本發(fā)明涉及計算機視覺和機器學習技術領域，特別涉及一種亞裔人臉的年齡特征模型生成方法及年齡估計方法。

背景技術：

人臉作為一個對計算機來說識別和分析都非常困難的物體，從20世紀90年代開始就引起了研究者們的廣泛關注。而成功有效的人臉年齡估計在智能監(jiān)控，視頻索引以及人口信息統(tǒng)計等領域又存在著巨大的應用前景。人臉年齡估計的平均絕對誤差是其關鍵性指標。

與人臉性別識別或者人臉表情識別等問題相比，人臉年齡估計問題本身是一個復雜而困難的問題，即使是用人眼進行判斷，也很難僅基于臉部信息準確估計一個人的年齡，而人眼卻很容易判斷一個人的性別或表情。故該研究領域的發(fā)展一直較為緩慢。

現(xiàn)有人臉年齡估計方法主要針對歐美人臉，而這些方法在亞裔人臉識別上效果都不太好。這是因為該領域研究者在進行方法設計、特征提取、測試等環(huán)節(jié)中，使用的都是國外的公共數(shù)據(jù)集，這些數(shù)據(jù)集均由歐美人臉數(shù)據(jù)組成；因此基于這些公共數(shù)據(jù)集提出的方法用在歐美人臉的年齡估計上效果非常好，但是用在亞裔人臉的分析上，效果就會出現(xiàn)明顯下降。而且歐美人的人臉輪廓一般要大于亞裔人的人臉輪廓，而亞裔人臉的局部細微變化更多，也即局部區(qū)域信息更豐富，所以現(xiàn)有方法并不能很好的捕捉并描述這些信息。

技術實現(xiàn)要素：

本發(fā)明的目的在于克服目前亞裔人臉年齡估計方法存在的上述缺陷，通過深入分析亞裔人臉的特點，提出一種亞裔人臉的年齡特征模型生成方法；該方法通過提取人臉的紋差圖特征，可以提取到人臉重要器官區(qū)域和人臉皺紋區(qū)域的特征信息，通過圖像差分、尺寸縮減、分塊取最大值等操作進一步強化特征，最終得到對年齡估計敏感的特征；從而生成亞裔人臉的年齡特征模型；基于該模型，本發(fā)明還提供了一種亞裔人臉的年齡估計方法，能夠實現(xiàn)對年齡的精確估計。

為了實現(xiàn)上述目的，本發(fā)明提供了一種亞裔人臉的年齡特征模型的生成方法，所述方法包括：

步驟S1)提取訓練集中每張人臉圖片的紋差特征圖，從而得到每張人臉圖片的原始特征向量F(z_i)；

步驟S2)確定原始特征向量F(z_i)的降維維度，基于主成分分析法對第i張訓練圖片的原始特征向量F(z_i)進行降維，得到降維后的特征向量F_D(z_i)；

步驟S3)基于支持向量機回歸算法對降維后的特征向量F_D(z_i)進行訓練生成年齡特征模型。

上述技術方案中，所述步驟S1)具體包括：

步驟S1-1)對人臉圖片進行預處理，得到60×60像素大小的原始人臉圖像；

步驟S1-2)基于局部二值模式算子對步驟S1-1)得到的原始人臉圖像進行編碼計算，得到局部二值模式編碼圖像；

步驟S1-3)分別對原始人臉圖像和局部二值模式編碼圖像進行Gabor小波變換，得到兩組Gabor響應圖像簇；

步驟S1-4)對兩組Gabor響應圖像簇中圖像作圖像差分運算，得到差分圖像簇{DOT(z_i)}；

步驟S1-5)對差分圖像簇中的圖像進行尺度縮減操作，得到圖像數(shù)量減半的新的差分圖像簇{DOT′(z_i)}；

步驟S1-6)對新的差分圖像簇{DOT′(z_i)}中的圖像進行最大池化操作，得到紋差特征圖FM(z_i)；

步驟S1-7)將步驟S1-6)得到的紋差特征圖FM(z_i)由二維圖結構的形式轉化為向量的形式，再對向量進行歸一化，得到每一張訓練圖片的原始特征向量F(z_i)。

