تخمین سن هوشمند افراد از روی تصاویر چهره، به دلیل نقش کلیدی در بسیاری از موارد کاربرد نظیر تحلیل رفتار مشتریان در یک سیستم هوش تجاری، به یکی از موضوعات تحقیقاتی مهم در حوزه بینایی ماشین و تشخیص الگو تبدیل شده است تخمین سن، فرایندی است که طی آن، تصویر چهره فرد توسط کامپیوتر، پردازش شده و سن او براساس معیار سال، برآورد می شود. فرایند تخمین سن از دو بخش اصلی تشکیل می گردد: 1 توصیف چهره و 2 یادگیری تابع تخمین سن. تاکنون روش های متعددی جهت بهبود یک یا هردو بخش فرایند تخمین سن ارائه شده است در این مقاله یک روش جدید، جهت بهبود بخش یادگیری تابع تخمین سن ارائه می شود. در روش پیشنهادی، توصیف چهره در دو مرحله و با استفاده از روش های BIF (Bio-Inspired Features) و PLS (Partial Least Squares) انجام می شود و در ادامه، سن فرد توسط یک روش دو مرحله ای جدید که بر مبنای شبکه عصبی (Multi-Layer Perceptron) MLP پیاده سازی شده است، تخمین زده می شود. به منظور ارزیابی، روش پیشنهادی بر روی دو پایگاه داده معروف FG-NET و MORPH2 % اجرا شده است. نتایج، حاکی از برتری روش پیشنهادی ) 45 دقت بیشتر برروی پایگاه داده FG-NET و 87 % دقت بالاتر برروی پایگاه داده MORPH2 ( بر سایر روشهای موجود در فرایند تخمین سن است.

کلمات کلیدی