计算机专科毕业论文哪里有？在对面部纹理特征和几何特征进行研究的基础上，本文提出了将面部几何特征和面部纹理特征相结合的面部年龄预测方法。 首先，对纹理特征处理进行了研究，在灰度共生矩阵基础上，通过掩膜对 FG-NET 数据集图像进行了处理，提取面部纹理特征，经过处理后的面部特征更容易被识别，相对于原图像来说视觉效果更佳。
第 1 章 绪论
1.2 国内外发展现状
随着智能科技的发展，人们利用科技享有更加舒适、便利的生活，年龄是人的重要特征，如何针对不同年龄群体进行更优质的服务，如何对年龄进行预测是人们关注的热点话题。一般来说，面部年龄预测系统由两个关键模块组成：（1）如何表示面部图像；（2）如何根据表示来估计其年龄。研究人员对年龄预测技术进行了详细的研究。
Sawant M M 和 Bhurchandi K 提出了一个新的层次高斯过程框架的自动年龄估计。它由多类高斯过程分类器组成，将输入图像分为不同的年龄组，然后用翘曲高斯过程回归建立特定年龄组的老化模式。在回归阶段分别调整每个年龄组的超参数。与单层高斯过程年龄估计方法相比，他们的方法在两个层次上都是有效的。他们在回归阶段，通过重叠相邻年龄范围来补偿组边界处的错误分类 [1]。Liu K H 和 Liu T J 提出了一个四阶段融合的人脸年龄估计框架。该框架从性别识别开始，进入第二阶段，即性别年龄分组，然后进入第三阶段，即年龄组内的年龄估计，最后进入融合阶段[2]。Metsaniitty M 等人采用性别特异性贝叶斯年龄估计模型，以 PT与 TM 相结合的方法，拟合年龄条件下各阶段的多变量分布[3]。Rahman S A 和Adjeroh D A 引入了基于质心的方法，使用了年龄邻域的概念 [4]。Lou Z Y 等人通过引入一个新的图形模型，在年龄表达式标签和特征之间加入一个潜在层，来联合学习年龄和表达式。这一层的目的是了解年龄和表情之间的关系，捕捉导致年龄和表情出现的面部变化进行年龄估计[5]。Kang J S 等人提出使用深度 ResN et-152 卷积神经网络进行年龄估计，该网络对可见光相机传感器的各种光学和运动模糊效果具有鲁棒性[6]。
Baskaran M 和 Kalpana R 提出了一种基于支持向量回归（SVR）策略的年龄自动计算框架，重点介绍了基于灰度共生矩阵（GLCM）的特征提取和基于主动外观模型（AAMs）的年龄自动计算方法，为了减小年龄估计中的误差，提出了一种融合特征技术和基于 SVR 搜索算法[7]。Agbo-Ajala O 和 Viriri S 讨论了目前流行的用于年龄估计的卷积神经网络结构，对一些深度学习模型在面部老化数据集上的性能进行了分析，并研究了用于性能评估的标准评估指标[8]。Zighem M E N 等人提出了一种完整的基于人口分类的年龄估计方法。该方法包括三个主要部分：（1）自动人脸检测和对齐，只提取感兴趣的区域。（2）基于多层人脸表示的人脸区域特征提取。（3）两阶段年龄估计（TSE）。TSE 的主要思想是将输入的人脸图像分类为一个人口统计类，然后在确定的人口统计类中估计年龄[9]。
计算机专科毕业论文范文
...............................
第 3 章 面部特征定义和提取的相关方法与研究
3.1 纹理特征
3.1.1 纹理特征应用
图像特征是从图像中提取的，用来描述其视觉内容的统计度量，已用于许多应用中，包括遥感，医学图像分析，工业检查和文档图像处理。由于纹理特征的有效性，它经常被用来描述图像的视觉内容。它已在图像分类，检索和分割的各种应用中得到了广泛的应用。纹理是指具有同质性且不是由一种颜色或强度引起的视觉图案。纹理特征的提取及其应用一直属于活跃领域。在本文中，我们对灰度共生矩阵技术进行研究，提取了面部图像纹理信息。研究人员对如何提高纹理特征技术进行了充分的研究。
基于特征选择的面部年龄估计方法，从几何角度来看，通常可以将面部图像看作是从嵌入原始高维特征空间的低维流形采样而来的，首先测量每个特征，分别保留面部图像的基础局部结构信息和顺序信息，然后保留这两种特征的低维老化表示。为了进一步提高性能，最后，研究员将所有这些问题公式化为一个统一的优化问题，类似于格式上的线性判别分析[68]。处理小区域和不规则区域的后处理方法，首先对区域分割，然后利用非抽样小波变换从每个区域提取纹理特征；第三，利用支持向量机对数据集人脸图像进行分类[69]。利用纹理特征的表示方法，以改善人脸图像的分类。对 FERET 和 CK+数据集中的人脸图像进行多标签聚类分类，纹理表示方法对基于聚类的人脸图像多标签分类方法进行了改进[70]。利用灰度共生矩阵（GLCM）进行活体皮肤电容成像分析，利用电容式指纹传感器采集活体皮肤电容图像，用 GLCM 进行分析，选取四种不同的 GLCM 特征向量。GLCM 是一种提取和分析皮肤纹理信息的有效方法，对医疗美容效果的评价具有潜在的参考价值[71]。
.....................