上述技術方案中，所述步驟S1-1)具體包括：

步驟S1-1-1)對人臉圖片進行圖像灰度化處理：

遍歷面部圖像，對每一個像素點進行處理，得到每個像素的RGB值，通過運算分別提取出紅、藍、綠的值，根據(jù)人眼對紅藍綠三種顏色的敏感程度不同，最佳灰度轉換公式為：

Grey＝(9798R+19235G+3735B)/32768

其中Grey代表轉換后的灰度值，R、G、B分別代表圖像中每一個像素點的紅色分量、綠色分量和藍色分量；

步驟S1-1-2)采用雙線性插值法將灰度化圖像大小調整至60×60；

步驟S1-1-3)對調整大小后的圖像進行增強：

利用直方圖的統(tǒng)計數(shù)據(jù)進行圖像直方圖的修改，通過調整圖像各灰度級別像素出現(xiàn)概率相等來改變圖像中各灰度級別的像素值，從而實現(xiàn)圖像增強；

步驟S1-1-4)對增強后的圖像提取圖像像素矩陣，得到原始人臉圖像。

上述技術方案中，所述步驟S1-3)具體包括：

步驟S1-3-1)對步驟S1-1)得到的原始人臉圖像進行Gabor小波變換：

取p個不同的方向和q個不同尺度的Gabor濾波器對原始人臉圖像進行處理，得到一組p×q張Gabor響應圖像簇{Gabor-I(z_i)}；其中z_i(i＝1…L)表示訓練集中第i張圖片；

步驟S1-3-2)對步驟S1-2)中得到的LBP編碼圖像進行Gabor小波變換：取p個不同的方向和q個不同尺度的Gabor濾波器對LBP編碼圖像進行處理，得到一組p×q張Gabor響應圖像簇{Gabor-L(z_i)}。

上述技術方案中，所述步驟S1-4)的具體實現(xiàn)過程為：

對兩組Gabor響應圖像簇中圖像作圖像差分運算，得到差分圖像簇：

{DOT(z_i)}＝|{Gabor-I(z_i)}-{Gabor-L(z_i)}|

其中，{DOT(z_i)}表示訓練集中第i張圖片z_i的差分圖像簇；{Gabor-I(z_i)}中任意一張圖像Gabor-I(z_i)_k，由原始人臉圖像經(jīng)過尺度為m×m(m為整數(shù))、方向為D的Gabor濾波器處理得到，在{Gabor-L(z_i)}中存在對應圖像Gabor-L(z_i)_k，該圖像由LBP編碼圖像經(jīng)過同樣的尺度為m×m、方向為D的Gabor濾波器處理得到。

則對應的差分圖像DOT(z_i)_k由下式得到：

DOT(z_i)_k＝|Gabor-I(z_i)_kΔGabor-L(z_i)_k|

其中“Δ”表示兩張圖像對應像素一一相減，“||”表示取絕對值。

這樣，對兩組圖像中的每兩張對應的圖像做差分運算，即可得到差分圖像簇{DOT(z_i)}；{DOT(z_i)}中包含p×q張圖像。

上述技術方案中，所述步驟S1-5)具體包括：

步驟S1-5-1)將差分圖像簇{DOT(z_i)}中p×q張圖像按照每相鄰兩個尺度的濾波器對應的2q張圖像劃分為一個帶，總共得到p/2個帶；

步驟S1-5-2)在每個帶中，將圖片劃分為q組，每組兩張圖片，這兩張圖片對應相同的方向，尺度不同，假設為和對其進行如下操作：

其中，DOT′(z_i)_k表示新的差分圖像簇中的第k張圖像，“Max()”函數(shù)表示在兩張圖像中，相同位置對應的兩個像素點中取最大值作為新的像素值，構成一張新的圖像。

