导读:本文包含了年龄估计论文开题报告文献综述及选题提纲参考文献，主要关键词:深度神经网络,人脸图像,年龄估计
年龄估计论文文献综述
李珏,卢鹤[1]（2019）在《基于深度学习的人脸图像年龄估计》一文中研究指出人脸图像能够表现大量生物学上的复杂信息,从人脸图像中对人物的年龄进行估计有助于机器视觉在安防、预测等方面的应用。本文提出了一种新的深度神经网络,利用卷积神经网络对人脸图像进行特征提取,结合多层自编码器实现对不同年龄层的分类。同时对提取的人脸特征进行统计,分析随人物衰老变化较大的神经元。在FG-NET数据集上获得了较高准确率。(本文来源于《现代信息科技》期刊2019年18期）
张珂,王新胜,郭玉荣,苏昱坤,何颖宣[2]（2019）在《人脸年龄估计的深度学习方法综述》一文中研究指出目的人脸年龄估计技术作为一种新兴的生物特征识别技术,已经成为计算机视觉领域的重要研究方向之一。随着深度学习的飞速发展,基于深度卷积神经网络的人脸年龄估计技术已成为研究热点。方法本文以基于深度学习的真实年龄和表象年龄估计方法为研究对象,通过调研文献,分析了基于深度学习的人脸年龄估计方法的基本思想和特点,阐述其研究现状,总结关键技术及其局限性,对比了常见人脸年龄估计方法的性能,展望了未来的发展方向。结果尽管基于深度学习的人脸年龄估计研究取得了巨大的进展,但非受限条件下年龄估计的效果仍不能满足实际需求,主要因为当前人脸年龄估计研究仍存在以下困难:1)引入人脸年龄估计的先验知识不足; 2)缺少兼顾全局和局部细节的人脸年龄估计特征表达方法; 3)现有人脸年龄估计数据集的限制; 4)实际应用环境下的多尺度人脸年龄估计问题。结论基于深度学习的人脸年龄估计技术已取得显着进展,但是由于实际应用场景复杂,容易导致人脸年龄估计效果不佳。对目前基于深度学习的人脸年龄估计技术进行全面综述,从而为研究者解决存在的问题提供便利。(本文来源于《中国图象图形学报》期刊2019年08期）
田文泉[3]（2019）在《基于标记分布的年龄估计与实现》一文中研究指出人脸图像包含许多重要的生物特征,人脸图像的研究方向主要包括人脸年龄估计、性别判断以及表情识别等。以人脸年龄估计为例,通过算法对人脸年龄图像进行估计可以广泛应用在生物识别、个性化服务等领域。目前在年龄估计中,主要使用分类算法或者回归算法对人脸图像进行单标记学习,导致年龄标记无法准确对图像进行相关性度量,而采用年龄标记分布的形式可以将相邻年龄加入到图像的描述中,提高年龄估计准确度。为了对年龄标记分布进行学习,本文主要从以下方面进行研究:(1)近年来,学者们已经提出多种标记分布学习算法,采用最大熵模型构造的专用化算法能够很好的解决标记多样性问题,但是计算量巨大,引入运行速度快、稳定性更高的核极限学习机模型,提出基于核极限学习机的标记分布学习算法,在保证预测精度的同时有效降低时间消耗。(2)现有标记分布学习大都通过选择合适的分类器以求获得较高的效果,但是不同的分类器由于方法各异导致分类的效果不尽相同。本文将多个分类器进行组合,重点研究不同分类器异态集成下对提高标记分布学习准确率的方法,提出基于标记分布的异态集成学习算法。采用组合分类器的方式可以提高算法整体的预测精度,同时预测结果是带有置信度的标记分布,符合标记分布范式。(3)由于人脸图像在相近年龄变化较小,采用单个年龄标记难以准确概括年龄的情况,而标记分布学习可以对年龄进行准确描述。本文采用正态概率密度函数对年龄标记进行标记分布处理,同时将预测结果中最大概率年龄和期望值年龄合并共同决定预测年龄。算法通过年龄标记与年龄分布标记进行对比,发现采用分布式年龄标记可以有效降低年龄预测误差。(本文来源于《安庆师范大学》期刊2019-06-17）
