论文总字数：30525字

摘 要

近年来，随着计算机技术高速发展，图像识别技术也取得长足发展。在此基础上，由于人脸图像的年龄识别在人口统计、公安管理等有着广泛的应用，人们开始探索基于人脸识别的年龄估计技术。

本文提出了一个基于人脸图像的年龄估计框架；采用了基于Adaboost学习算法的人脸检测方法，主要检测眉毛眼睛区域，以缩小搜索双眼的区域、减少其它特征点对双眼定位的影响，并利用眼珠模板和双眼的几何特征定位双眼，对人脸图像进行灰度处理、旋转并归一化人脸图像的大小；使用主成分分析（PCA）算法进行了图像预处理，以解决图像不清晰、降噪、减少非年龄因素的影响；用几何模板和纹理(LBP)提取了人脸的年龄特征，用近邻分类（KNN）算法改进的支撑向量机（SVM）算法进行年龄数据库训练匹配，构建年龄预测模型；采用C语言初步实现了基于人脸识别的年龄估计系统。

通过测试，本文所实现的年龄估计系统的大约年龄偏差在5~10岁。

关键词： 人脸年龄估计；人脸检测；分类器；人脸特征；PCA；Adaboost； SVM  LBP  KNN

ABSTRACT

In recent years, image recognition technology has progressed greatly with the rapid development of computer technology. Since face recognition technology has been widely used in many fields such as demographic statistics, public securities, we began to explore more accurate age estimation skill based on face recognition technology.

This paper proposes a framework of age estimation based on human facial image. Using face detection Adaboost learning algorithm, I mainly detect brows eye to reduce the impact by other facial features. I use eyes template and its geometric features to simulate eye location, implementing gray skill, and facial size normalization. Principal component analysis (PCA) algorithm is used for image pre-process, the face size normalization can improve image quality, reduce residual error, and avoid the impacts of non-age factors. In addition, I use geometric template and LBP to comb out facial age features, and use Support Vector Machine (SVM) improved by KNN algorithm to match the age database and build age-prediction model. C language is used to preliminary form the age estimation system based on human face recognition.

Via testing, the proposed age estimation system realized an age deviation of less than 5 years.

独创性声明

本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得任何教育机构的学位或证书而使用过的材料，与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。

目录

摘 要 1

ABSTRACT 2

第一章 绪 论 5

1.1背景与意义 5

1.2国内外相关研究现状 6

1.2.1国外相关研究现状 6

1.2.2国内相关研究现状 6

1.3本文的研究目标 7

1.4论文结构安排 8

第二章 人脸检测相关技术基础 9

2.1 概述 9

2.2 基于Adaboost人脸检测算法 9

2.2.1 Haar矩形特征 9

2.2.2 应用积分图方法提取特征值 12

2.2.3 基于AdaBoost的分类器 14

2.3 基于Adaboost眼睛检测及定位方法 18

2.4 人脸图像预处理方法 19

2.4.1 图像灰度化 19

2.4.2 几何归一化 20

第三章 人脸的年龄特征提取 22

3.1人脸的年龄特征简介 22

3.1.1 人脸几何比例特征 23

3.2 人脸纹理特征 27

第四章 基于KNN改进的SVM年龄分类方法 30

4.1 SVM算法 30

4.2 临近算法 36

4.3 基于KNN改进的SVM分类方法 37

4.4 年龄估计实现方法 37

第五章 系统的设计与实现 38

5.1 总体框架 38

5.1.1系统组成 38

5.1.2数据库的选择 38

5.1.3 软件流程 39

5.2 系统操作界面 41

5.3 系统测试与截图 43

5.4 软件编码 45

总结和展望 46

致 谢 47

参考文献 48

第一章 绪 论

1.1背景与意义

近年来，生物特征提取技术长足发展，图像识别技术已经能够准确地识别出人脸图片，随着计算机存储量及处理速度的指数提高，图像识别技术已经广泛地应用于人口管理和日常生活中。基于这些技术，“基于人脸图片的年龄估计”成为可能。人脸图片获取简单方便，基于人脸图片的年龄估计有着广泛的应用前景：

1. 人口统计 通过照片就可以快速统计各年龄段的人口比例；
2. 安全监管 有了图像年龄估计技术，可以实施有效的安全监管：建立一个网吧管理系统，可以自动阻止未成年人进入网吧（或其他少儿不是场所）；建立一个网络安全管理系统，可以阻止青少年儿童浏览含有色情等不健康内容的网页；通过年龄估计系统，娱乐场所可以阻止未成年人进人酒吧、舞厅或少儿不宜影剧室；烟酒销售服务机能够自动识别未成年人而拒绝出售烟酒；游乐场所可以特别提醒老人不适合的游乐项目；
3. 电子商务管理系统 将人脸图像年龄估计应用于电子商务管理系统可以更好地针对不同年龄段的顾客的消费特点和产品喜好销售合适的商品，提高营销服务效率；
4. 公安应用 根据罪犯人的年龄信息，公安部门可以在罪犯可能出现的场合设置摄像头，从而快速自动地从大量的人群中分离出相应年龄段人群，重点跟踪分析，提高侦破效率；
5. 人脸年龄面貌预测 根据现有面貌，加入年龄变化因素，预测将来面貌。这点可有益于寻找丢失多年的儿童以及藏匿多年的罪犯。对于长年失踪人员也可以采用同样的方法去寻找。

本项目的主要工作就是学习研究人脸检测、人脸特征提取、年龄分类、年龄训练和估计等相关专业技术，并采用C语言建立一套基于人脸图像的年龄估计系统，该系统可以检测人脸，提取特征点，最后估计输入图片中的人的年龄。

本项目人脸图像年龄估计的基本构架见图1.1

剩余内容已隐藏，请支付后下载全文，论文总字数：30525字