基于改進標記分布學習算法的人臉年齡估計.pdf

1、近年來，計算機學科逐漸滲透到了人體生物科學領域，對人臉圖像的研究就是其中重要的一部分，因為人臉圖像能夠反映出很多相關(guān)的信息，比如年齡、表情、性別和身份等。其中年齡作為固有的特征，具有重要的生物意義和應用價值。如果能夠采用計算機技術(shù)對人臉年齡進行準確估計，那么將可以應用在多種場景之中。使用傳統(tǒng)的分類或者回歸算法，基于人臉圖像可以對其年齡進行自動估計，但是它們通常不能夠充分利用示例標記之間的相關(guān)性和不確定性，因此如果使用目前流行的標記分布學

2、習算法(Label Distribution Learning，LDL),那么能夠使人臉年齡估計變得更加準確。在LDL中，對于每一個特定的示例圖像，不僅它的真實年齡，而且與其相鄰的年齡也將加入到示例類別的描述當中，組建一個和為1的年齡標記分布。經(jīng)典的標記分布學習算法以學習年齡標記分布為目標，使用Kullback-Leibler(K-L)散度來作為損失函數(shù)來訓練一個最大熵模型。為了改進現(xiàn)有的年齡分布學習算法，本文主要做了以下兩個方面的工作

3、:
　　一方面從算法本身的角度來思考，人們通常需要嘗試比最大熵模型描述能力更強的模型或者更加復雜的損失函數(shù)，但是不同的模型和損失函數(shù)所對應的優(yōu)化策略通常不同，并且更加復雜。因此為了避免如此低效的嘗試，降低模型、損失與優(yōu)化策略之間的耦合性，本課題將符合條件的加性模型統(tǒng)一起來，構(gòu)建了一個標記分布學習模型族。對于模型族中的任意模型和簡單的損失函數(shù)，都可以采用梯度(Gradient)Boosting的方法來進行迭代優(yōu)化，即在每一輪向前迭代

4、的過程中，學習一個簡單的加權(quán)回歸模型來擬合損失函數(shù)在梯度方向上的更新值，該方法可以稱為LDGB(Label Distribution Gradient Boosting)算法。LDGB通過將LDL和Boosting算法相結(jié)合，在提高算法性能和效果的同時，避免了模型的過擬合，減少了傳統(tǒng)方法的資源開銷。
　　在另一方面，現(xiàn)有的LDL算法通常從人臉圖片中提取HOG或者BIF特征，而忽略了圖片潛在的視覺特征，深度學習(Deep Learn

5、ing)算法在圖片的特征學習領域極具優(yōu)勢，雖然深度網(wǎng)絡的訓練需要大量的數(shù)據(jù)才能夠收斂，但是LDL從某種程度上說間接的增加了訓練樣本的數(shù)據(jù)規(guī)模。因此本文將LDL和深度卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network，CNN)相融合，通過構(gòu)建端對端(End to End)的網(wǎng)絡，結(jié)合標記之間的分布特性，來解決年齡分布的預測的問題，該算法可以稱為DLDL(Deep Label Distribution Learning)