基于人脸边缘相关分形维数的年龄组分类方法

Journal of King Saud University沙特国王大学沙特国王大学学报www.ksu.edu.sawww.sciencedirect.com一种基于人脸边缘相关分形维数的年龄组分类Anuradha Yarlagaddaa，*，J.V.R.Murthyb，M.H.M.Krishna Prasadba印度海得拉巴JNTUHCSE部门b印度Kakinada，JNTUK，UCEK，CSE部门接收日期：2014年3月26日;修订日期：2014年6月8日;接受日期：2014年10月23日2015年9月10日在线发布摘要在计算机视觉领域，将一个人的面部图像简单地分类到各个年龄组通常是相当精确的，并且没有有效地进行。针对这一重要的研究领域，提出了一种基于复杂人脸图像相关分形维数的年龄组分类方法。皱纹随着年龄的增长出现在脸上，从而改变了图像的面部边缘。所提出的方法是旋转和姿态不变。本论文集中于开发一种基于面部边缘图像的相关性FD值将面部图像分为四类的创新技术，即儿童图像（0-©2015作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍人脸图像分析一直是一个充满活力和鼓舞人心的研究课题多年。 由于人脸图像提供了大量的信息，有趣的研究课题是人脸图像识别Ahonen等人。（2004），预测未来的面孔Ahonen等人（2006），从一些规定的特征重建面孔Chandra等人（2009），分类人类的性别，人类面部表情Atkinson和*通讯作者。沙特国王大学负责同行审查制作和主办：ElsevierLewis（2000）等。然而，对人类年龄组分类的研究并不多近年来，从信息技术的角度积极研究人类通信领域中的这些研究的一个主要目标是利用计算机实现个人的自动识别。为了在这样的应用中结合人脸数据库，需要解决人脸的年龄发展问题。Wen-Bing等人（2001年）考虑了四个年龄组进行分类，包括婴儿、年轻人、中年人和老年人。他们的方法分为三个阶段：识别位置，提取特征和基于提取的特征对人类年龄进行分类。Kwon和da Vitoria Lobo（1994）提出的方法，由于其复杂性，分类正确率仅为81.57%。的人脸图像年龄组分类http://dx.doi.org/10.1016/j.jksuci.2014.10.0051319-1578© 2015作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词年龄组分类;相关分维;人脸图像; Canny边缘;人脸边缘图像;图像分类基于人脸边缘相关分形维数的年龄组分类469Young和Niels-da-Vitoria（1999）给出的颅面发育理论和皮肤皱纹分析，仅考虑三个年龄组：婴儿、年轻人和老年人。 计算是基于颅面发育理论和皮肤皱纹分析。在研究由人类衰老获得的身体变化时，许多研究人员试图将面部图像分类为各种组（Todd等人，1980年; Kwon和da Vitoria Lobo，1994年）。Sirovich和Kirby（1987）将人脸图像分为两类，婴儿和成人。Kosugi（1993）和Hasegawaand Simizu（1997）使用神经网络来区分面部年龄。Kazuya Ueki等人（2006年）提出了一个在各种光照条件下将面部图像分类为年龄组的框架，包括5岁、10岁和15岁的范围组。 Sasi Kiran等人（2013）提出了一种二阶图像压缩和模糊降低灰度（SICFRG）模型，该模型在不损失重要特征信息的情况下降低了图像的维数和灰度范围。该方法将人脸图像分为三类，即儿童，成人和老年人。Vijaya Kumar等人（2014）提出了面部皮肤的拓扑纹理特征（TTF），其将面部图像分为五个类别，即0-12、13-25、26-45、46-60和60以上。Vijaya Kumar等人（2013）提出了一种方法，该方法通过导出称为“基于模式的二阶压缩二进制（PSCB）图像“的新模型来组合TU和GLCM特征，以将人类年龄分类为四组。IndrajitDe等人（2012）提出了基于熵的图像模糊分类质量评估。随着年龄的增长，皱纹出现在脸上，因为内部骨骼结构的变化，皮肤失去弹性和皮下脂肪的损失这些因素构成了人脸的年龄不变签名。上述变化表现为面部皱纹和面部边缘的变化。在所提出的方法中，面部皮肤皱纹和面部内部骨骼结构被考虑用于年龄组分类。