[发明专利]一种基于L2,1

说明书

本发明公开一种基于L_2,1偏标记学习的年龄估计方法。首先获取人脸数据集的特征矩阵和标签矩阵，然后构建该方法的目标函数。为了使样本的标签分布尽可能稀疏并且求解更加简单，在目标函数中嵌入了L_2,1范数；为了使相邻样本的标签分布尽可能相似，采用了流形假设的思想，在目标函数中嵌入图正则项。接着利用交替迭代方法求解优化问题，得到判别系数A^(t)。最后，利用判别系数A^(t)估计给定的人脸测试样本的标签分布，依据概率最大原则判定其年龄。本发明一方面充分利用了特征空间潜在的有用信息，使相邻样本的标签分布尽可能接近，有效提高了方法的准确性和鲁棒性；另一方面能够实现对候选标记集合进行消歧，准确地估计出样本的标签。

技术领域

本发明涉及一种基于L_2,1偏标记学习的年龄估计方法，属于计算机视觉领域。

背景技术

近年来，随着计算机视觉的发展，人脸识别技术成为模式识别领域非常热门的一个研究课题。人脸是人类非常重要的生物学特征之一，人脸中包含了很多重要的信息，例如身份、性别、年龄、表情、种族等等。在这所有的信息中，人脸显示出的年龄信息是人类身份识别的重要依据，并且人脸图像的年龄估计在人机交互、计算机视觉、智慧商业等领域有着非常不错的应用前景。因此，人脸年龄估计引起了越来越多的学者的关注。

现有的人脸年龄估计的算法主要从人脸特征与估计方法两方面解决人脸图像的年龄问题。特征方面，Gabor特征，LBP(Local Binary Patterns)特征等基本人脸纹理特征，以及针对人脸的AAM(Active Appearence Model)特征等都是人脸年龄估计的常用特征。但是现有的人脸年龄估计方法大都在监督学习框架下进行的，然而受外部环境、成本以及问题特性等原因，这样获取一个对象真实标记所需的成本非常大或很难获取对象的真实标记，往往只能获取对象有限的类别标记信息，即弱监督(weakly supervised)信息。因此，如何在弱监督信息框架下进行学习研究已经引起相关领域研究者的关注。其中偏标记(partial label learning)是一种重要的弱监督学习框架。在该框架下，每个对象的性质在输入空间由单个示例来描述，而在输出空间该示例与多个语义标记相关联，多个语义标记的集合构成候选标记集合(candidate label set)但其中只有一个标记为其真实标记。偏标记学习的这种学习场景在现实世界中具有广泛应用且作为一个比较新的概念，已经成功应用在计算机视觉，互联网，生态信息学等领域。比如：在医疗诊断中，医生有时可以排除病人患有某些疾病，但很难从若干相似的疾病中对病人进行确诊。现在偏标记学习已经引起机器学习相关领域的广泛关注。

偏标记学习的主要困难在于对象的真实标记隐藏在候选标记集合中且未知，解决这类问题最直观想法是对偏标记对象的候选标记给予消歧(disambiguation)，即消除候选标记中的伪标记。将现有的偏标记学习分为基于辨识(identification-based)和基于平均(averaging-based)的消歧。在单纯的自训练方法中，早期的错误标签预测可能会严重误导模型；并且由于自训练隐含了标签之间是互斥的假设，生成的错误标签会直接导致真正的标签信息完全没有被利用。为了解决这个问题，Lei Feng和Bo An提出了SURE (Self-Guided Retraining)方法，该方法采用无穷范数求解最优的标签分布。但该方法没有考虑到样本的局部特性，并且无穷范数的求解过于复杂。为了克服以上不足，本发明提出了基于L_2,1偏标记学习方法，并成功应用在年龄估计上。

发明内容