人脸图像的警用平台年龄估计研究(源码)
本文主要研究基于人脸图像的年龄估计，并且更侧重于年龄估计技术在警务方面的运用和实施。以将年龄估计技术实际运用至锁定犯罪嫌疑人为目标，研究探讨了两种人脸的特征提取算法和一种分类学习方法，在Morph和FG-NET等人脸年龄数据库上进行训练测试，为成功建立本文中的警用嫌疑人锁定系统打下基础。本系统在Seetaface检测人脸和定位人脸的基础上，运用LBP特征提取算法和Gabor特征提取算法提取人脸图像的特征值，然后用SVM训练模型进行年龄估计。获得估计模型后，筛选模型用于不同情况下的嫌疑人锁定。
目录
摘要 1
关键词 1
ABSTRACT 1
KEY WORDS 1
1．选题背景 1
1.1 研究意义 1
1.2 国内外研究状况 1
1.3 研究的目的和内容 2
2．警用嫌疑人锁定系统设计 2
2.1 人脸检测及定位 2
2.1.1 FACEDETECTION人脸检测 2
2.1.2 FACEALIGNMENT人脸定位 3
2.2 人脸特征提取 3
2.2.1 基于局部二值模式的特征提取 3
2.2.2 基于GABOR小波变换的特征提取 4
2.3 年龄估计模型 6
2.3.1 支持向量回归算法 6
3．实验结果与分析 6
3.1 数据集及数据集处理 6
3.1.1 FGNET人脸年龄数据库 6
3.1.2 FGNET处理后的数据库 7
3.1.3 MORPH数据库 7
3.2 年龄估计评价方法 8
3.2.1 累计指数 8
3.2.2 绝对误差均值 8
3.3 结果分析 8
3.3.1 MAE评价指标 8
3.3.2 CS评价指标 11
3.3 实用性分析 14
4．警用嫌疑人锁定系统的实现 15
4.1 系统流程图 15
4.2 具体实现 15
5．应用环境 18
5.1 硬件环境 1 *好棒文|www.hbsrm.com +Q: ^351916072^
8
5.2 软件环境 18
6．总结与展望 19
6.1 总结 19
6.2 展望 19
致谢 20
参考文献： 20
基于人脸图像的警用平台年龄估计研究
引言
1．选题背景
1.1 研究意义
人脸中蕴藏着丰富且重要的信息，比如种族，身份，性别，年龄，情绪等。这些信息给我们日常生活中解决问题提供了丰富的线索。其中，人脸年龄作为人脸的一种不可忽视的属性，在我们的生活中起到了越来越重要的作用。[1]例如，在对特殊人群的社会管理方面，可以在自动贩卖机处采用年龄识别从而禁止未成年人买烟酒制品，在网吧酒吧等特殊场所设置出入年龄自动限制，从而杜绝未成年人进入的可能性[2]。更重要的，我们可以将其运用于警方破案方面，可以根据现有信息推断出犯罪嫌疑人的大致年龄范围，从而根据年龄范围框选出嫌疑对象。 例如，车祸现场，我们可以根据目击者的描述：犯罪嫌疑人为2030岁，搜寻该时间段内出现的20至30岁的人，以供目击者指认，从而大大缩小筛查范围并提高搜寻速度。
1.2 国内外研究状况
国外研究状况：在人脸的年龄估计领域的研究最早是在20世纪的90年代，Kwon和Lobo所进行的相关试验。在他们的实验中，他们使用了47张相片作为研究对象，他们所进行的年龄估计主要依靠图像中人脸的五官和皮肤的年龄化程度。试验人员将年龄阶段粗略划分为小孩、青年、老人三个不同的试验小组，得出的试验结果全部正确。然而，这个试验亦有他的不足之处，它使用的是分辨率较高的人脸图像，并且试验的规模过小，其具有一定的特殊性。此后，又有数位研究者，采用不同的方法改进人脸的年龄估计，比如如今依旧在使用的年龄估计重要手段——特征向量化人脸图像等。最近几年，人脸年龄估计的国外研究已经实现向多模态研究的成功转变，而不仅仅只是传统的研究方式。并且已经能够将估计出来的人脸年龄差值控制在较小的数额。同样的，年龄估计的实际应用也在越来越多地进入我们的生活[3]。
国内研究状况：与国外相比较而言，我国研究年龄估计的进度相对较慢，人员相对较少。但是即使我们起步及投入略少于国际，我们仍旧在人脸年龄估计领域取得了重大成就。国内研究者们提出有AGES算法，改进了ASM方法，PFA方法等。显著得降低了年龄预测的差值，提高了年龄估计的准确率。在年龄估计的应用领域，也出现了许多行业翘楚，并且通过手机自拍显示年龄等方式，将年龄估计的映像成功地植入人心[3]。
1.3 研究的目的和内容
在21世纪的今天，各种智能设备充斥着我们的生活，警方的各项侦查技术也由原来的人工逐步向智能化方向转变。为减轻警方搜寻嫌疑人的工作负担，特根据人脸的年龄估计技术设计警用年龄估计系统，其主要内容如下：
利用LBP和Gabor算法，利用SVM回归估计，在不同的数据集上训练估计模型，分析比较各个不同的估计模型在不同测试情况下的性能，从而选取不同的测试模型对预处理的测试数据集进行估计，最终筛选出我们需要的犯罪嫌疑人数据集。
2．警用嫌疑人锁定系统设计
要成功完成本系统，在基于人脸图像的年龄估计方面需要进行相应的研究。在本文中，我们将图片读入系统后，第一步是检测及定位人脸，我们需要判断即将处理的图像中是否含有人脸，其次需要定位人脸在图像中的具体位置，然后将人脸从整个图像中提取出来。在完成图像的以上步骤之后，我们得到预处理之后的图像，需要使用不同的特征提取算法提取出图像的年龄特征，接着使用分类器训练年龄模型并保存，预测时则使用训练好的年龄模型重复以上步骤进行预测，系统具体设计如下：