到目前为止，还没有研究尝试根据人脸皮肤在不同光照条件下的分形维数值，以及人脸的旋转和姿态不变性，将在这项工作中，分类精度是指正确分类的面部图像的百分比。本文的其余部分组织如下。第2节描述了拟议的年龄组分类方法。第3节讨论了实验结果并与其它方法进行了比较，第4节给出了结论。2. 该方法本文提出了一种基于面部皱纹变化的皮肤皱纹识别方法。这种方法观察到的事实是，一个人的面部皮肤往往会随着年龄的增长而变化这些快速的皱纹变化的皮肤是利用边缘的面部图像。除了姿态变化之外，图像光照是影响人脸外观的最重要因素，但由于光照条件对皱纹变化的影响较小，本文只考虑皱纹变化，而不考虑图像光照，并估计了皱纹的分形维数覆盖整个面部的面部边缘的值。本文估计了从面部边缘导出的相关分形维数（FD）值。图1示出了由八个步骤组成的所提出的方法的框图。在第一步中，基于两个眼睛的位置裁剪原始面部图像。图2示出了原始面部图像和裁剪图像的示例。在步骤2中，如果图像是彩色图像，则使用HSV颜色模型将其转换为灰度面部图像。在第三步中，使用Canny边缘算子提取人脸图像的边缘。在第四步中，计算相关分形维数值。在最后一步，一个新的算法推导出一个有效的年龄组分类系统的基础上，相关性分形维数2.1. RGB到HSV颜色模型转换最近的文献揭示了彩色图像处理中的各种颜色模型。为了从彩色图像信息中提取人脸图像特征在RGB模型中，图像由三个分量表示，每个分量对应一种原色色调是一种颜色属性，表示主色。饱和度是相对纯度的一种表达，或者是一种纯颜色被白光稀释的程度。HSV颜色空间采用了非线性变换，比RGB颜色空间更准确地描述了视觉上的颜色关系本文采用HSV颜色空间模型转换，因为本研究的目的是将人类年龄分为四组，间隔为15年。HSV色彩空间由色调（H）、饱和度（S）和明度（V）组成。色相是颜色的属性，例如红色、绿色和蓝色。饱和度是特定颜色的强度。值是特定颜色的亮度。HSV颜色空间图1年龄组别分类系统方框图（一）图2（a）原始图像。 (b)裁剪的图像。（b470A. Yarlagadda等人¼6S6S6S将颜色分为三个类别，即色调，饱和度和值。分离是指单独观察到的颜色变化。下面给出了RGB到HSV颜色模型转换的转换方程V¼max=R;G;B=12.2. 人脸边缘图像边缘是图像中灰度值的显著局部变化。通常，边缘出现在图像中两个不同区域之间的边界上。人的面部皮肤随着年龄的增长而发生变化，导致面部图像的灰度值发生变化同一年龄组的边缘具有相似的结构。图像SV-最小值R;G;BVð2Þ边缘给出关于图像内容的良好信息，因为它们允许识别对象结构。边缘检测是大多数图像处理中使用的主要工具H<$G-B，如果V<$R≤3mm使用应用程序从图像中获取信息，作为特征提取的先驱步骤边缘包含以下是图像的特征。1H300系列1H300系列B-R，如果V¼G为1.4VR-G（如果V¼B≤5mm）1. 边缘检测的主要概念是识别数字图像中图像亮度急剧变化的坐标，或者更正式地说，识别图像中的不连续性。颜色分量Hue（H）的范围是[0，255]，分量Hue（H）的范围是[0，255]，分量Hue（H）的范围是[0，255]。饱和度（S）范围为 [0，1]，值（ V）范围为 [0，255]。在这项工作中，颜色分量Hue（H）被认为是用于面部图像分类的颜色信息颜色是图像处理应用的重要属性121000-1-2-1(a)（b）第（1）款2. 边缘检测过程检测并勾勒出图像中前景和背景之间的3. 边缘特征是有用的，以克服由噪声，边缘条带和敏锐度产生的问题。4. 边缘形成不同纹理之间的边界5. 边缘揭示了图像强度从一个像素到另一个像素的不连续性。基于上述特点，本文发现边缘是获取人脸图像属性或内容的一个比较好的选择。人脸图像边缘检测是定位人脸图像中尖锐的不连续性的过程。不连续性是像素强度的意外变化，其区分场景中对象的边界。有效和高效的边缘需要以下功能图3卷积掩码（a）Gx掩码（b）Gy掩码。一代图4原始面部图像的面部边缘图像。101-202-101Sobel基于人脸边缘相关分形维数的年龄组分类471Gx1. 低错误率：必须识别所有类型的边缘。它应该忽略非边缘。2. 边缘点应该被很好地定位：边缘的像素之间的距离与实际面部边缘相比较小，这在年龄组分类系统中更重要。3. 只有一个响应：它生成图像的单个边缘Theta¼ta n-1。2017年10月27日步骤4：寻找边缘方向的过程，找到一个可以代表图像边缘的方向。