年龄分类的步骤

Question

我正在使用人脸图像进行年龄（或性别）分类。我决定使用LBP（局部二进制模式）方法进行特征提取和支持向量机（SVM）进行freature分类。整个过程如图1所示。

据我了解，程序如下：

1. 从包含3组的训练集开始：儿童，青年，高级。每组有50张图像（总共150张图像）。使用LBP准备150张图像进行分类。

2. 在带有标签的150张LBP图像上训练SVM：

   • 0：孩子
   • 1：年轻人
   • 2：高级

3. 使用一组新图像测试系统。如果一切按计划进行，系统应根据步骤2中定义的组正确分类图像。

算法：

for i=1 to N //Assume N is number of image
   LBP_feature[i]=LBP_extract(image_i)
end
//Training stage
SVM.train(LBP_feature,label);
//Test stage
face=getFromCamera
//Extract LBP from the face
face_LBP=LBP_extract(face)
label=SVM.predict(face_LBP)
if label=0 then Children
if label=1 then Young
if label=2 then Senior

建议的系统对此任务有意义吗？

Answer 1

如果您想使用支持向量机，并且您还想将图像视为＆＃34;样本＆＃34;分区域，然后所谓的＆＃34;支持配送机器＆＃34;由Jeff Schneider和Barnabas Poczos开发可能最适合您的问题（在线提供纸张和文档）。他们实际上表明，通过一些调整，支持分发机器胜过某些流行图像分类数据集的所有最先进的方法。他们使用SIFT（sp？）特征，然后每个图像都是来自特征空间的样本（子区域补丁）的集合，然后支持分发机器＆＃34;是基于内核的SVM，通过使用基于样本的估计器来估计两个分布之间的分歧内核。

如果您想使用支持分发机等SVM，最后一点需要考虑。 SVM是两类分类器。为了扩展到2个以上的类，您可以训练一个SVM，它将一个类与其他类的并集进行分类，对于每个类的选择（如果你有N个类，那么N个SVM），然后运行每个SVM并选择具有最高分类分数的类。然而，另一种方法是为每对类训练一个SVM（因此N类的N（N-1）/ 2个SVM），然后尝试通过获得＆＃34;共识＆＃34;来选择最佳类。所有成对比较。您可以在线阅读所有这些内容，并选择您认为最佳的方法，或者选择哪种方法为培训数据提供最佳的一次性交叉验证性能。 （这应该很容易计算，因为你只有150个训练点）

Answer 2

在纸面上，这种方法很有意义。最重要的一点是LBP是否是此任务的正确功能。您可以首先使用不同的参数（图像大小，如果使用LBP直方图的bin计数等）提取LBP，并使用Weka或R等工具观察数据，以查看不同类别的样本数据是否显示不同的分布。 / p>

您还可以参考一些关于年龄估计的研究论文，看看其他哪些特征是合适的。对于老年人，我已经尝试过Radon变换并取得了一些成功。面部的皱纹在Radon变换中得到很好的体现。