実験概要

実験では年齢と性別分類は異なる顔画像データベースを用いる．年齢分類の実験では

FG-Net aging database [4]を用い，性別分類の実験ではFERET database [3]を用いる．これら

は照明や顔の表情の変化，眼鏡の装着などの条件を含んでいる．データベースの詳細な情 報を以下に示す．

FG-Net aging database

被写体は0 歳から69歳の82名であり，計1,002枚の顔画像が含まれる．カラー，グレ イスケール画像どちらも含み，一般的なスナップショットやパスポートの写真も一部含ん でいる．照明変動，顔向き，表情，口ひげ，帽子や眼鏡の着用など多くの条件を有してい る．本実験は，照明変動等のノイズに対する頑強性に焦点を当てるため，顔の向きを含ん だ画像は用いず，更に男性の画像のみを用いる．そして学習，テスト画像両方含め，252 枚の画像を利用する．図6.9にFG-Net aging databaseの本実験に使った正規化後のサンプ ル画像を示す．

図6.9：4つのカテゴリーに分類されたFG-Net aging databaseの画像例

(1) 0-9歳の子供のグループ (2) 10-19歳の青年グループ

(3) 20-34歳の若い大人グループ (4) 35-64歳の年長の大人グループ

FERET database

被写体はあらゆる人種の1,196名であり，合計で14,000枚程の顔画像を含む．また一部 の画像は照明や顔の傾きの変化を条件として含んでいる．本実験では，学習，テスト両方

含め 1,196 枚の正面顔画像を利用する．ここで，図 6.10 にて本実験で使用する FERET

databaseの正規化後の画像例を示す．

図6.10：FERET databaseの画像例（上行は男性，下行は女性）

本実験では年齢分類にFG-Net aging databaseを用いる．本研究では顔の年齢カテゴリー を4つのカテゴリーとして定義する．それは以下に示す4つのカテゴリーである．

I. 0-9歳の子供 II. 10-19歳の青年 III. 20-34歳の若い大人

IV. 35-64歳の年長の大人

ここで，図6.9にて年齢カテゴリーI—IV毎の FG-Net aging databaseの画像例を示す．表6.2 において本実験に用いる年齢カテゴリー毎の学習とテスト画像の枚数を示す．

表 6.2：カテゴリー毎の学習画像の枚数と，テスト画像の枚数

カテゴリー名 学習画像の枚数 テスト画像の枚数

0-9歳の子供 26 40

10-19歳の青年 32 40

20-34歳の若い大人 32 31

35-64歳の年長の大人 26 25

次に性別分類の実験ではFERET databaseを用いる．子供はまだ成長過程であるため，男性 と女性の顔特徴による違いが少ない．そして子供の性別分類は，他の年齢カテゴリーと比 較して極めて難しく，アルゴリズムの性能を比較する意味での実験としては適していない．

ゆえに本実験では子供の画像を含まず，他のカテゴリーの画像を多く含むデータベースが 望ましい．FERET databaseは17歳以上の人物画像を多く含んでいるので本実験に適してい る．ここで男女のカテゴリーに分けた FERET database のサンプル画像を図 6.10に示し，

表6.3において，本実験に用いる学習とテスト画像のそれぞれの枚数を示す．

表 6.3：性別分類における学習画像とテスト画像の枚数

学習画像の枚数 テスト画像の枚数

計：590 男性：320

計：606 男性：389

女性：270 女性：217

本実験の評価項目として，顔の属性分類に広く用いられている LGBP との性能の比較 実験を行う．更に Gabor特徴量を用いない単独の LBP，LDPも比較対象に加え，それぞれ の手法の分類率を算出して性能の比較を行う．分類率は以下の式で定義できる：

分類率（％）＝（正しいクラスに分類されたテスト画像の枚数）

（全テスト画像の枚数） (6.7)