目录
摘要 1
关键词 1
ABSTRACT 1
KEY WORDS 1
1．选题背景 1
1.1 研究意义 1
1.2 国内外研究状况 1
1.3 研究的目的和内容 2
2．警用嫌疑人锁定系统设计 2
2.1 人脸检测及定位 2
2.1.1 FACEDETECTION人脸检测 2
2.1.2 FACEALIGNMENT人脸定位 3
2.2 人脸特征提取 3
2.2.1 基于局部二值模式的特征提取 3
2.2.2 基于GABOR小波变换的特征提取 4
2.3 年龄估计模型 6
2.3.1 支持向量回归算法 6
3．实验结果与分析 6
3.1 数据集及数据集处理 6
3.1.1 FGNET人脸年龄数据库 6
3.1.2 FGNET处理后的数据库 7
3.1.3 MORPH数据库 7
3.2 年龄估计评价方法 8
3.2.1 累计指数 8
3.2.2 绝对误差均值 8
3.3 结果分析 8
3.3.1 MAE评价指标 8
3.3.2 CS评价指标 11
3.3 实用性分析 14
4．警用嫌疑人锁定系统的实现 15
4.1 系统流程图 15
4.2 具体实现 15
5．应用环境 18
5.1 硬件环境 1 *好棒文|www.hbsrm.com +Q: ^351916072^
8
5.2 软件环境 18
6．总结与展望 19
6.1 总结 19
6.2 展望 19
致谢 20
参考文献： 20
基于人脸图像的警用平台年龄估计研究
引言
1．选题背景
1.1 研究意义
人脸中蕴藏着丰富且重要的信息，比如种族，身份，性别，年龄，情绪等。这些信息给我们日常生活中解决问题提供了丰富的线索。其中，人脸年龄作为人脸的一种不可忽视的属性，在我们的生活中起到了越来越重要的作用。[1]例如，在对特殊人群的社会管理方面，可以在自动贩卖机处采用年龄识别从而禁止未成年人买烟酒制品，在网吧酒吧等特殊场所设置出入年龄自动限制，从而杜绝未成年人进入的可能性[2]。更重要的，我们可以将其运用于警方破案方面，可以根据现有信息推断出犯罪嫌疑人的大致年龄范围，从而根据年龄范围框选出嫌疑对象。 例如，车祸现场，我们可以根据目击者的描述：犯罪嫌疑人为2030岁，搜寻该时间段内出现的20至30岁的人，以供目击者指认，从而大大缩小筛查范围并提高搜寻速度。
1.2 国内外研究状况
国外研究状况：在人脸的年龄估计领域的研究最早是在20世纪的90年代，Kwon和Lobo所进行的相关试验。在他们的实验中，他们使用了47张相片作为研究对象，他们所进行的年龄估计主要依靠图像中人脸的五官和皮肤的年龄化程度。试验人员将年龄阶段粗略划分为小孩、青年、老人三个不同的试验小组，得出的试验结果全部正确。然而，这个试验亦有他的不足之处，它使用的是分辨率较高的人脸图像，并且试验的规模过小，其具有一定的特殊性。此后，又有数位研究者，采用不同的方法改进人脸的年龄估计，比如如今依旧在使用的年龄估计重要手段——特征向量化人脸图像等。最近几年，人脸年龄估计的国外研究已经实现向多模态研究的成功转变，而不仅仅只是传统的研究方式。并且已经能够将估计出来的人脸年龄差值控制在较小的数额。同样的，年龄估计的实际应用也在越来越多地进入我们的生活[3]。
国内研究状况：与国外相比较而言，我国研究年龄估计的进度相对较慢，人员相对较少。但是即使我们起步及投入略少于国际，我们仍旧在人脸年龄估计领域取得了重大成就。国内研究者们提出有AGES算法，改进了ASM方法，PFA方法等。显著得降低了年龄预测的差值，提高了年龄估计的准确率。在年龄估计的应用领域，也出现了许多行业翘楚，并且通过手机自拍显示年龄等方式，将年龄估计的映像成功地植入人心[3]。
1.3 研究的目的和内容
在21世纪的今天，各种智能设备充斥着我们的生活，警方的各项侦查技术也由原来的人工逐步向智能化方向转变。为减轻警方搜寻嫌疑人的工作负担，特根据人脸的年龄估计技术设计警用年龄估计系统，其主要内容如下：
利用LBP和Gabor算法，利用SVM回归估计，在不同的数据集上训练估计模型，分析比较各个不同的估计模型在不同测试情况下的性能，从而选取不同的测试模型对预处理的测试数据集进行估计，最终筛选出我们需要的犯罪嫌疑人数据集。
2．警用嫌疑人锁定系统设计
要成功完成本系统，在基于人脸图像的年龄估计方面需要进行相应的研究。在本文中，我们将图片读入系统后，第一步是检测及定位人脸，我们需要判断即将处理的图像中是否含有人脸，其次需要定位人脸在图像中的具体位置，然后将人脸从整个图像中提取出来。在完成图像的以上步骤之后，我们得到预处理之后的图像，需要使用不同的特征提取算法提取出图像的年龄特征，接着使用分类器训练年龄模型并保存，预测时则使用训练好的年龄模型重复以上步骤进行预测，系统具体设计如下：
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1673.html