为了解决上述特点，本文利用Canny边缘检测算法检测面部图像的边缘（Canny，1983，1986; Raman和Himanshu，2009）。的Canny边缘检测算法是目前最优的边缘检测算法。表1儿童年龄图像的相关分维值。S.No.图像名称Correlation Fractal尺寸值2.2.1. Canny边缘检测程序，用于提取边缘1001A051.412749面部图像2001A081.4415613008A121.4419744001A141.456928步骤1：通过消除噪声5001A021.450087在面部图像中使用高斯滤波器。的大小6001A101.448903卷积掩模通常远小于7002A041.445278实际图像的大小。8002A051.444731步骤2：计算所使用的图像的梯度9002A071.452915以找出面部图像的边缘强度。到10002A121.441456计算每个点的近似绝对梯度幅度（边缘强度 ） ， 使 用 Sobel 算 子 。 Sobel 算 子 Matthews（2002）使用两个3 × 3掩码，一个用于估计面具如图所示。3.第三章。计算梯度jGj ¼ j Gxj j Gyj：621 010A04 1.44565022 010A05 1.450909第三步：梯度用于寻找边缘的方向23010A061.441160在x和y方向。如果梯度Gx等于24010A07a1.429268zero则边缘方向为0或90度25010A07 b1.438912取决于y中的梯度值，26010A091.430369方向如果GY等于零，则边缘方向27010A101.438735方向将等于0°，否则边缘方向等于90°。用于求边的方程2829010A15011A021.4449151.452414方向如下所示：30 010A12 1.441160图5 FG-Net老化数据库的示例图像。x-方向（列），另一个用于估计16009A091.436746y方向的梯度（行）。3× 31718009A11009A131.4427071.440525使用Eq.（6）：19009A141.43477420010A011.43802911002A151.43675212009A001.44537213009A011.43830314009A031.42980315009A051.442132472A. Yarlagadda等人步骤5：在找到边缘方向之后，应用非最大值抑制操作.当跟踪边缘时，边缘方向抑制像素值为零的像素（不被视为边缘）。消除像素的过程非最大值抑制的结果在输出边缘图像中产生细线。步骤6：由于阈值波动，有可能破坏边缘轮廓，称为条纹。使用Canny（1983）给出的滞后消除条纹。整形外科还起着年龄间隔的基础作用。这一因素降低了年龄组分类的百分比。 所提出的方法也解决了这个问题。在所提出的方法被认为是边缘的面部图像。这些边缘是基于皱纹变化以及面部图像的内部骨骼结构生成的。通过整形手术，皮肤被收紧，但内部骨骼结构和肌肉组织保持不变。使用上述过程生成的所得面部边缘图像如下图4所示。方差与它们的空间位置并不完全独立特别是面部边缘的特征在于几乎重复的模式，因此一些周期性通常鉴定分形维数是一个比率，它提供了一个复杂性的统计指数，比较分形图案的细节如何随其测量的尺度而变化。它也被描述为一种模式的空间填充能力的度量，该模式告诉分形如何与它所嵌入的空间不同。因此，使用面部边缘的多层网格计算分形维数给出了正确的分类结果。2.3. 计算分形维数值分形具有自相似性和不规则性等几何本原。分形几何是由Mandel-brot于1982年提出的.数学模型和描述对于自然 界 中 许 多 看 似 复 杂 的 形 式 ，可 以 由 Mandelbrot（1982）给出的分形模型提供。相关分形维数（FD）是分形的定义特征，它已被用作空间复杂性的度量。基于分形的方法已经应用于数字图像处理的许多领域，例如图像合成、图像压缩和图像分析（Fournier等人，1982;Pentland，1984; Barnsley，1988; Tao例如，1990年）。还没有人尝试用分形维数将人脸图像分为不同的年龄组。本文利用分形几何将人脸边缘图像分为儿童（0- 15岁）、青少年（0-15岁）、青少年（0-15岁）、青少年（0 - 15岁）和青少年（0 - 15岁）四类表2年轻图像的相关分维值。表3中年图像的相关分维值。S.No.