APP下载

基于RPSO_SVM模型的年龄组识别

2021-11-07邵定琴张乾岳诗琴白金华苏江涛

电脑知识与技术 2021年25期
关键词:粒子群算法支持向量机

邵定琴 张乾 岳诗琴 白金华 苏江涛

摘要:不同年龄段群体在应用市场上的需求存在明显差异性,年龄组的研究具有重要现实意义。通过改进粒子群算法对支持向量机参数进行优化(RPSO_SVM),用于青年人、中年人、老年人等群体的年龄组识别,首先,使用主动形状模型提取人脸图像中68个特征关键点,然后,使用改进的RPSO_SVM模型对人脸图像进行年龄组识别,并在FG-NET数据集上进行实验验证,结果表明该方法对不同年龄群体的识别率较好。

关键词: 粒子群算法;支持向量机;年龄组识别;主动形状模型;RPSO_SVM模型

中图分类号:TP391      文献标识码:A

文章编号: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

随着大数据时代的到来,互联网和移动设备不断普及,个性化服务越来越被重视,不同年龄有不同的服务需求。图像识别作为大数据与人工智能的一个重要领域,可从人的脸部获得身份、表情、姿态、性别和年龄等生物特征,年龄是其中的重要特征之一。因此,基于人脸图像的年龄估计是一个重要的研究课题,在当代生活中具有重要研究意义[1]。在公共安全、商业和娱乐等领域均有广泛应用:1)公共安全方面。车站、商场、机场、码头以及酒店等人流量密集场所安装摄像头可以帮助公安人员搜捕犯罪嫌疑人、追查失踪儿童和控制未成年人进入酒吧、舞厅等特殊场合。2)商业应用方面。可根据不同年龄群体具有不同的购物需求制定商务中个性化营销策略。 3)娱乐应用方面。在动画、影片制作中可通过人物老化模拟实现特定的艺术效果[2]。

近十几年来,研究者们提出了大量的年龄估计算法,年龄估计的技术一般分为三个阶段:1)图像预处理;2)提取年龄特征;3)年龄估计。人脸图像年龄估计主要从第二个阶段和第三个阶段进行研究。首先,使用一系列特征提取方法提取脸部的年龄特征,例如:采用人体测量学模型 (Anthropometric Models)[3]、主动外观模型(Active Appearance model,AAM)[4-5]、年齡模式子空间(Aging Pattern Subspace,AGES)[6]、年龄流形(age manifold)[7]、基于仿生学模型(Bio-Inspired Features,BIF)[8]、局部二值模式(Local binary Patterns,LBP)[9]、Gabor滤波器[9-10]、方向梯度直方图(Histogram of Oriented Gridients,HOG) [11]等方法提取脸部的形状特征与纹理特征作为年龄特征;然后,使用年龄估计模型对提取的年龄特征进行年龄预测。Kwon等人[3]使用人体测量学模型提取面部几何特征,并结合纹理特征将人脸图像分为婴儿、年轻人和老年人三个年龄组;Guo等人[12]使用流形学习模型学习面部具有年龄标志的年龄特征,并使用支持向量回归(Support Vector Regression,SVR)实现年龄回归。孟文倩[13]等人使用卷积神经网络(Convolutional Neural Networks,CNN)提取年龄特征,并使用主成分分析(Principal Component Analysis,PCA)进行降维,之后使用SVR进行年龄估计;任明罡[14]等人使用支持向量机对FG-NET上的人脸图像进行年龄组分类;Yan等人[15]使用CNN来提取面部的年龄特征,并在SVM分类器上对提取的年龄特征实现年龄组分类;白昊洋[16]等人使用深度残差网络ResNet-34对非受限条件下的人脸图像进行年龄分类;Rothe等人[17-18]提出深度期望(Deep Expectation,DEX)模型,该模型在VGG- 16基模型上添加softmax函数之后训练网络模型,使用训练的模型对人脸图像进行年龄估计;Shen等人[19]提出一种端对端的深度回归森林(Deep Regression Forests,DRFs)模型,主要处理年龄数据集分布不均衡问题。

猜你喜欢

粒子群算法支持向量机
蚁群算法的运用及其优化分析
基于改进支持向量机的船舶纵摇预报模型
电力市场交易背景下水电站优化调度研究
基于粒子群算法的产业技术创新生态系统运行稳定性组合评价研究
基于SVM的烟草销售量预测
动态场景中的视觉目标识别方法分析
论提高装备故障预测准确度的方法途径
基于熵技术的公共事业费最优组合预测
基于支持向量机的金融数据分析研究
无线传感器网络联盟初始结构生成研究