Artificial Intelligence

연령 추정 알고리즘은 계층적 접근 방식을 실현합니다(그림 10). 첫째, 입력 조각은 18세 미만, 18-45세, 45세 이상의 세 연령 그룹으로 나누어 집니다. 둘째, 이 단계의 결과는 각각 10년 단위로 제한되는 7개의 작은 그룹으로 세분화됩니다. 따라서, 다중 클래스 분류 문제는 "일대다" 이진 분류자 집합으로 감소합니다. 따라서 이 분류자는 관련 클래스를 기반으로 이미지의 순위를 매기고, 이러한 순위 히스토그램을 분석하여 최종 결정을 내립니다.

이 BC들은 2단계 접근방식을 사용하여 구성됩니다. 앞에서 설명한 대로 이미지는 적응형 특징 공간으로 처음 전환한 후 RBF 커널이 있는 지원 벡터 머신을 통해 분류됩니다.

입력 조각은 밝기 특성이 균일한 척도로 정렬되고 변환되도록 사전 처리됩니다. 이 사전 처리 단계에는 색상 공간 변환 및 스케일링이 포함되며, 두 작업 모두 성별 인식 알고리즘에 사용된 과정과 유사합니다. 특징은 각 색상 구성 요소에 대해 계산되고 결합되어 균일한 특징 벡터를 형성합니다.

교육 및 테스트에는 충분히 큰 색상 이미지 데이터베이스가 필요합니다. 우리는 서로 다른 출처에서 얻은 10,500개의 얼굴 이미지를 구성하는 자체 이미지 데이터베이스와 최첨단 MORF 및 FG-NET 이미지 데이터베이스를 결합했습니다. AdaBoost 얼굴 감지 알고리즘이 이미지의 얼굴을 자동으로 감지합니다.

연령 분류 알고리즘의 첫 번째 단계를 훈련하고 테스트하는 데 총 7000개의 이미지가 사용되었습니다. 144개의 적응형 특징을 사용하여 3개의 BC가 생성되었습니다.

1단계 분류 결과는 젊은 얼굴의 경우 82%의 정확도를, 중년의 얼굴은 58%, 노년의 얼굴은 92%의 정확도를 보였습니다. 세 가지 연령 범주에 대한 전반적인 연령 분류 정확도는 77.3%였습니다.

두 번째 단계의 BC는 첫 번째 단계(위에서 설명)와 동일한 방식으로 구성되었습니다. 그림 11은 제안된 알고리즘의 첫 번째 단계에 의한 연령 추정의 예를 시각적으로 보여줍니다.