Последовательное определение атрибутов личности по изображению лица на основе ранжированных LBP-признаков


Аннотация

Предложен подход к определению атрибутов личности (пола, расы, возраста) по изображению лица. Особенностью предложенного подхода является использование последовательной процедуры, предусматривающей классификацию изображения лиц людей сначала по полу, затем по расе в каждой половой группе и лишь потом по возрасту внутри каждой выделенной расово-половой группы. В качестве признакового описания изображений применяются локальные бинарные шаблоны. Для сокращения размерности пространства признаков используется только половина изображения лица и алгоритм Adaboost для выделения наиболее значимых бинарных шаблонов, что позволяет почти на порядок сократить размерность пространства признаков изображения. Классификация по полу и расе осуществляется стандартным методом опорных векторов по выделенным наиболее значимым признакам с добавлением процедуры бутстраппинга (обучения на «трудных» примерах). Данная процедура предполагает разделение обучающей выборки на две части, предварительное формирование решающей функции по первой части, классификацию изображений второй части, выделение всех ошибочно классифицированных объектов и их добавление к первой части с последующим повторным обучением. Для повышения точности определения возраста предлагается объединить идею использования накопительных признаков, двухэтапную схему восстановления регрессии на основе опорных векторов и процедуру бутстраппинга. На втором этапе построения регрессии используется функция потерь, чувствительность которой не является постоянной величиной, а может зависеть от значения возраста, определенного на первом этапе регрессии. Использование данного подхода позволило повысить точность классификации по критерию Accuracy по полу на 12 %, по расе на 15 %, по возрасту по критерию Mean Absolute Error — на 2 года по сравнению с известными алгоритмами. Исследование точности предложенного подхода выполнено как с использованием известных баз изображений лиц людей, так и с помощью собственной базы изображений, сформированной по открытым источникам в сети Internet.


Ключевые слова

машинное обучение, половая, расовая и возрастная классификации, локальные бинарные шаблоны, метод опорных векторов, бутстраппинг, регрессия на основе опорных векторов


Библиографический список

 1. Fu Y., Xu Y., Huang T.S. Estimating Human Ages by Manifold Analisys of Face Pictures and Regression On Aging Features // Proc. IEEE Conf. Multimedia and Expo. 2007. Pp. 1383—1386.

2. Cootes   T.,   Edwards   G.,   Taylor   C.   Active Appearance Models // IEEE Trans. Pattern Analysis and Machine Intelligence. 2001. V. 23 (6). Pp. 681—685.

3. Montillo A., Ling H. Age Regression from Faces Using Random Forests // Proc. IEEE Intern. Conf. Image Proc. 2009. Pp. 2437—2440.

4. Lian H.C., Lu B.L. Multi-view Gender Classification Using Local Binary Patterns and Support Vector Machi- nes // Intern. J. Neural Syst. 2008. V. 17 (6). Pp. 479—487.

5. Shan C. Learning Local Binary Patterns for Gender Classification on Real-world Face Images // Pattern Recognition Lett. 2012. V. 33 (4). Pp. 431—437.

6. Yilionias J., Hadid A., Hong X., Pietikainen M. Age Estimation Using Local Binary Patterns Kernel Density Estimate // Proc. IEEE Intern. Conf. on Image Analysis and Proc. 2013. Pp. 141—150.

7. Hadid A., Pietikainen M. Combining Appearance and Motion for Face and Gender Recognition from Videos// Pattern Recognition Lett. 2009. V. 42 (11). Pp. 2818—2827.

8. Makinen  E.,  Raisamo  R.  Evaluation  of  Gender Classification Methods with Automatically Detected and Aligned Faces // IEEE Trans. on Pattern Analysis and Machine Intelligence. 2008. V. 30 (3). Pp. 541—548.

9. Moghaddam B., Yang M. Learning Gender with Support Faces // IEEE Trans. on Pattern Analysis and Machine Intelligence. 2002. V. 24 (5). Pp. 707—711.

10. Baluja S., Rowlay H. Boosting Sex Identification Performance // Computer Vision. 2007. V. 71 (1). Pp. 11—19.

11. Han H., Jain A. Age, Gender and Race Estimation from Unconstrained Face Images // MSU Tech. Rep. 2014. MSU-CSE-14-5.

12. Guo G., Mu G., Fu Y., Huang T. Human Age Estimation Using Bio-inspired Features // Proc. IEEE Intern. Conf. on Computer Vision and Pattern Recognition.2009. Pp. 112—119.

13. Chang K.Y., Chen C.S., Hung Y.P. A Ranking Approach  for  Human  Age  Estimation  Based  on  Face Images // Proc. IEEE Intern. Conf. on Computer Vision and Pattern Recognition. 2010. Pp. 3396—3399.

14. Chang  K.Y.,  Chen  C.S.,  Hung  Y.P.  Ordinal Hyperplanes Ranker with Cost Sensitivities for Age Estimation // IEEE Intern. Conf. on Computer Vision and Pattern Recognition. 2011. Pp. 585—593.

15. Рыбинцев А.В., Лукина Т.М., Конушин В.С., Конушин А.С. Возрастная классификация людей по изображению лица на основе метода ранжирования и локальных бинарных шаблонов // Системы и средства информатики. 2013. T. 23 (2). C. 48—59.

16. Laptev I. Improvements of Object Detection Using Boosted Histograms // Image and Vision Computing. 2009. V. 27 (5). Pp. 535—544.

17. Guo G., Fu Y., Dyer C., Huang T. Image-based Human Age Estimation by Manifold Learning and Locally Adjusted Robust Regression // IEEE Trans. on Image Proc. 2008. V. 17 (7). Pp. 1178—1188.

18. Рыбинцев А.В., Конушин В.С., Конушин А.С. Последовательная половая и возрастная классификация людей по изображению лица на основе ранжированных локальных бинарных шаблонов // Компьютерная оптика. 2015. T. 39 (5). C. 762—769.

19. Maenpaa T. The Local Binary Pattern Approach to Texture Analysis — Extensions and Applications. Oulu: Oulu University Press, 2003.

20. Рыбинцев  А.В.  Снижение  размерности  пространства LBP-признаков в задаче определения атрибутов личности по изображению лица // Вестник МЭИ. 2016. №. 1. C. 33—38.

21. Ling  C.  X.,  Huang  J.,  Zhang  H.  AUC:  a Statistically Consistent and More Discriminating Measure Than Accuracy // Proc. Intern. Conf. on Artificial Intelligence. 2003. Pp. 519—524.

22. Вьюгин   В.В.   Математические   основы   тео- рии машинного обучения и прогнозирования. М.: МЦМНО, 2013.

23. Chen K., Gong S., Xiang T. Cumulative Attribute Space for Age and Crowd Density Estimation // Proc. IEEE Intern. Conf. on Computer Vision and Pattern Recognition. 2013. Pp. 2467—2474.

24. Guo G., Zhang C. A Study on Cross-Population Age Estimation // Proc. IEEE Conf. on Computer Vision and Pattern Recognition. 2014. Pp. 4257—4263.

25. Chen   C.,   Ross   A.   Evaluation   of   Gender Classification  Methods  on  Thermal  and  Near-Infrared Face Images // Proc. Intern. Joint Conf. Biometrics (IJCB). 2011. Pp. 367—374.

DOI: 10.24160/1993-6982-2017-5-121-129

Для цитирования: Рыбинцев А.В. Последовательное определение атрибутов личности по изображению лица на основе ранжированных LBP-признаков // Вестник МЭИ. 2017. № 5. С. 121—129. DOI: 10.24160/1993-6982-2017-5-121-129.