基于显著点信息的人脸年龄估计算法(4)
② -近邻分类器，用与测试样本最近的 个训练样本的类别信息来判断测试样本的类别
③ 基于协同表示的分类器，用训练样本的线性组合来表示测试样本，分别计算单独用每类的训练样本的表示测试样本时的误差，哪类误差最小就属于哪一类
④ 支持向量机分类器，对于任意待分类样本 ，只需计算其与支持向量的内积, 即为待分类样本的类别。
⑤ 支持向量机回归，寻找一个能准确预测样本数据分布情况的超平面 ，对于任意测试样本 ， 即为测试样本的年龄。
实验及结果分析
在FG-NET数据库上进行实验并分析结果，分别对预处理的图片（两种形式：包括嘴和不包括嘴）及映射到基准模板的图片，提取五种年龄特征向量并用四种不同的分类器及支持向量机回归进行实验并分析结果。实验结果表明，将原始图片映射到基准模板后，把年龄估计看作为分类问题时,用基于协同表示的分类器对形状+统计灰度纹理特征建立估计模型时，效果最好。把年龄估计看作为回归问题时，用支持向量机回归对统计灰度纹理特征建立回归估计模型时，效果最好。
1.3.2论文的组织结构
本论文主要研究的是基于显著点信息的人脸年龄估计算法，全文共分为吹冰章，后五章研究内容包括：
第二章为预处理，首先介绍一下人脸年龄估计常用的数据库，然后详细介绍预处理的主要步骤：灰度化、旋转、裁剪、尺度归一化和直方图均衡化。
第三章介绍了提取年龄特征的方法，主要介绍了普鲁克分析、三角网格化、分段线性仿射、局部二值模式的基本原理，从而引出如何提取形状特征、统计灰度纹理特征、形状特征+统计灰度纹理特征、统计MLBP纹理特征及形状特征+统计MLBP纹理特征。
第四章介绍了建立年龄估计模型的方法，主要介绍了最小距离分类器、K-近邻分类器、基于协同表示分类器和支持向量机的原理。
第五章介绍了如何在FG-NET数据库上进行实验，主要包括实验环境的设置及在第三章提取的年龄特征的基础上，用第四章介绍的建立估计模型的方法进行实验，最后进行实验结果的分析。
最后结论中总结了本论文的主要工作，并展望了一下未来的研究工作。
2 预处理
2.1人脸年龄数据库的介绍
在基于显著点信息的人脸年龄估计中，选取合适的人脸年龄数据库有一定的困难。由于人脸变老具有个性化的特征，为了研究人的变老模式，需要大量的数据。我们可以通过很多途径来获取人脸的图片，但很难得到与每张图片所对应的确定的年龄信息，尤其是获得同一个人在不同年龄的图片序列，使得适合于研究人脸年龄估计的数据库的数目非常少，而带有特征点标记信息的数据库则少之又少，因此本课题的实验环境是FG-NET数据库，它既有年龄标签信息，又有特征点的位置信息。
2.1.1 FG-NET数据库
FG-NET数据库[16]由塞浦路斯大学建立，共有82个对象的1002幅人脸图像，年龄分布范围为0到69岁，具体情况如表2.1所示，很多研究者都基于该数据库进行人脸年龄估计的研究。数据库中图片都是西方人，共有34位女性以及48位男性，每人有6至18张人脸正面图片，有彩色和灰度之分，并带有其确切年龄。这些图像主要通过扫描老旧图片获得，每张图像附带大小、光照、姿态、表情、人脸尺度、图片清晰度等多种信息，并有灰度和彩色图像之分，这些非客观因素将对年龄的估计有很大影响。但重要的是每幅图像有68个特征点的位置坐标，因此本论文选择FG-NET数据库进行实验。