图像名称相关分形S.No.图像名称相关分形维度值尺寸值1001A161.4638371001A43a1.5249772001A191.4858442002A311.5109293001A291.4675023002A381.5249774002A161.4840074003A351.5201415001A181.4625105003A471.5167436001A221.4798586003A491.5304707001A281.4798657001A43b1.5179538002A181.4833718001A331.5079539002A201.4868829001A401.51780010002A211.47602310003A471.49099611002A231.47516411002A361.50563412002A261.47251512003A381.51418613002A291.47401013004A371.50694814004A191.47532514004A401.51741715004A211.47164115004A481.52146516004A261.47349716006A311.51092917004A281.47426817006A361.52497718004A301.46935618006A401.51092919005A181.47183019006A421.51694920005A241.46268920006A441.51530521005A301.46849721006A461.52255722006A241.46050322006A481.53596223006A281.48917723006A501.52390524007A181.46918124008A411.51092925007A221.47584825008A431.51737526007A231.47093426008A451.50594627007A261.47760127008A471.52014128008A171.46717028011A341.50594629008A291.48251129011A401.50096230008A301.47849730011A421.510929基于人脸边缘相关分形维数的年龄组分类473r;ii¼@logr;r2½r成年人（15-为了描述图像的特征，基于小波和多分辨率分析的不同视觉外观具有相同的分形维数值。分形-其中，Cr，i是当原始空间被划分为边长为r的网格单元时，像素落入第i个单元的占用率。算法1.分形维数基于维的方法已经应用到许多领域数字 图像处 理的一 个重要 分支， 如图 像分析Paul（2005）证明了自然图像的分形维数不足以描述图像。为了解决上述问题，计算人脸图像边缘的相关分形维数值。分形的一个重要特征是分形维数，因为它包含了分形几何结构的信息。图像的拓扑维数值无论如何变换都不会改变相关分维值使用Anuradha等人给出的算法估计。（2013年）。在有界欧氏n-空间中，考虑尺度范围（rmin，rmax）中的自相似集合X，如Belussi和Faloutsos（1995）所描述的相关分形维数D2可以从以下等式导出（八）、自相似集合X是其自身的Nr个不同的非重叠副本的并集，每个副本与按比例r缩小的X相似。计算相关分形维数的算法如算法1所示@logPC22minMax第一步：读取二维面部边缘图像（FI）步骤2：找到图像的大小，即像素数（R）和列数（C）步骤3：如果R大于C，则将r分配给R，否则将r分配给C步骤4：使用等式（1）计算相关分形维数值。（八）、端使用相关分形维数进行年龄组分类的算法如算法2所示表4老年人图像的相关分维值S.No.图像名称相关分形尺寸值1003A511.5713692003A531.5877083003A581.5457714003A601.5660485003A611.5752246004A511.5814237004A531.5787238004A551.5787239004A571.54670210004A621.57071811006A551.56471412003A601.54491313004A631.60142314006A611.55602415006A691.60141016003A571.57505817004A551.57071818004A571.57631219004A591.55602420004A611.55383621004A631.57872322004A651.58817623004A671.56872324004A691.59007325006A511.57597426006A541.57507327006A571.58439828006A601.57628029006A631.56271330006A661.574447D;r[英语泛读材料表5测试数据库的成功结果S.No.