的算法具有更快、更准确的性能。3.2 主动表观模型（AAM）3.2.1 AAM模型的建立AAM(Active Appearance Model)21模型是对象的动态表观模型，表观是形状和纹理的组合，表观模型是在形状模型的基础上结合对象的纹理而建立的

54、，AAM模型实例就是将AAM的表观模型通过仿射变换的形式映射到对应的形状实例中去，得到描述当前对象的当前模型。动态就体现在AAM通过相应的拟合算法不断调整生成新的AAM模型实例与待定位的对象进行匹配，直到生成的模型实例能和该对象真正吻合，可见生成AAM模型实例是AAM中比较重要的一个部分。一、形状建模统计模型的建立需要分三个步骤，首先是获取样本图像中的信息；其次是样本图像集的归一化处理;然后是对归一化处理的数据进行统计分析，建立统计模型。因此不论AAM对形状还是对表观建模都是遵循统计模型建立的基本步骤。要实现AAM对形状建模，首先要选择一组合适的训练集，所选择的训练集就决定了需要进行AAM建模

55、的对象特征的基本属性;然后对所选择的训练图像进行特征点标记，一般是手动标记，训练图像中能充分说明图像属性特征的各个点的坐标位置就是所选择进行标一记的特征点的位置(x，y)，标记好的v个特征点位置的集合就构成了形状S,；再对形状进行归一化，归一化是指以某个形状为基准，再对其它的形状进行旋转、缩放和平移使得其尽可能的与基准形状的整体位置相接近;接着采用主成分分析的方法（PCA）对形状归一化后的数据进行处理，得到对应图像的平均形状S0和按特征值大小排序后的前n个形状特征向量Si。因为AAM模型中形状S可以用线性方程进行表达： ，那么在给定任意一组形状参数p后，就能得到一个S，这就是AAM的形状模型实

56、例，因此当我们得到根据训练图像的形状训练出来的平均形状S。和形状特征向量S1后，就完成了对形状的建模。二、表观建模 AAM的表观A (x)是训练集中已经标记好的形状区域内的对象纹理信息，它是对象形状和纹理的组合。获取表观的方法是，利用计算机图形学中纹理映射的方法，对每个表观样本通过己经标记好的形状外形来获得其纹理的有效区域，建立一个可逆的映射方程式，然后将这个表观区域映射到一个已设定的基准形状网格，在该形状网格内进行一致的参数采样，再将它们映射回各自的纹理区域，这样就可以获得归一化的纹理样本，再对归一化后的纹理进行PCA即得到了所需要的表观模型的参数，实现了表观建模。具体的实现过程是，当完成对

57、形状建模后，得到了对应的AAM的形状特征向量Si和平均形状S0，选择由S0经过Delaunay三角化后得到的形状网格为进行表观映射时的基准网格;将训练集中的图像，根据对应标记的形状特征点位置进行Delaunay三角化，三角化后的形状网格内的象素值就是需要采样的表观信息，然后通过分段线性仿射的方法将其映射到设定的基准网格中去，实现对表观的归一化采样，再对归一化后的表观信息进行PCA得到平均表观A0和按特征值大小排序后的前m个表观特征向量Ai。表观与AAM的形状非常相似，也可以用线性表达式表达： ，因此在任意设置一组表观参数后，通过上面的线性表达式就能得到一个表观模型实例，所以当得到训练图像的平均

58、表观A0和按特征值大小排序后的前m个表观特征向量A1后，就完成了AAM对表观的建模。下面补充说明如何进行分段线性仿射。在二维图像中，利用经典的Delaunay三角化方法分别将需要采样的样本和选定的基准形状的形状控制点三角化，得到各自的二角化网格的顶点集合。采样表观时，通过分段线性仿射进行映射变换的目的是要将需要采样的样本的三角化网格中的象素映射到基准形状的三角化网格中对应位置的象素，如图3-1所不，假设是采样网格中某个二角网格的三个顶点，那么该网格内的象素p都可以用式(3-1)来进行表达。其中,因为p在三角形内部，所以有。那么对应的在基准三分段仿射图3-1 分段线性仿射示意图 （3-1）角网格

59、内的象素也可以用类似的方式进行表达，如式3-2。是对应 （3-2）的基准三角网格内的三个顶点，因为需要映射的p点的坐标是已知的，而且各个三角化网格的顶点坐标也是已知的，所以可以通过求解的值来得到所需要的假设： ，值可通过式3-3确定： （3-3）这样就实现了分段线性仿射，这样建立的表观样本都是在平均表观的基准网格中采样的，可以消除旋转、缩放和平移，达到归一化的目的。三、AAM模型实例生成AAM模型实例就是将AAM的表观模型通过仿射变换的形式映射到对应的形状实例中去，得到描述当前对象的当前AAM模型。因为在AAM拟合过程中，要达到的目的就是通过相应的拟合算法不断调整生成新的AAM模型实例与待定位

60、的对象进行匹配，直到生成的模型实例能和该对象相匹配，所以AAM模型实例生成也是AAM中的重要组成部分。AAM模型中形状可以用线性方程进行表达： ，那么在给定任意一组形状参数p后，就得到一个AAM的形状实例S0表观与形状非常相似，也可以用线性表达式表达： ，在任意设置一组表观参数几后，得到一个AAM的表观实例A(x)。再将处在归一化S0形状网格下的表观实例A(x)，通过分段线性仿射的方法映射到当前的形状实例S中去，这样就生成了一个AAM的模型实例。3.2.2 基于AAM的人脸特征点定位方法在早期的AAM拟合算法（即特征点定位）中，Lucas-Kanade算法22是最原始的一种图像对其算法。Luc