梁晓曦,蔡晓东,库浩华,王萌[4]（2019）在《基于双重加强特征的人脸年龄估计方法》一文中研究指出为了解决年龄估计任务中很多方法仅考虑全局特征而忽略关键性的局部特征的问题,提出一种基于双重加强特征的人脸年龄估计方法。根据人脸关键点的位置对人脸图片进行裁剪分块,提取出眼睛、鼻子、嘴巴3个包含了与年龄相关的特征(比如眼纹、法令纹、胡子等)的局部区域,而这些局部区域可以在已有的全局特征基础上加强关键性的局部特征信息。将局部区域图片和整张图片联合起来输入基于压缩激励的并联残差网络中,该网络能够通过特征重标定的方法进一步加强有用的特征并抑制用处不大的特征。把多个不同子区域年龄估计结果结合起来作为最终的年龄预测值。实验表明,该方法中所采用的全局特征结合局部特征进行年龄估计的方法好于仅使用全局特征来判断年龄。相比于其他方法,该方法具有较低的平均绝对误差,且复杂度较低。(本文来源于《桂林电子科技大学学报》期刊2019年01期）
李帆[5]（2019）在《基于肤色分类和深度标签的人脸年龄估计》一文中研究指出人脸是一个丰富的信息源,能够从中提取表情、性别、种族、年龄等重要信息,其中年龄信息作为一种关键的生物特征,在模式识别和人机交互等领域起到关键作用。目前许多年龄估计模型已经成功用于人脸年龄估计,但是未考虑到人脸面部的衰老还与肤色等因素相关,因此本文在已公开的MORPH数据库的基础上,提出一种分阶段的人脸图像年龄估计模型。本文的贡献有:(1)针对目前年龄估计算法忽略了个体衰老的过程还受肤色差异影响的问题,本文根据人脸面部肤色的不同提出基于肤色分类和深度标签分布学习的人脸年龄估计模型。模型分为两个阶段,第一阶段根据人脸肤色的不同将其分类为黑色皮肤和非黑色皮肤,第二阶段对分类后的人脸图像分别建立年龄估计模型。(2)对于第一阶段的人脸特征提取,本文改进局部梯度模式(LGP),增加距离衰减因子,提出DLGP特征模式,将其与颜色特征融合,进而采用XGBoost算法进行分类。(3)对于第二阶段的人脸特征提取,本文修改Inception-V3深度卷积神经网络的全局平均池化层,将其与标签分布学习算法相结合,使用微调技术调整网络参数,提取深度卷积神经网络特征(DCNN),将其与DLGP特征融合,互补了DCNN直接提取人脸特征时忽略了其局部结构特征的问题和DLGP特征提取时依赖人工选择介入主观因素的问题。在年龄估计算法方面,采用XGBoost算法的回归模型进行年龄估计。(本文来源于《西北大学》期刊2019-06-01）
冯燕燕[6]（2019）在《基于集成卷积神经网络的年龄估计研究》一文中研究指出目前人脸识别技术已经趋于成熟,在许多领域广泛应用。与人脸识别技术相比,人脸的年龄估计相关技术相对还不成熟,有关于对人脸年龄估计的社会需求却越来越大。人脸图像是一种生物特征,通过识别生物特征去识别个体。然而,由于人类个体生活习惯、工作环境、先天基因及其他因素的差异性,相同年龄的个体在年龄特征的外在表现出巨大差异,因而年龄估计的研究发展仍然面临着巨大的挑战。传统算法采用手工的方式提取人脸年龄特征,过程繁琐复杂且只能提取浅层特征。卷积神经网络是一种常用的深度学习算法,直接将图像作为网络的输入,通过逐层的运算与反向传播自动提取具有判别力的图像深层次特征。为避免传统算法的过度预处理与手动选择特征的复杂过程,且更充分的提取了图像特征,本文结合卷积神经网络的图像处理方式进行人脸年龄估计基分类器的研究。目前用于年龄估计的分类器一般都是单独进行,分类器之间缺少信息交流,本文依据整体大于部分的思想,沿着集成学习的脉络展开人脸年龄估计的研究,首先进行人脸数字图像的采集与预处理;然后通过两个不同的卷积神经网络提取人脸年龄特征并生成多个不同的基分类器;其次,通过集成算法将多个基分类器进行结合,使得不同的基分类器之间信息得到交流;最后,将集成分类器用于年龄估计。