基于RPSO_SVM模型的年齡組識別

邵定琴 張乾 岳詩琴 白金華 蘇江濤

摘要：不同年齡段群體在應用市場上的需求存在明顯差異性，年齡組的研究具有重要現實意義。通過改進粒子群算法對支持向量機參數進行優化（RPSO_SVM），用于青年人、中年人、老年人等群體的年齡組識別，首先，使用主動形狀模型提取人臉圖像中68個特征關鍵點，然后，使用改進的RPSO_SVM模型對人臉圖像進行年齡組識別，并在FG-NET數據集上進行實驗驗證，結果表明該方法對不同年齡群體的識別率較好。

關鍵詞： 粒子群算法;支持向量機;年齡組識別;主動形狀模型;RPSO_SVM模型

中圖分類號：TP391? ? ? 文獻標識碼：A

文章編號：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

隨著大數據時代的到來，互聯網和移動設備不斷普及，個性化服務越來越被重視，不同年齡有不同的服務需求。圖像識別作為大數據與人工智能的一個重要領域，可從人的臉部獲得身份、表情、姿態、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是一個重要的研究課題，在當代生活中具有重要研究意義[1]。在公共安全、商業和娛樂等領域均有廣泛應用：1）公共安全方面。車站、商場、機場、碼頭以及酒店等人流量密集場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入酒吧、舞廳等特殊場合。2）商業應用方面?？筛鶕煌挲g群體具有不同的購物需求制定商務中個性化營銷策略。 3）娛樂應用方面。在動畫、影片制作中可通過人物老化模擬實現特定的藝術效果[2]。

近十幾年來，研究者們提出了大量的年齡估計算法，年齡估計的技術一般分為三個階段：1）圖像預處理;2）提取年齡特征;3）年齡估計。人臉圖像年齡估計主要從第二個階段和第三個階段進行研究。首先，使用一系列特征提取方法提取臉部的年齡特征，例如：采用人體測量學模型 （Anthropometric Models）[3]、主動外觀模型（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，使用年齡估計模型對提取的年齡特征進行年齡預測。Kwon等人[3]使用人體測量學模型提取面部幾何特征，并結合紋理特征將人臉圖像分為嬰兒、年輕人和老年人三個年齡組;Guo等人[12]使用流形學習模型學習面部具有年齡標志的年齡特征，并使用支持向量回歸（Support Vector Regression，SVR）實現年齡回歸。孟文倩[13]等人使用卷積神經網絡（Convolutional Neural Networks，CNN）提取年齡特征，并使用主成分分析（Principal Component Analysis，PCA）進行降維，之后使用SVR進行年齡估計;任明罡[14]等人使用支持向量機對FG-NET上的人臉圖像進行年齡組分類;Yan等人[15]使用CNN來提取面部的年齡特征，并在SVM分類器上對提取的年齡特征實現年齡組分類;白昊洋[16]等人使用深度殘差網絡ResNet-34對非受限條件下的人臉圖像進行年齡分類;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函數之后訓練網絡模型，使用訓練的模型對人臉圖像進行年齡估計;Shen等人[19]提出一種端對端的深度回歸森林（Deep Regression Forests，DRFs）模型，主要處理年齡數據集分布不均衡問題。