图像名称相关性分类结果分形年龄组尺寸值1001A081.4376550–15成功2002A181.47239416–30成功3003A201.45545816–30成功4005A241.47237416–30成功5063A051.4427350–15成功6064A161.46456716–30成功7064A591.574029>50成功8065A031.4245910–15成功9067A181.46767216–30成功10022A281.48295416–30成功11023A291.52029431–50成功12024A301.4416160–15成功13025A481.51448731–50成功14027A301.47605916–30成功15017A621.586285>50成功16018A341.52245131–50成功17020A361.52359931–50成功18025A591.582324>50成功19SCI-11.51827131–50成功20SCI-21.4482790–15成功21SCI-31.46479416–30成功22SCI-41.48456931–50失败23SCI-51.574232>50成功24SCI-61.4410620–15成功25SCI-71.4364020–15成功26SCI-81.571147>50成功27SCI-91.45658816–30成功28SCI-101.4352140–15成功29SCI-111.50360531–50成功30Google-img-0011.4359680–15成功31Google-img-0021.51527731–50成功32Google-img-0031.51561231–50成功33Google-img-0041.568283>50成功34Google-img-0051.50594631–50成功35Google-img-0061.560115>50成功36Google-img-0071.4416160–15成功37联系我们1.578482>50成功38Google-img-0091.49337316–30失败39Google-img-0101.562861>50成功40Google-img-0111.568050>50成功474A. Yarlagadda等人算法2.使用相关分数维的步骤1：将人脸图像作为输入图像（Img）步骤2：裁剪图像步骤3：使用HSV颜色模型第四步：利用Canny边缘检测步骤5：使用算法1第六步：根据人脸图像的分形维数值（FDV），将图像分类为儿童（0-如果（FDV1.46），面部图像年龄为儿童（0<如果FDV在1.46和1.49之间，则面部图像年龄为年轻年龄（16如果FDV在1.49和1.54之间，则面部图像年龄为中年（31否则面部图像年龄为老年人（>50）步骤2：结束。3. 结果和讨论该方案利用从FG-NET数据库中收集的1002张人脸图像、从Google数据库中收集的500张图像以及从扫描照片中收集的600张图像建立了一个数据库。这导致总共2102个样本面部图像该方法考虑了从一岁到老年的不同年龄组的每个面部图像的20个年龄变化。该数据库由2012年与20个年龄变化的每一个图像，导致总共40240图像。在该提出的方法中的另一个重要方面是计算具有8个不同取向（即，0、45、90、135、180、225、270、315度）的面部图像的FDV值。所以本文提出的方法也是旋转不变的年龄组分类系统。共321920图像被认为是证明所提出的方法分类到不同年龄组的人脸图像。在所提出的方法中，样本图像分为四个年龄组的儿童年龄（0图中显示了其中的一些。 五、部分人脸图像的四个年龄组的分维值分别见表1每个类别的最小和最大相关FD值使用图6中的散点图表示。基于所得出的值来在面部图像上，本文导出了一种算法，用于将面部图像分类为儿童年龄（0基于所提出的方法的年龄组分类的分类图如图7所示。