第 4 章 基于面部特征点和纹理特征的年龄预测方法
4.1 面部特征点和纹理特征相结合的年龄预测方法设计
基于面部特征的年龄预测技术流程：一是选取适用于该研究年龄预测的数据集，我们选取了 FG-NET 数据集，该数据集年龄跨度大，非常适合年龄预测的研究；二是对 FG-NET 数据集图像进行特征提取；三是将得到的纹理特征数据集和面部关键特征点数据集进行标准化处理，并基于标准化后的数据对年龄进行回归预测。本研究整个年龄预测流程如图 4.1 所示。
图 4.1 本文设计的面部年龄预测流程图
..........................
4.2 几何特征提取
近年来用于估计面部年龄的技术取得了飞跃式发展，面部年龄预测的算法和数据也日益完善。面部年龄预测也可以通过研究面部几何特征变化来完成，随着年龄的增加，面部几何特征也在发生着改变，我们通过研究面部特征点来进行年龄预测。
如图 4.2 所示为面部特征点识别流程，图 4.3 为面部特征点标注图。对于 FG-NE 数据集面部图像的面部特征点检测使用了 Chehra 模型，通过对面部特征点研究，得到的面部特征点如图 4.4 所示的。图 4.4 为 FG-NET 数据集其中一张面部特征点标注图像，图 4.5 为 FG-NET 数据集所有图像特征点标注图像。
我们利用灰度共生矩阵相似原理对 FG-NET 数据集图像进行了纹理特征处理，经过处理后的面部特征更容易被识别，相对于原图像来说视觉效果更佳。本研究利用纹理特征获得了比原数据集图像更好的视觉效果，纹理特征的提取所采用的技术方案是，首先使用 FG-NET 数据集人脸图像对图像进行预处理操作，利用自行编写的程序自动处理 FG-NET 数据集图像，进行灰度化处理，然后加以掩膜处理，最终得到面部图像的纹理特征。
..............................
第 5 章 总结与展望
5.2 展望
随着计算机的飞速发展，人们的生活模式带来了巨大的转变，智能化产品层出不穷，生活越来越便利，基于人机交互应用越来越多，现已应用于各个领域。生物识别技术为了能够提供更高质量的服务、更高品质的生活而不断进步。年龄是人重要特性之一，不同的年龄会有不一样的权利，义务，认知，喜好和行为能力。年龄预测在现实生活中也得到了广泛应用，可以通过年龄预测锁定犯罪嫌疑人年龄范围，通过确定年龄区间，减少了人像搜索时间，提高了人像搜索速度，有效保障人们的安全。在现实生活中基于面部特征的年龄预测应用广泛，比如基于年龄进行信息推送、设置用户使用模式以及对老弱群体的特殊照顾，防止未成年人购买烟酒，娱乐游戏里的儿童模式，人机交互，生物识别等等，在为人们服务的同时也带了巨大的经济效益。年龄预测技术更加方便人们的生活，丰富我们的休闲娱乐方式，同时全球人口数量巨大，年龄预测技术具有很大的发展前景。
其中面部年龄预测技术也在很多方面得以应用，并且年龄预测技术也在生活中得到了广泛应用，但是随着信息技术的不断更新，我们要持续学习相关技术，改进现有技术的不足，伴随着相关技术的发展，面部年龄预测仍有进步空间，我们在此仅以本文研究的面部年龄预测相关领域进行研究，在此研究领域下有以下几个需要改进的方向：
（1）现在年龄数据集的准确性是年龄预测的一个问题。
（2）年龄预测中最重要的环节是特征提取和分类，如何找到良好的特征提取模型和分类器是提高分类准确率的关键。
（3）由于每个人的成长环境的独特性，给面部年龄预测带来了难度。
（4）由于数据集较大，所占用的内存也会非常大，运行程序时会使电脑变得卡，运行速度过慢，需要很久的时间进行训练，如何提高执行的速度也是实际应用中很重要的环节。
参考文献（略）
