笔记：基于回归分析的人脸年龄预测研究

阅读论文：https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDLAST2021&filename=BJJZ202004014&v=p%25mmd2BzA6n7lbvEFFsP9xclkvbkVxUv4LFIxLzKLUsYeE%25mmd2F2IWyxAROFHknMzmgZuMo%25mmd2Fz

1. 基本信息

基于回归分析的人脸年龄预测研究，张德 哈曼，2020，北京建筑大学学报。
关键词：年龄估计； 支持向量机； 人脸属性； 人脸年龄

2. 核心内容

A. 本文进行了基于人脸图像的年龄预测研究，采用主成分分析法（PCA）提取人脸特征，然后使用支持向量机回归的方法（SVR）进行训练和测试，在公开的人脸图像数据集FG-NET上进行实验，并跟经典的回归模型进行比较。
B. 实验结果表明，通过和其他回归方法的比较，支持向量机回归方法可以获得更低的年龄预测误差，可以给出更好的人脸年龄预测结果。
C. 年龄预测准确性的衡量标准：平均绝对误差(ＭAＥ)和累积分数(CＳ)。

3. 图标公式

* 预测流程

预处理：人脸几何归一化和灰度归一化（使用图像直方图均衡化）； 特征提取：ＰＣＡ方法（降维）； 模型训练：支持向量机回归方法;

* ＰＣＡ方法的计算过程

ＰＣＡ 方法的计算过程（归一化后的图像大小是 m*n）:
# xi表示第i个图像样本向量,每个xi都是Ｎ维列向量

* ＳＶＲ方法的计算过程

* 结果比较

4. 补充说明

SVM vs SVR：SVM是一种常用的分类算法，也可以用于回归，SVR与SVM的区别在于，SVM使到超平面最近的样本点的距离最大，SVR是使到超平面最远的样本点的距离最小，超平面的划分可由法向量ｗ和位移ｂ确定。