67、人类面部短期衰老定量估计与3D神经模型下静止物体检测

人类面部短期衰老定量估计与3D神经模型下静止物体检测

人类面部短期衰老定量估计

在人类面部识别领域，面部外观会随时间发生变化，尤其是短期衰老带来的影响。如果不同个体面部随时间的变化范围能够被区分，那么就有可能将面部演变作为一种特征来对个体进行分类。

为了验证这一假设，研究人员对六种标准面部特征进行了分析，包括鼻子、眼睛、嘴巴、下巴、脸颊和鼻下区域。对于每个面部特征（或标志点）L，其随时间t的演变定义为：
[E(L, t) = \frac{1}{w_Lh_L}\sum_{(x,y)\in L}E(x, y, t)]
其中，(w_L)和(h_L)分别是特征L周围区域的宽度和高度，(E(x, y, t))是图像点的演变函数。

实验评估

为了分析短期衰老的影响及其意义，研究人员进行了两项实验。实验使用了1到4年时间跨度的面部图像序列，数据来源于公开的视频流，这些视频流的高时间采样率使得能够分析面部特征在短时间内的演变。而其他公开数据库，如MORPH和FG - NET数据库，由于包含的成人图像时间差异较大，不太适合本次分析。

实验使用了来自三个不同个体的三个视频序列S1、S2和S3，图像分辨率均为352x240像素。S1、S2和S3分别覆盖了4年、3年和1年的时间跨度。面部图像大致居中，头部位置和方向保持不变，面部特征位置不随时间变化，简化了定位过程。数据以每天一帧的高采样率采集，减少了噪声和时间混叠的影响。

面部图像仅进行了有限的预处理。为避免光照变化导致的面部差异，样本进行了标准直方图均衡化处理；为减少异常值的影响，去除了戴眼镜（仅戴过一次）或留长胡子等极端变化的图像。