Yüz Bölgelerinin Yaş Tahmini Başarımlarının Yaş Gruplarına Göre Değerlendirilmesi

Öz

Yaşlanma insanın yüz görünümünde büyük değişimlere neden olmaktadır. Yüzdeki yaşlanma etkileri kişiden kişiye farklılık göstermekte ve pek çok faktörden etkilenmektedir. Bu nedenle yüzün farklı bölgelerinde bulunan yaşlanma etkilerinin belirlenmesi otomatik yaş tahmini sistemlerinin tasarımında önem taşımaktadır. Diğer yandan farklı yaş gruplarında yüz bölgelerindeki yaşlanma etkileri farklılık gösterebilir. Çalışmada Erik Erikson’un gelişim teorisine göre belirlenen yaş grupları için, yüzün çeşitli bölgelerinden (göz, burun, yanak, ağız-çene, ağız kenarı) 3 farklı histogram tabanlı doku tanımlayıcısı ile (Yerel İkili Örüntüler, Yerel Faz Kuantalama, Weber Yerel Tanımlayıcısı) öznitelikler çıkarılmıştır. Öznitelik vektörlerinin boyutu küçültüldükten sonra çoklu lineer regresyon ile yaş tahmini yapılmıştır. FGNET ve PAL veritabanlarında yapılan deneylerde farklı yaş gruplarında değişik bölgelerin daha etkin olduğu görülmüştür.

Anahtar Kelimeler

• Yaş tahmini,yaş grupları,Yerel İkili Örüntüler,Yerel Faz Kuantalama,Weber Yerel Tanımlayıcısı

Kaynakça

1. [1] Kwon, Y. H., Lobo, N. V. Age Classification from Facial Images, Computer Vision and Image Understanding, 74 (1):1-21, 1999
2. [2] Horng, W. B., Lee, C. P. and Chen, C. W., Classification of Age Groups Based on Facial Features, Tamkang Journal of Science and Engineering, 4(3):183-192, 2001.
3. [3] Geng, X., Wang, Q. and Xia, Y., Facial Age Estimation by Adaptive Label distribution Learning, IEEE 22nd International Conference on Pattern Recognition (ICPR 2014), 4465-4470, 2014.
4. [4] Dehshibi, M. M. and Bastanfard, A., A new algorithm for age recognition from facial images, Signal Processing, 90(8):2431-2444, 2010.
5. [5] Liu, L., Liu, J. and Cheng, J., Age-Group Classification of Facial Images, 11th International Conference on Machine Learning and Applications (ICMLA’12), 693-696, 2012.
6. [6] Weixing, L., Haijun, S., Feng, P., Qi, G. and Shaoyan, G., Facial Age Classification Based on Weighted Decision Fusion, Proceedings of the 33rd Chinese Control Conference, 4870-4874, 2014.
7. [7] Kalansuriya, T. R. and Dharmaratne, A. T., Facial Image Classification Based on Age and Gender, 2013 International Conference on Advances in ICT for Emerging Regions, 44-50, 2013.
8. [8] Sai, P. K., Wang, J. G. ve Teoh, E. K., Facial age range estimation with extreme learning machines, Neurocomputing, 149:364-372, 2015.

9. [9] Lanitis, A., Taylor, C. and Cootes, T., Toward Automatic Simulation of Aging Effects on Face Images, IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(4):442-455, 2002.
10. [10] Kohli, S., Prakash, S. and Gupta, P., Hierarchical age estimation with dissimilarity-based classification, Neurocomputing, 120:164-176, 2013.
11. [11] Chao, W. L., Liu, J. Z. and Ding, J. J., Facial age estimation based on label-sensitive learning and age oriented regression, Pattern Recognition, 43:628-641, 2013.
12. [12] Choi, S. E., Le, Y. J., Lee, S. J., Park, K. R. and Kim, J., Age estimation using a hierarchical classifier based on global and local facial features, Pattern Recognition, 44:1262-1281, 2011.
13. [13] Geng, X., Zhou, Z. H. and Miles, K. S., Automatic Age Estimation Based on Facial Aging Patterns, IEEE Transactions on Pattern Analysis and Machine Intelligence, 29(12):2234-2240, 2007.
14. [14] Fu, Y. and Huang, T. S., Human Age Estimation with Regression on Discriminative Aging Manifold, IEEE Transactions on Multimedia, 10(4):578-584, 2008.
15. [15] Guo, G., Fu, Y., Dyer, C. R. and Huang, T. S., Image-Based Human Age Estimation by Manifold Learning and Locally Adjusted Robust Regression, IEEE Transactions on Image Processing, 17(7):1178-1188, 2008.
16. [16] Chen, C., Yang, W., Wang, Y., Ricanek, K. and Luu, K., Facial Feature Fusion and Model Selection for Age Estimation, IEEE International Conference on Automatic Face & Gesture Recognition and Workshops (FG’11), 200-205, 2011.
17. [17] Guo, G., Mu, G., Fu, Y. and Huang, T. S., Human Age Estimation Using Bio-Inspired Features, Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 112-119, 2009.
18. [18] Liu, J., Ma, Y., Duan, L., Wang, F. and Liu, Y., Hybrid constraint SVR for facial age estimation, Signal Processing, 94:576-582, 2014.
19. [19] Lanitis, A., On the Significance of Different Facial Parts for Automatic Age Estimation, 14th International Conference on Digital Signal Processing, 2:1027-1030, 2002.
20. [20] El Dib, M. Y. and Onsi, H. M., Human age estimation framework using different facial parts, Egyptian Informatics Journal, 12(1):53-59, 2011.
21. [21] Erikson, E., 1968. Identity, Youth and Crisis, New York: Norton.
22. [22] Ojala, T., Pietika¨inen, M. and Ma¨enpa¨a¨, T., Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns, IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(7):971-987, 2002.
23. [23] Ojansivu, V. and Heikkila, J., Blur Insensitive Texture Classification Using Local Phase Quantization, Image and Signal Processing, 5099:236-243, 2008.
24. [24] Chen, J., Shan, S., Zhao, G., Pietikainen, M., Chen, X., and Gao, W., WLD: A Robust Local Image Descriptor, IEEE Transactions on Pattern Analysis and Machine Intelligence, 32(9):1705-1720, 2009.
25. [25] Günay, A. and Nabiyev, V. V., Facial Age Estimation Using Spatial Weber Local Descriptor, 39th International Conference on Telecommunications and Signal Processing (TSP 2016), 2016.
26. [26] FG-NET Aging Database, http://sting. cycollege.ac.cy/~alanitis/fgnetaging/2008.
27. [27] Minear, M. and Park, D. C., A lifespan database of adult stimuli, Behavior Research Methods, Instruments and Computers, 36(4):630-633, 2004.