为了评估本方法的准确性和重要性，拍摄探针或测试图像。在探头图像上，计算人脸图像作为实验案例，从FG-NET、Google数据库和部分扫描图像中随机采集了40个人脸样本，利用相关分形维数值对人脸图像进行分类图6四个类别的散点图。图7基于该方法的年龄组分类图基于人脸边缘相关分形维数的年龄组分类475使用本方案的结果在表5中给出。三个数据集的分类百分比如表6所示，三个数据集的分类图如图8所示。当年龄增长时，皱纹就会形成，这些皱纹会随着人的年龄而变化。对于年轻人皱纹几乎可以忽略不计，对于中年人人们形成了相当大的皱纹变化，并且对于老年人来说，皱纹逐年变化，因此对于老年人来说，更多的皱纹变化被清楚地识别。在这个建议的方法中，作者认为皱纹的变化对面部图像的图像的前部区域，即从前额到下巴区域。该方法在裁剪步骤中去除了人脸图像中的头发区域。所提出的方法给出了很好的结果，因为它考虑了完整的人脸，其中包括所有的功能，即眼睛，鼻子，嘴巴，下巴和姿态的面部图像的形状。所提出的技术成功地对年龄组进行了分类，总体平均分类百分比为99.16。由于该方法只计算单个特征值，因此可以获得最佳的%平均分类率。对于特定图像，即使图像被旋转并且图像的姿态被改变，单个特征值也不改变。只有当人员年龄发生变化时，此值才会发生变化，从而改变FDV值。从图6可以观察到，当年龄增长时，FDV也增加。图8三个数据集的分类图。表7建议方法和其他现有方法的平均分类率%。图像数据集面部部位的识别几何形态原始模式和RBF神经网络属性（%）LDP上的颗粒成分（%）儿童与建议100.00方法（%）年轻人85.392.7193.3798.33中年人88.7290.0792.5699.17位老年人87.992.1092.4099.17图9提出的方法与其他现有方法的比较图。表6三个数据库的成功分类率图像FG-NET Google扫描的平均数据集数据库数据库图像（%）（%）（%）（%）儿童100.00 100.00 100.00青年100.00 97.50 97.50 98.33中等成人100.00 100.00 97.50 99.17老年人100.00 97.50 100.00 99.17平均值100.00 98.75 98.75 99.17百分比476A. Yarlagadda等人4. 所提出的方法与其他现有方法的比较将所提出的年龄分类方法与现有方法（Wen-Bing等人，2001; Sujatha等人，2011; Yazdi等人，2012年）。Yazdi提出的方法等人（2012）使用RBF神经网络分类器识别面部图像。文兵等人提出的方法。（2001）基于人脸图像的两个几何特征和三个皱纹特征。Sujatha等人提出的方法。（2011）基于局部对角模式上具有颗粒成分的原始模式（LDP）将面部图像分类为儿童或成人表7列出了拟定方法和其他现有方法的分类百分比。所提出的方法和其他现有方法的百分比平均分类率的图形表示如图所示。9.第九条。5. 结论本文提出了一种利用人脸边缘相关分维值进行年龄组分类的新方法。该方法利用Canny边缘检测算法对人脸图像进行边缘提取。Canny边缘检测方法能很好地检测出边缘，并能与其他边缘进行区分，因此更有助于年龄组的由于单一的分形维数不足以描述自然图像，因此至今还没有将分形几何用于但通过这篇论文，作者提出了一种新的方法，证明分形几何也是一种很好的分类方法。该方法证明了有效的分类取决于图像上提取的特征的类型，而不是图像上提取的特征的数量本方法在三个数据集上进行了测试，即FG-NET老化数据库，Google Images和具有不同方向和不同光照条件的扫描图像。与Google Images和扫描图像相比，本系统的性能引用Ahonen，T.，Hadid，A.，Pietikainen，M.，2004.局部二值模式人脸识别。Comput.视觉ECCV继续。469-481 Ahonen ，T. ，Hadid，A.，Pietikainen，M.，2006年。面部描述，局部二进制模式：在人脸识别中的应用IEEE Trans.模式肛门。马赫内特尔28（12），2037-2041。Anuradha， Y. ，Murthy， J.V.R.， Krishnaprasad ，M.H.M.，2013. 利用多层网格和阻尼窗模型估计数据流的关联维数.Elsevier Procedia Technol. 10，797-804。阿特金森，下午，Lewis，P.