1、近年來(lái)，屬性學(xué)習(xí)一直是計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)，尤其是屬性學(xué)習(xí)在各方面的實(shí)際應(yīng)用，很多學(xué)者都提出了具體的應(yīng)用方案。在年齡預(yù)測(cè)上，傳統(tǒng)識(shí)別方法的語(yǔ)義級(jí)描述能力較弱，不能準(zhǔn)確地表示特征含量的多少；在公共場(chǎng)所擁擠度檢測(cè)方面，全天候、全地域的檢測(cè)算法也不夠成熟。論文針對(duì)這些不足，結(jié)合屬性學(xué)習(xí)的思想提出了改進(jìn)算法。
　　本文介紹了屬性學(xué)習(xí)的研究背景和應(yīng)用現(xiàn)狀，還介紹了常用的目標(biāo)檢測(cè)方法，屬性學(xué)習(xí)的理論依據(jù)和框架結(jié)構(gòu)，詳細(xì)描述了相對(duì)屬性學(xué)習(xí)的

2、步驟方法，最后是排序?qū)W習(xí)的三種技術(shù)：點(diǎn)級(jí)Pointwise方法、對(duì)級(jí)Pairwise方法、列表級(jí)Listwise方法，并對(duì)這三種方法進(jìn)行了簡(jiǎn)單比較。
　　論文在對(duì)基于“屬性學(xué)習(xí)”的圖像年齡預(yù)估方法分析的基礎(chǔ)上，提出了累積屬性復(fù)原模型，解決了稀疏數(shù)據(jù)的可用性問(wèn)題，將累積屬性作為中間橋梁來(lái)連接底層特征和回歸模型，減少稀疏性“語(yǔ)義鴻溝”的影響。該模型包含明確的語(yǔ)義含義，計(jì)算更加高效，而且不需要附加的注釋。實(shí)驗(yàn)表明相比于其他經(jīng)典方法，累積

3、屬性的誤差大大減小，可以看出累積屬性在年齡預(yù)估方面的優(yōu)勢(shì)。
　　論文提出了基于“屬性學(xué)習(xí)”的公共場(chǎng)所擁擠度排序模型，主要是學(xué)習(xí)平均密度和平均速度兩個(gè)屬性，用改進(jìn)后的混合高斯模型提取移動(dòng)物體的密度屬性，用幀間差分法提取移動(dòng)物體的速度屬性，然后提取Gist特征，借助相對(duì)屬性學(xué)習(xí)思想，使用改進(jìn)后的Ranking SVM算法對(duì)人群、車流和人車混合三種情況下的擁擠度進(jìn)行模擬排序。把數(shù)據(jù)序列作為擁擠度標(biāo)簽，將公共場(chǎng)所擁擠度問(wèn)題轉(zhuǎn)化成排序問(wèn)題，