上述技術方案中，所述步驟S1-6)具體包括：

步驟S1-6-1)對新的差分圖像簇{DOT′(z_i)}中的圖像，構成像素矩陣M；

原始人臉圖像大小為x×y像素大小，{DOT′(z_i)}中共有(p/2×q)張圖片，那么按一定順序排列，{DOT′(z_i)}所有圖像構成一個大小為(xp/2×yq)的像素矩陣M；

步驟S1-6-2)構建訓練圖片的紋差特征圖FM(z_i)對應的矩陣S；

將矩陣M劃分為不重疊的2×2大小的小塊，每個小塊中的4個元素取最大值構成一個新的矩陣S，該矩陣S即為訓練圖片的紋差特征圖FM(z_i)。

上述技術方案中，所述步驟S2)具體包括：

步驟S2-1)將原始特征向量F(z_i)的維度d劃分為n等分，確定新維度d'的取值范圍；

原始特征向量F(z_i)的維度為d，將d的取值劃分為n等份，取值集合如下：

其中，表示整數(shù)取整運算；

設降維后的得到特征為F_D(z_i)，則其維度d'分別取這n個值：

步驟S2-2)d'依次取集合中的每個值，計算訓練集所有圖片對應的年齡估計平均絕對誤差集合{MAE_m}；

對訓練集中的L張圖片，計算當d'取集合中的每個值時，訓練集所有圖片對應的年齡估計平均絕對誤差如下：

其中，j表示訓練集中第j張圖片，k表示d'取集合中第k個值，即l_j表示訓練集中第j張圖片對應的真實年齡，表示訓練集中第j張圖片的年齡估計值；最終可以得到不同MAE值集合{MAE_m}其中m∈1,2,...,n；

步驟S2-3)取集合{MAE_m}中最小值MAE_min，以MAE_min對應的d'作為最終的降維維度；

步驟S2-4)基于步驟S2-3)得到的d'，利用主成分分析法對每張訓練圖片的原始特征向量F(z_i)進行降維，得到降維后的特征向量F_D(z_i)。

上述技術方案中，所述步驟S3)具體包括：

步驟S3-1)基于支持向量機回歸算法構建最優(yōu)化問題；

假設訓練集樣本為{x⁽ⁱ⁾,y⁽ⁱ⁾}(i＝1,2,...,m),x⁽ⁱ⁾表示每張訓練圖片降維后的特征向量F_D(z_i)，y⁽ⁱ⁾表示該訓練圖片對應的真實年齡，總共有L個樣本；假設樣本維數(shù)為D，則支持向量機回歸的目標即是求解預測函數(shù)f(x)，使f(x⁽ⁱ⁾)與y⁽ⁱ⁾之間的差值不大于ε，ε是一個極小的數(shù)，控制著實際標簽值與預測估計值之間的最大誤差；最優(yōu)化問題為：

f(x)＝w·x+b

步驟S3-2)利用拉格朗日乘子法對最優(yōu)化求解問題進行轉化，轉換為對其對偶問題進行求解，得到預測函數(shù)f(x)的表達式；

步驟S3-3)所述年齡特征模型為預測函數(shù)f(x)。

基于上述的亞裔人臉的年齡特征模型，本發(fā)明還提供了一種亞裔人臉的年齡估計方法，所述方法包括：

步驟T1)提取待估計年齡的亞裔人臉圖片的紋差特征圖，從而得到人臉圖片的原始特征向量F(z)；

步驟T2)確定原始特征向量F(z)的降維維度，基于主成分分析法對原始特征向量F(z)進行降維，得到降維后的特征向量F_D(z)；

步驟T3)將步驟T2)得到的特征向量F_D(z)輸入到步驟S3)生成的年齡特征模型中的預測函數(shù)f(x)，計算出待估計年齡的亞裔人臉的預測年齡

本發(fā)明的方法優(yōu)點在于：

1、本發(fā)明的方法可應用在安全監(jiān)控、視頻索引和人口信息統(tǒng)計等諸多場合；

2、本發(fā)明提出的年齡特征模型基于人臉重要器官區(qū)域和人臉皺紋區(qū)域提取特征，更關注人臉局部區(qū)域的信息及它們之間的相關性，確保特征中包含有足夠的對年齡估計敏感的信息；

