基于显著点信息的人脸年龄估计算法(3)
难，而且由于摄影技术和拍摄环境的不同，图像质量差别很大，往往还包含姿势，表情等非年龄变化因素，使得年龄特征的选择变得十分困难。
(4) 年龄的估计往往要区分性别，由于大多数女性会化妆或佩戴饰物，使其看上去的年
龄与真实年龄相比偏小，因此，区分性别会改善年龄估计的效果。
1.2研究综述
1.2.1年龄特征
1.2.2估计模型
1.3主要研究内容
1.3.1主要工作和成果
本课题主要研究的是基于显著点信息的人脸年龄估计算法，主要研究内容如下：
预处理
为了消除图像中的旋转、尺度和光照的影响，我们需要对图片进行简单的预处理，主要包括：
① 灰度化
② 旋转图片使两眼连线处于水平位置
③ 将图片按两种方式进行裁剪（包括嘴和不包括嘴）
④ 尺度归一化，固定两眼之间的距离及眼睛与鼻尖（包括嘴时）或眼睛与鼻子下端（不包括嘴）时的距离
⑤ 直方图均衡化
年龄特征的提取
① 形状特征，将每幅图像的形状坐标通过普鲁克分析对齐到同一坐标系下得到的新的坐标即为形状特征向量
② 统计灰度纹理特征，一种是对于经过预处理（包括嘴和不包括嘴）的图片，直接对灰度信息用主成分分析建立统计灰度纹理模型；另一种是对于原始图片，首先使用分段线性仿射将图片映射到基准模板，再对灰度信息用主成分分析建立统计灰度纹理模型
③ 形状特征+统计灰度纹理特征，通过权重矩阵 将形状向量和统计灰度纹理向量进行组合，得到新的组合特征向量
④ 统计MLBP纹理特征，在介绍LBP原理的基础上，为了表示更多的纹理细节，将不同采样半径下得到的LBP直方图向量进行组合，再对其使用主成分分析建立统计MLBP纹理模型
⑤ 形状特征+统计MLBP纹理特征，通过权重矩阵 将两种特征进行组合，得到新的组合特征向量
年龄估计模型的建立
① 最小距离分类器，求出每一类的中心，计算测试图像与各类中心的欧氏距离， 与哪类的最近就确定为该类