，2000.遥感地质统计分类：导论。Comput. 地球科学26，361-371.巴恩斯利，M.F.，1988.递归迭代函数系统在图像处理中的应用。视觉通信图像处理。10001，间谍。Belussi，A.，Faloutsos角，1995.使用“相关性”分形维数估计空间查询的选择性，VLDB会议论文集。精明的J.F. 一九八三年 寻找图像中的边缘和线条（硕士论文）。MIT.精明的J.F. 一九八六年边缘检测的计算方法 IEEETrans. 模式肛门。机器内部PAMI-8（6），679-697。钱德拉，M.，VijayaKumar，V.，Damodaram，A.，2009.基于面部几何特征的成年人分类。 ICGST。Fournier，A.，Fussell，D.，洛伦角，1982.随机模型的计算机绘制。Commun. ACM Graphic.图像处理。26（6）. 长谷川，H.，Simizu，E.，1997.基于神经网络的人脸年龄识别。T.IEE Japan117-C（12），1897-1898.Indrajit，De，Jaya，Sil，2012.基于熵的图像质量评价模糊分类。J. King Saud University（英语：J. King Saud University）告知。Sci. 24（2），165-173。Kosugi，M.，1993.利用镶嵌模式与类神经网路进行人脸辨识。IEICE Trans. J76-D-II（6），1132-1139.Kwon，Y.H.，和维多利亚·洛博，N.，1994.从人脸图像中进行年龄分类，计算机视觉与模式识别会议论文集，西雅图，华盛顿，美国。S. 一、pp. 762-767Mandelbrot，B. B.，1982.自然界的分形几何。W.H. 弗里曼，纽约。马修斯，J.，2002年。边缘检测简介：Sobel边缘检测器，可在上获得。Paul，S.A.，2005.分形与混沌IOP出版。彭特兰，AP，一九八四年基于分形的自然景物描述IEEE PAM I-6（6）.拉曼，M.，Himanshu，A.，2009.研究和比较了各种图像边缘检测技术。Int. J.图像处理。3（1），1-11. Sasi Kiran，Jangala，Vijaya Kumar，V.，Eswara Reddy，B.，2013.基于二阶图像压缩和模糊约化灰度模型的年龄分类。Int. J. Comput. Sci. Eng.（IJCSE）5（06），481西罗维奇湖，Kirby，M.，1987.人脸特征化的低维过程。J. Opt.Am. A 7（3），519-524。Sujatha，B.，Vijayakumar，V.，Rama，B.M.，2011.形态原始模式与颗粒成分的LDP儿童和成人年龄分类。Int. J.Comput. Appl. （0975-8887）21（3）。Tao，C.，林Z，卢，J，1990.分形维数估计及其在图像分割中的应用。51比57陶德J.T.马克，L.S.，Shaw，R. E.，Pittenger，J.B.，1980. 对人类成长的感知。Sci. Am. 242（2），132-144。Kazuya Ueki，Teruhide Hayashida，Tetsunori Kobayashi，在各种照明条件下使用面部图像的基于子空间的人脸群分类，第七届自动面部和手势识别国际会议论文集（FGRVijaya Kumar，V.，Sasi Kiran，Jangala，Satyanarayana Murty，Gorti，2013.基于模式的年龄分类降维模型。国际计算机Appl·79（13），14-20.Vijaya Kumar，V.，Sasi Kiran，Jangala，Hari Kazana，V.V.，2014. 一种有效的基于拓扑特征的人脸皮肤年龄分类方法。I.J. 图像图形。信号处理。6（1），9-17.文炳，H.，郑平，L.，Chun-Wen，C.，2001.根据面部特征对年龄组进行分类。淡江科学Eng.4（3），183-192。Yazdi，M.，Mardani-Samani，S.，Bordbar，M.，莫巴拉基河，2012. 基于RBF神经网络的年龄分类。可以的. J.图像处理。Comput. Vision 3（2），38-42.杨，H.K.，尼尔斯达维多利亚湖1999年 从面部图像进行年龄分类。Comput. 视觉图像理解。 74（1），1-21。