3、本發(fā)明提出的年齡特征模型是一種有效的特征提取模型，適用于人臉年齡估計；年齡特征模型結合SVR回歸算法實現(xiàn)亞裔人臉年齡估計時可得到更低的誤差，滿足實際應用場景需要。

附圖說明

圖1為本發(fā)明的年齡特征模型生成方法的流程圖。

具體實施方式

下面對本發(fā)明涉及的技術概念進行簡要的介紹。

局部二值模式(Local Binary Pattern，LBP)方法是人臉相關研究領域較為常用方法。LBP圖像編碼定義為在3×3的窗口內，以窗口中心像素為閾值，將相鄰的8個像素的灰度值與其進行比較，若周圍像素值大于中心像素值，則該像素點的位置被標記為1，否則為0。這樣，3×3鄰域內的8個點經(jīng)比較可產生8位二進制數(shù)(通常轉換為十進制數(shù)即LBP碼，共256種)，即得到該窗口中心像素點的LBP值，并用這個值來反映該區(qū)域的紋理信息。

Gabor小波被廣泛應用于圖像識別、圖像處理領域，在模式識別領域中，Gabor小波變換也是一種非常有效的特征描述子。在空域，一個2維的Gabor濾波器是一個正弦平面波和高斯核函數(shù)的乘積，具有在空間域和頻率域同時取得最優(yōu)局部化的特性，與人類生物視覺特性很相似，因此能夠很好地描述對應于空間頻率(尺度)、空間位置及方向選擇性的局部結構信息。實質上，Gabor小波變換是為了提取信號Fourier變換的局部信息，使用了一個Gauss函數(shù)作為窗函數(shù)，因為一個Gauss函數(shù)的Fourier變換還是一個Gauss函數(shù)，所以Fourier逆變換也是局部的。通過頻率參數(shù)和高斯函數(shù)參數(shù)的選取，Gabor變換可以選取很多部位的特征信息。輸入人臉圖像經(jīng)過Gabor小波變換后，可得到一組Gabor小波響應圖像簇。

主成分分析(Principal Component Analysis，PCA)降維方法的原理為去除原始數(shù)據(jù)中各數(shù)據(jù)分量間的相關關系，去除冗余信息，保留最主要的成分。PCA計算原始數(shù)據(jù)協(xié)方差矩陣中最大的幾個特征值所對應的特征向量并得到對應的子空間，將特征向量投影到該子空間以達到用較少數(shù)量的特征對樣本空間進行描述的目的。支持向量機在解決分類問題時(通常是二分類問題)，是基于結構風險最小化的準則尋找一個最優(yōu)分類超平面，將樣本一分為二，達到不同類別間具有最大的類間間隔。分類問題中常用離散的整數(shù)值表示樣本的類別，與分類問題不同，回歸問題中的每個樣本的標簽是連續(xù)的實數(shù)。故支持向量機回歸(Support Vector Regression，SVR)旨在尋找一個超平面，能夠準確預測樣本的分布，近似樣本數(shù)據(jù)。

現(xiàn)結合附圖和具體實施例對本發(fā)明做進一步的描述。

如圖1所示，一種亞裔人臉的年齡特征模型的生成方法，所述方法包括：

步驟S1)提取訓練集中每張人臉圖片的紋差特征圖(Feature Map of Difference of Texture，F(xiàn)MDT)，從而得到每張人臉圖片的原始特征向量；具體包括：

