Dept. of Computer Science | NTHU
MPLab Home Members Research Publications Activities
人臉影像年齡預測 (Facial Age Estimation)

在家庭影片中,同一個人可能擁有不同年齡時拍攝的資訊。舉例而言,從嬰兒時期的成長紀錄、求學過程中的紀念影像、家族合影,直到成年後個人的影音生活記載等等。這些資料對於個人而言是彌足珍貴的。不過,當使用者希望在這些影片中進行自動個人化分類,年齡特徵的影響將會造成分類辨識上的困難。過去有許多研究以人臉為對象,分析其變化與年齡之間的趨勢,並進一步應用在年齡預測與老化合成的技術上。在我們的研究中,這兩項技術都將成為個人化年齡分類的基礎。首先,我們將消除年齡對人臉資訊的影響,將欲分類對象透過年齡預測及老化合成方法,對應到同樣的年齡層比較。一旦將年齡因素抽離,我們可以做出更多彈性的應用。除了個人化分類之外,家族分類也適合進一步分析,甚至我們能夠根據這個家族共同表現出的年齡特徵,推算出某位家族成員在某些年齡層缺少的資料,彌補當時未留下紀錄的遺憾。諸如此類應用,都是基於年齡特徵分析之下,針對個人化影片的視訊內容改造的可能應用方式。


本實驗室在「人臉影像年齡預測」的相關研究方向如下:
  1. 監督式非負矩陣分解(SNMF)

    給定N張各計M個像素點的人臉影像,我們首先將此訓練集資料表示成維度M×N的矩陣V,V均為非負值。而非負矩陣分解演算法目的即是將矩陣V分解為兩個非負值矩陣W與H,其中W是表示人臉特徵的基底矩陣,H是訓練集資料相對這組基底的係數組合。除透過非負矩陣分解求得局部的人臉特徵之外,我們引入標籤資訊,假設年齡相近的人臉影像其係數分佈應該相似,

  2. 消除個人化因素之非負矩陣分解 (PI-SNMF)

    雖然將年齡標籤納入最佳化條件能幫助我們計算出與年齡直接相關的特徵,然而,不同人擁有不同的成長趨勢,這些不確定的個人因素多少會影響演算法的品質。為了消除不同人之間的成長變化,我們只留下與年齡相關的資訊。除了最小化不同人、相近年齡的係數分佈外,也同時最大化屬於同一個人、但不同年齡的係數分佈。換言之,我們同時利用年齡與身份兩種標籤資訊,來消除個人化因素在計算年齡特徵時造成的誤差。


    圖1. 所使用的測試影像範例,年齡範圍為15歲至60歲間


    圖2. 一般NMF、SNMF、PI-SNMF所計算的基底

  3. 局部特徵表示與年齡迴歸模型

    為保證計算係數的方法一致,在解出基底矩陣W後,無論是訓練集資料(training data)或是外來測試資料(testing data),我們都透過非負值最小均方根演算法計算其對應的特徵係數。此時年齡預測描述為迴歸問題,我們將輸入的訓練集資料特徵係數,傳入支援向量迴歸器(support vector reression)內學出迴歸模型。

    我們所提出的方法,可收斂到較稀疏的局部特徵,這也反應了年齡造成的外觀變化通常出現在局部的特徵上。圖3.為LOPO實驗設定下與目前最好的幾種年齡預測方法的比較。幾乎在所有年齡區間,尤其是三十歲以後,我們提出的方法都表現出最低的預測誤差,可見得我們提出的與年齡相關的局部特徵能夠很好地描述隨著年齡成長的外觀變化。


    圖3. 常用方法與本文提出作法的平均錯誤率比較