主要研究内容如下:(1)图像预处理为增加数据集对网络的泛化能力,我们通过多角度裁剪、镜像对数据集进行了十倍的数据扩增。另外,在数据集中,由于人脸图像存在光照强度不等、头部姿势多样等因素直接影响网络的泛化能力,为减弱因环境变化带来的影响,本课题在网络训练之前将数据集的图像进行直方图均衡化处理。(2)人脸图像年龄特征提取研究通过双通道多卷积核卷积神经网络GONET和基于1×1卷积、通道混洗和稀疏连接的微型化卷积神经网络FYNET提取人脸图像年龄的特征,在FGNET数据集和CACD2000数据集上训练以获得基分类器。GONET网络旨在提高网络的精度,减少参数防止过拟合。在AlexNet模型的基础上,不改变网络卷积层的输入输出,利用1×3卷积、3×1卷积与3×3卷积之间的等效性,增加网络的深度与非线性,使得网络对图像特征表达能力增强,利用模块化与全局池化策略得到GONET网络。实验结果证明GONET网络识别效果显着,在提高识别精度的同时可大量减少网络参数。FYNET网络旨在保持网络的精度和微型化设计,通过通道混洗,将不同通道间的特征信息进行交换,更好的融合层与层之间的信息,提升网络对年龄特征的拟合能力,同时1×1卷积和稀疏连接可极大地减少网络的参数。实验结果证明FYNET网络在保证年龄估计正确率的前提下,可实现网络模型的微型化。(3)年龄估计集成算法研究为加强单一分类器间的信息交流,在基分类器之间分别使用最大概率的投票法、全局概率的加权平均法和最大概率的加权平均法叁种集成策略。基分类器由GONET和FYNET生成。最大概率的投票法是通过统计所有基分类器的结果得到集成输出;全局概率的加权平均法和最大概率的加权平均法是通过将基分类器的输出作为算法的输入,并赋予每个基分类器一定的权重,最后按照加权平均法得到集成输出;全局概率的加权平均法权重更新方式是基于基分类器的所有类别输出概率;最大概率的加权平均法权重更新方式则是基于基分类器的单一类别的最大概率。在年龄数据集FGNET和CACD2000上进行实验,实验结果证明了集成分类器能综合单一基分类器的优点,获得比单一基分类器更好的年龄估计效果。(本文来源于《广西师范大学》期刊2019-06-01）
罗明珠[7]（2019）在《基于自适应多重多元回归的人脸年龄估计》一文中研究指出人脸图像可以直观地反映出许多与人相关的个性化特征,不仅包括性别、年龄、种族、肤色等这些生物学特征,还传递出丰富多样的神态和情绪。在这些个性化特征中,年龄是一种极具实用价值的生物学信息。给定一张真实的人脸图像,在提取出与年龄相关的人脸特征的基础上,建立年龄估计模型,从而自动地输出人脸图像的预测年龄,这种基于计算机视觉的学习过程称为人脸年龄估计。针对人脸图像训练数据不充足和不完整的问题,基于标记分布学习的人脸年龄估计为每张人脸图像生成覆盖真实年龄及其附近年龄的标记分布,再采用标记分布模型对人脸年龄进行估计。年龄标记分布对当前人脸图像的学习贡献度称为描述度,离真实年龄越近的邻居年龄则具有更高的描述度。传统的标记分布学习假设人脸老化速度在不同的年龄阶段是相同的,并采用标准差统一的离散高斯分布为每张人脸图像生成标记分布。但是实际上,人脸的老化速度是随年龄改变而不同的,例如,人脸外观在幼年时期和老年时期的变化趋势比在中年时期更明显。因此,将所有年龄的标记分布设定为统一的标准差是不合理的。针对传统基于标记分布学习的多重多元回归模型不能够生成和人脸老化趋势一致的标记分布的问题,本文提出自适应多重多元回归的人脸年龄估计方法,在为不同年龄生成具有自适应标准差的离散高斯分布的基础上,建立多因变量偏最小二乘回归模型进行人脸年龄估计。自适应多重多元回归方法自适应地可以为人脸特征变化较大的年龄建立较小标准差的标记分布,为人脸特征较为稳定的年龄建立较大标准差的标记分布,从而在年龄估计模型中更为有效地利用邻居年龄的人脸老化信息。在MORPH数据库上的实验结果表明,与已有的传统基于标记分布学习的人脸年龄估计方法相比,本文提出的方法可以提高人脸年龄估计算法的精度。(本文来源于《南昌大学》期刊2019-05-26）