步驟S1-1)對人臉圖片進行預處理，得到60×60像素大小的原始人臉圖像；具體包括：

步驟S1-1-1)對人臉圖片進行圖像灰度化處理：

遍歷面部圖像，對每一個像素點進行處理，得到每個像素的RGB值，通過運算分別提取出紅、藍、綠的值，根據(jù)人眼對紅藍綠三種顏色的敏感程度不同，最佳灰度轉換公式為：

Grey＝(9798R+19235G+3735B)/32768

其中Grey代表轉換后的灰度值，R、G、B分別代表圖像中每一個像素點的紅色分量、綠色分量和藍色分量；

步驟S1-1-2)采用雙線性插值法將灰度化圖像大小調整至60×60；

步驟S1-1-3)對調整大小后的圖像進行增強：

利用直方圖的統(tǒng)計數(shù)據(jù)進行圖像直方圖的修改，通過調整圖像各灰度級別像素出現(xiàn)概率相等來改變圖像中各灰度級別的像素值，從而實現(xiàn)圖像增強；

步驟S1-1-4)對增強后的圖像提取圖像像素矩陣，得到原始人臉圖像；

步驟S1-2)基于LBP算子對步驟S1-1)得到的原始人臉圖像進行編碼計算，得到LBP編碼圖像；

步驟S1-3)分別對原始人臉圖像和LBP編碼圖像進行Gabor小波變換；具體包括：

步驟S1-3-1)對步驟S1-1)得到的原始人臉圖像進行Gabor小波變換：

取p個不同的方向和q個不同尺度的Gabor濾波器對原始人臉圖像進行處理，得到一組p×q張Gabor響應圖像簇{Gabor-I(z_i)}；其中z_i表示訓練集中第i張圖片；

步驟S1-3-2)對步驟S1-2)中得到的LBP編碼圖像進行Gabor小波變換：

取p個不同的方向和q個不同尺度的Gabor濾波器對LBP編碼圖像進行處理，得到一組p×q張Gabor響應圖像簇{Gabor-L(z_i)}。

步驟S1-4)對兩組Gabor響應圖像簇中圖像作圖像差分運算，得到差分圖像簇：

{DOT(z_i)}＝|{Gabor-I(z_i)}-{Gabor-L(z_i)}| (1)

其中，{DOT(z_i)}表示訓練集中第i張圖片z_i的差分圖像簇；{Gabor-I(z_i)}中任意一張圖像Gabor-I(z_i)_k，由原始人臉圖像經(jīng)過尺度為m×m(m為整數(shù))、方向為D的Gabor濾波器處理得到，在{Gabor-L(z_i)}中存在對應圖像Gabor-L(z_i)_k，該圖像由LBP編碼圖像經(jīng)過同樣的尺度為m×m、方向為D的Gabor濾波器處理得到。

則對應的差分圖像DOT(z_i)_k由下式得到：

DOT(z_i)_k＝|Gabor-I(z_i)_kΔGabor-L(z_i)_k| (2)

其中“Δ”表示兩張圖像對應像素一一相減，“||”表示取絕對值。

這樣，對兩組圖像中的每兩張對應的圖像做差分運算，即可得到差分圖像簇{DOT(z_i)}；{DOT(z_i)}中仍然包含p×q張圖像。

步驟S1-5)對差分圖像簇中的圖像進行尺度縮減操作，得到圖像數(shù)量減半的新的差分圖像簇{DOT′(z_i)}；具體包括：

步驟S1-5-1)將差分圖像簇{DOT(z_i)}中p×q張圖像按照每相鄰兩個尺度的濾波器對應的2q張圖像劃分為一個帶，這樣總共得到p/2個帶；

步驟S1-5-2)在每個帶中，將圖片劃分為q組，每組兩張圖片，這兩張圖片對應相同的方向，尺度不同，假設為和對其進行如下操作：

其中，DOT′(z_i)_k表示新的差分圖像簇中的某張圖像，“Max()”函數(shù)表示在兩張圖像中，相同位置對應的兩個像素點中取最大值作為新的像素值，構成一張新的圖像；

