Projecte realitzat en el marc d’un programa de mobilitat amb la Linköping University. Department of Electrical Engineering

[ENGLISH] The principal objective of this project is to develop methods for the estimation of the gender and the age of a person based on a facial image, using classification for the gender estimation and regression for the age. The extracted information can be useful in, for example, security or commercial applications. This is a difficult estimation problem, since the only information we have is the image, that is, the looks of the person. Using image features such as gradients, pixel differences, and Histograms of Oriented Gradients (HOGs), and high-level features like hair, moustache or beard, a classifier/regressor is trained. The training process needs to be optimized in terms of pre-processing, feature selection, choice of classifier/regressor, and classification/regression parameters. Our experiments show that HOG is the most useful feature in order to estimate both age and gender. The Support Vector Machine is the best classifier and Random Forest is the best regressor. For gender estimation the misclassification rate is about 2%, and the performance of the age estimation is close to what humans achieve.

[CASTELLANO] El objetivo principal de este proyecto es desarrollar métodos para la estimación de género y edad de una persona a partir de imágenes faciales, usando un clasificador para estimar el género y un regresor para la edad. La información extraída puede ser empleada en aplicaciones de seguridad o con fines comerciales. La dificultad de la estimación está en que sólo se dispone de la apariencia de la persona, que no tiene por qué coincidir con los datos reales. El clasificador/regresor es entrenado usando características de la imagen como el gradiente, la diferencia entre pixeles o HOGs (Histogram of Oriented Gradients) y características de alto nivel como la estimación de presencia de pelo, bigote o barba. El proceso de entrenamiento necesita ser optimizado a nivel de preprocesado, selección de características, elección del clasificador/regresor y los parámetros de este. Nuestros experimentos prueban que HOG es la característica más útil para estimar tanto la edad como el género. El Support Vector Machine es el mejor clasificador i el Random Forest el mejor regresor. En estimación de género se obtiene un error de clasificación cercano al 2% mientras que la estimación de la edad funciona casi tan bien como lo haría una persona.

[CATALA] L’objectiu principal d’aquest projecte és desenvolupar mètodes per l’estimació del gènere i l’edat d’una persona a partir d’imatges facials, utilitzant un classificador per estimar el gènere i un regressor per l’edat. La informació extreta pot ser utilitzada en aplicacions de seguretat o amb finalitats comercials. La dificultat en la estimació rau en el fet que només disposem de la aparença de la persona, que no té perquè coincidir amb les dades reals. El classificador/regressor és entrenat utilitzant característiques de la imatge com el gradient, la diferència entre píxels o HOGs (Histogram of Oriented Gradients) i característiques d’alt nivell com l’estimació de presencia de cabell, bigoti o barba. El procés d’entrenament necessita ser optimitzat a nivell de preprocessat, selecció de característiques, elecció del classificador/regressor i els paràmetres d’aquest. Els nostres experiments demostren que el HOG és la característica més útil a l’hora d’estimar tant l’edat com el gènere. El Support Vector Machine és el millor classificador i el Random Forest el millor regressor. En l’estimació del gènere obtenim un error de classificació de prop del 2% mentre que l’estimació de l’edat funciona gairebé tan bé com ho faria una persona.