房国志,孙康瞳[8]（2019）在《多尺度YOLO人脸年龄估计方法研究》一文中研究指出通过观察人脸估计年龄较为常见,但如何准确预测年龄则是一个难题。为提高人脸图像年龄估计的准确率,提出一种基于YOLO(You Only Look Once)模型的目标检测方法。将多尺度回归思想应用于卷积神经网络(Convolutional Neural Network,CNN),通过多尺度卷积改善模型对小尺寸目标的提取能力,结合特征通道分权重思想,改善特征提取操作中特征信息丢失的问题,构造决策树回归得到年龄估计。这种方法在人脸年龄图像库FGNET上获得平均绝对误差(MAE)3.43,在GROUP数据集获得区间匹配度(AEM)62.4%。实验结果表明,通过多尺度特征回归以及通道权重分配,可以较为准确地进行人脸信息检测,并由此建立鲁棒性更强的人脸年龄估计模型。(本文来源于《计算机工程与应用》期刊2019年21期）
纪志鹏[9]（2019）在《基于视频的人脸年龄估计算法研究》一文中研究指出人脸年龄估计是计算机视觉和模式识别领域的热门研究方向,在智能安防、监控以及图像语义理解领域具有广泛的应用。由于人脸图像容易受光照、遮挡等因素影响,因此人脸年龄估计也是一个具有挑战性的课题。近几年随着深度学习的流行,基于深度学习的年龄估计算法在性能上超越了传统手工提取特征的方法,成为当前年龄估计的主流方法。近年来,年龄估计方面的研究主要针对静态图像,因此,年龄估计领域可用的数据集都是图片数据集,然而越来越多的实际应用中需要针对视频数据直接进行人脸相关特征的分析和处理,因此,本文将研究面向视频的人脸年龄估计关键技术。针对视频中的人脸年龄估计,本文主要完成了以下几方面的工作。由于现在缺乏大规模视频人脸年龄数据集,本文首先构建一个大规模视频人脸年龄估计数据库,为拓展年龄估计研究范围和构建面向视频的年龄估计模型提供必要的研究基础。具体的,人工在视频网站上收集视频并用爬虫下载下来进行预处理,数据集一共包含3 309个人的37 184个脸部视频,视频总帧数超过了 1 000万帧,视频在18到65岁年龄区间内均匀分布。每个视频经过人工筛选并标注年龄标签,具有较高的质量,可用于年龄估计深度学习算法的研究。在构建的数据集合基础上,论文进一步深入分析视频中年龄估计的关键问题,针对视频数据的序列性特点,以及视频中年龄估计的准确度和稳定性两方面问题,本文提出两种用于视频的年龄估计算法。第一种算法基于特征组合的思路,首先使用卷积神经网络对输入的图片序列进行特征提取,得到一个年龄特征序列,使用注意力机制对特征序列进行加权组合得到新的特征,最后使用全连接层计算年龄。第二种算法在使用卷积神经网络得到特征序列后,使用LSTM网络在年龄特征序列上计算年龄。为了从准确度和稳定性两方面来优化算法,论文提出了一个新的损失函数用于视频数据上的模型训练,新的损失函数在均方误差的基础上加入一个方差正则项来约束模型在视频中的稳定性。实验表明,在视频中预测年龄时,文章提出的算法在精准度和稳定性方面均优于其它基于图像的深度学习模型。(本文来源于《北京交通大学》期刊2019-05-19）