步驟S1-6)對新的差分圖像簇{DOT′(z_i)}中的圖像，進行最大池化(MAX-pooling) 操作，得到紋差特征圖FM(z_i)；具體包括：

步驟S1-6-1)對新的差分圖像簇{DOT′(z_i)}中的圖像，構成像素矩陣M；

原始人臉圖像大小為x×y像素大小，{DOT′(z_i)}中共有(p/2×q)張圖片，那么按一定順序排列，{DOT′(z_i)}所有圖像構成一個大小為(xp/2×yq)的像素矩陣M；

步驟S1-6-2)構建訓練圖片的紋差特征圖FM(z_i)對應的矩陣S；

將矩陣M劃分為不重疊的2×2大小的小塊，每個小塊中的4個元素取最大值構成一個新的矩陣S，該矩陣S即為訓練圖片的紋差特征圖FM(z_i)；

步驟S1-7)將步驟S1-6)得到的紋差特征圖FM(z_i)由二維圖結構的形式轉化為向量的形式，再對向量進行歸一化，得到每一張訓練圖片的原始特征向量F(z_i)。

步驟S2)確定原始特征向量F(z_i)的降維維度，基于主成分分析法(Principal Component Analysis,，PCA)對每張訓練圖片的原始特征向量F(z_i)進行降維；具體包括：

步驟S2-1)將原始特征向量F(z_i)的維度d劃分為n等分，確定新維度d'的取值范圍；

原始特征向量F(z_i)的維度為d，將d的取值劃分為n等份，取值集合如下：

其中，表示整數(shù)取整運算；

設降維后的得到特征為F_D(z_i)，則其維度d'分別取這n個值：

步驟S2-2)d'依次取集合中的每個值，計算訓練集所有圖片對應的年齡估計平均絕對誤差集合{MAE_m}；

對訓練集中的L張圖片，計算當d'取集合中的每個值時，訓練集所有圖片對應的年齡估計平均絕對誤差如下：

其中，j表示訓練集中第j張圖片，k表示d'取集合中第k個值，即l_j表示訓練集中第j張圖片對應的真實年齡，表示訓練集中第j張圖片的年齡估計值；最終可以得到不同MAE值集合{MAE_m}其中m∈1,2,...,n。

步驟S2-3)取集合{MAE_m}中最小值MAE_min，以MAE_min對應的d'作為最終的降維維度；

步驟S2-4)基于步驟S2-3)得到的d'，利用主成分分析法(Principal Component Analysis，PCA)對每張訓練圖片的原始特征向量F(z_i)進行降維，得到降維后的特征向量F_D(z_i)；

步驟S3)基于支持向量機回歸算法(Support Vector Regression，SVR)對降維后的特征F_D(z_i)進行訓練生成年齡特征模型；具體包括如下步驟：

步驟S3-1)基于支持向量機回歸算法構建最優(yōu)化問題；

假設訓練集樣本為{x⁽ⁱ⁾,y⁽ⁱ⁾}(i＝1,2,...,m)，x⁽ⁱ⁾表示每張訓練圖片降維后的特征向量F_D(z_i)，y⁽ⁱ⁾表示該訓練圖片對應的真實年齡，總共有L個樣本。假設樣本維數(shù)為D，則SVR的目標即是求解預測函數(shù)f(x)，使f(x⁽ⁱ⁾)與y⁽ⁱ⁾之間的差值不大于ε，ε是一個極小的數(shù)，控制著實際標簽值與預測估計值之間的最大誤差。那么，f(x)的定義如下：

f(x)＝w·x+b

(5)

