基于RPSO_SVM模型的年齡組識(shí)別

邵定琴 張乾 岳詩(shī)琴 白金華 蘇江濤

摘要：不同年齡段群體在應(yīng)用市場(chǎng)上的需求存在明顯差異性，年齡組的研究具有重要現(xiàn)實(shí)意義。通過改進(jìn)粒子群算法對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化（RPSO_SVM），用于青年人、中年人、老年人等群體的年齡組識(shí)別，首先，使用主動(dòng)形狀模型提取人臉圖像中68個(gè)特征關(guān)鍵點(diǎn)，然后，使用改進(jìn)的RPSO_SVM模型對(duì)人臉圖像進(jìn)行年齡組識(shí)別，并在FG-NET數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證，結(jié)果表明該方法對(duì)不同年齡群體的識(shí)別率較好。

關(guān)鍵詞： 粒子群算法;支持向量機(jī);年齡組識(shí)別;主動(dòng)形狀模型;RPSO_SVM模型

中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）25-0020-04

Abstract： There are obvious differences for different age groups in the application market， it has important practical significance to study age groups. This paper optimizes the Support Vector Machine parameters by improving the Particle Swarm Optimization （RPSO_SVM）， which is used for the age group recognition of young people， middle-aged people， and old people. First， Active Shape Model is used to extract 68 feature key points in the face image， and then the improvement RPSO_SVM algorithm is used to identify the age groups of face images， and verified by experiments on the FG-NET dataset. The results show that the method has a better recognition rate for different age groups.

Key words：Particle Swarm Optimization; Support Vector Machine; age group recognition; Active Shape Model; RPSO_SVM model

1 引言

隨著大數(shù)據(jù)時(shí)代的到來，互聯(lián)網(wǎng)和移動(dòng)設(shè)備不斷普及，個(gè)性化服務(wù)越來越被重視，不同年齡有不同的服務(wù)需求。圖像識(shí)別作為大數(shù)據(jù)與人工智能的一個(gè)重要領(lǐng)域，可從人的臉部獲得身份、表情、姿態(tài)、性別和年齡等生物特征，年齡是其中的重要特征之一。因此，基于人臉圖像的年齡估計(jì)是一個(gè)重要的研究課題，在當(dāng)代生活中具有重要研究意義[1]。在公共安全、商業(yè)和娛樂等領(lǐng)域均有廣泛應(yīng)用：1）公共安全方面。車站、商場(chǎng)、機(jī)場(chǎng)、碼頭以及酒店等人流量密集場(chǎng)所安裝攝像頭可以幫助公安人員搜捕犯罪嫌疑人、追查失蹤兒童和控制未成年人進(jìn)入酒吧、舞廳等特殊場(chǎng)合。2）商業(yè)應(yīng)用方面?？筛鶕?jù)不同年齡群體具有不同的購(gòu)物需求制定商務(wù)中個(gè)性化營(yíng)銷策略。 3）娛樂應(yīng)用方面。在動(dòng)畫、影片制作中可通過人物老化模擬實(shí)現(xiàn)特定的藝術(shù)效果[2]。

近十幾年來，研究者們提出了大量的年齡估計(jì)算法，年齡估計(jì)的技術(shù)一般分為三個(gè)階段：1）圖像預(yù)處理;2）提取年齡特征;3）年齡估計(jì)。人臉圖像年齡估計(jì)主要從第二個(gè)階段和第三個(gè)階段進(jìn)行研究。首先，使用一系列特征提取方法提取臉部的年齡特征，例如：采用人體測(cè)量學(xué)模型 （Anthropometric Models）[3]、主動(dòng)外觀模型（Active Appearance model，AAM）[4-5]、年齡模式子空間（Aging Pattern Subspace，AGES）[6]、年齡流形（age manifold）[7]、基于仿生學(xué)模型（Bio-Inspired Features，BIF）[8]、局部二值模式（Local binary Patterns，LBP）[9]、Gabor濾波器[9-10]、方向梯度直方圖（Histogram of Oriented Gridients，HOG） [11]等方法提取臉部的形狀特征與紋理特征作為年齡特征;然后，使用年齡估計(jì)模型對(duì)提取的年齡特征進(jìn)行年齡預(yù)測(cè)。Kwon等人[3]使用人體測(cè)量學(xué)模型提取面部幾何特征，并結(jié)合紋理特征將人臉圖像分為嬰兒、年輕人和老年人三個(gè)年齡組;Guo等人[12]使用流形學(xué)習(xí)模型學(xué)習(xí)面部具有年齡標(biāo)志的年齡特征，并使用支持向量回歸（Support Vector Regression，SVR）實(shí)現(xiàn)年齡回歸。孟文倩[13]等人使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）提取年齡特征，并使用主成分分析（Principal Component Analysis，PCA）進(jìn)行降維，之后使用SVR進(jìn)行年齡估計(jì);任明罡[14]等人使用支持向量機(jī)對(duì)FG-NET上的人臉圖像進(jìn)行年齡組分類;Yan等人[15]使用CNN來提取面部的年齡特征，并在SVM分類器上對(duì)提取的年齡特征實(shí)現(xiàn)年齡組分類;白昊洋[16]等人使用深度殘差網(wǎng)絡(luò)ResNet-34對(duì)非受限條件下的人臉圖像進(jìn)行年齡分類;Rothe等人[17-18]提出深度期望（Deep Expectation，DEX）模型，該模型在VGG- 16基模型上添加softmax函數(shù)之后訓(xùn)練網(wǎng)絡(luò)模型，使用訓(xùn)練的模型對(duì)人臉圖像進(jìn)行年齡估計(jì);Shen等人[19]提出一種端對(duì)端的深度回歸森林（Deep Regression Forests，DRFs）模型，主要處理年齡數(shù)據(jù)集分布不均衡問題。