龙时胜,曾思齐,甘世书,肖化顺,刘洵[10]（2019）在《基于林木多期直径测定数据的异龄林年龄估计方法Ⅱ》一文中研究指出基于林木多期直径测定数据,拟合直径与年龄相关的生长模型,为异龄林年龄结构的确定提供估计方法。以木荷异龄林为研究对象,通过确定异龄林林分内各树种的年龄变异范围,对林木第一期测量直径取随机年龄,获取林分内所有林木的直径与年龄信息对,进而利用Richards方程拟合各树种的直径生长方程,最后将加权平均直径代入生长方程求算出各树种及林分的平均年龄。结果表明:1)木荷异龄林林分内木荷树种的年龄变异范围为[-7.46*ln(1-(D/20.06)0.371),-17.24*ln(1-(D/26.78)0.381)],马尾松的年龄变异范围为:[-8.55*ln(1-(D/15.32)0.478),-6.41*ln(1-(D/10.01)0.326)],杉木的年龄变异范围为:[-10.75*ln(1-(D/21.04)0.587),-10.53*ln(1-(D/12.20)0.576)]。2)木荷估计年龄与真实年龄的最大绝对误差≤3年,最大绝对相对误差<20%,平均绝对百分误差<11%;马尾松估计年龄与真实年龄的最大绝对误差≤1年,最大绝对相对误差<10%,平均绝对百分误差≤5%;杉木估计年龄与真实年龄的最大绝对误差≤3年,最大绝对相对误差≤15%,平均绝对百分误差<10%;林分估计年龄与真实年龄的最大绝对误差均≤3年,最大绝对相对误差均<20%,平均绝对百分误差均<11%,预测效果较好,其估计方法可以应用于科研和生产实践。(本文来源于《中南林业科技大学学报》期刊2019年06期）
年龄估计论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的人脸年龄估计技术作为一种新兴的生物特征识别技术,已经成为计算机视觉领域的重要研究方向之一。随着深度学习的飞速发展,基于深度卷积神经网络的人脸年龄估计技术已成为研究热点。方法本文以基于深度学习的真实年龄和表象年龄估计方法为研究对象,通过调研文献,分析了基于深度学习的人脸年龄估计方法的基本思想和特点,阐述其研究现状,总结关键技术及其局限性,对比了常见人脸年龄估计方法的性能,展望了未来的发展方向。结果尽管基于深度学习的人脸年龄估计研究取得了巨大的进展,但非受限条件下年龄估计的效果仍不能满足实际需求,主要因为当前人脸年龄估计研究仍存在以下困难:1)引入人脸年龄估计的先验知识不足; 2)缺少兼顾全局和局部细节的人脸年龄估计特征表达方法; 3)现有人脸年龄估计数据集的限制; 4)实际应用环境下的多尺度人脸年龄估计问题。结论基于深度学习的人脸年龄估计技术已取得显着进展,但是由于实际应用场景复杂,容易导致人脸年龄估计效果不佳。对目前基于深度学习的人脸年龄估计技术进行全面综述,从而为研究者解决存在的问题提供便利。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
年龄估计论文参考文献
[1].李珏,卢鹤.基于深度学习的人脸图像年龄估计[J].现代信息科技.2019
[2].张珂,王新胜,郭玉荣,苏昱坤,何颖宣.人脸年龄估计的深度学习方法综述[J].中国图象图形学报.2019
[3].田文泉.基于标记分布的年龄估计与实现[D].安庆师范大学.2019
[4].梁晓曦,蔡晓东,库浩华,王萌.基于双重加强特征的人脸年龄估计方法[J].桂林电子科技大学学报.2019
[5].李帆.基于肤色分类和深度标签的人脸年龄估计[D].西北大学.2019
[6].冯燕燕.基于集成卷积神经网络的年龄估计研究[D].广西师范大学.2019
[7].罗明珠.基于自适应多重多元回归的人脸年龄估计[D].南昌大学.2019
[8].房国志,孙康瞳.多尺度YOLO人脸年龄估计方法研究[J].计算机工程与应用.2019
[9].纪志鹏.基于视频的人脸年龄估计算法研究[D].北京交通大学.2019
[10].龙时胜,曾思齐,甘世书,肖化顺,刘洵.基于林木多期直径测定数据的异龄林年龄估计方法Ⅱ[J].中南林业科技大学学报.2019