其中，“·”表示向量內積；求解的w應使||w||²最??；一般稱該超平面模型為ε-SVR；那么ε-SVR的最優(yōu)化求解問題可表示為如下公式：

(6)

s.t.|w·x⁽ⁱ⁾+b-y⁽ⁱ⁾|≤ε,i∈(1,2,...,m)

SVR引進懲罰系數(shù)和松弛變量來進行調節(jié)：

s.t.w·x⁽ⁱ⁾+b-y⁽ⁱ⁾≤ε+ξ_i (7)

y⁽ⁱ⁾-w·x⁽ⁱ⁾-b≤ε+ξ_i^*

ξ_i,ξ_i^*≥0,i＝1,2,...,m

其中，

表示損失函數(shù)；

在本實施例中，設定SVR參數(shù)中的懲罰系數(shù)C＝128，學習參數(shù)g＝0.1，采用RBF(徑向高斯基)核函數(shù)進行訓練；

步驟S3-2)利用拉格朗日乘子法對最優(yōu)化求解問題進行轉化，轉換為對其對偶問題進行求解，得到預測函數(shù)f(x)的表達式；

引入如下拉格朗日函數(shù)：

其中表示α_i和表示η_i和而α_i、η_i以及均為拉格朗日乘子。公式(9)的求解屬于凸二次規(guī)劃問題范疇，通過先求解L(w,α,η,b)函數(shù)對w,b,ξ的最小值轉化，則求解滿足L(w,α,η,b)函數(shù)對w,b,ξ的偏導分別為0的“鞍點”：

可得到帶回公式(9)中可得：

這樣，求解公式(9)的最優(yōu)解問題轉化為以下對偶問題的求解：

這樣，就將問題轉化為只包含一個α參數(shù)的最優(yōu)化問題，得到α的值后便可求出相應的w，最終的f(x)為：

根據(jù)KKT條件，SVR的對偶問題只有滿足以下條件時，對偶問題的解才等價于原問題的解：

α_i(ε+ξ_i-y⁽ⁱ⁾+w·x+b)＝0

(C-α_i)ξ_i＝0 (14)

可看出當α_i＝C時，ξ_i才不等于0，此時樣本點會落在ε(即離群點)，則：

ε-y⁽ⁱ⁾+w·x+b≥0,ξ_i＝0 ifα_i＜C

(15)

ε-y⁽ⁱ⁾+w·x+b＜0,ifα_i＞0

那么b的取值滿足：

≤b≤ (16)

由KKT條件還可看出，對于|f(x)-y⁽ⁱ⁾|＝ε+ξ_i^(*)的樣本點，其對應的才不等于0；這些樣本點即支持向量。

當核函數(shù)為K(x⁽ⁱ⁾,x)時，預測函數(shù)f(x)變?yōu)椋?/p>

訓練得到SVR模型后，只有支持向量對應的點決定著回歸的預測值。

步驟S3-3)所述年齡特征模型為預測函數(shù)f(x)。

基于上述方法生成的亞裔人臉的年齡特征模型，本發(fā)明還提供了一種亞裔人臉的年齡估計方法，所述方法包括：

步驟T1)提取待估計年齡的亞裔人臉圖片的紋差特征圖，從而得到人臉圖片的原始特征向量F(z)；

步驟T2)確定原始特征向量F(z)的降維維度，基于主成分分析法對原始特征向量F(z)進行降維，得到降維后的特征向量F_D(z)；

步驟T3)將步驟T2)得到的特征向量F_D(z)輸入到步驟S3)生成的年齡特征模型中的預測函數(shù)f(x)，計算出待估計年齡的亞裔人臉的預測年齡。

最后所應說明的是，以上實施例僅用以說明本發(fā)明的技術方案而非限制。盡管參照實施例對本發(fā)明進行了詳細說明，本領域的普通技術人員應當理解，對本發(fā)明的技術方案進行修改或者等同替換，都不脫離本發(fā)明技術方案的精神和范圍，其均應涵蓋在本發(fā)明的權利要求范圍當中。