1、近年來，屬性學習一直是計算機視覺領域的研究熱點，尤其是屬性學習在各方面的實際應用，很多學者都提出了具體的應用方案。在年齡預測上，傳統(tǒng)識別方法的語義級描述能力較弱，不能準確地表示特征含量的多少；在公共場所擁擠度檢測方面，全天候、全地域的檢測算法也不夠成熟。論文針對這些不足，結合屬性學習的思想提出了改進算法。
　　本文介紹了屬性學習的研究背景和應用現狀，還介紹了常用的目標檢測方法，屬性學習的理論依據和框架結構，詳細描述了相對屬性學習的

2、步驟方法，最后是排序學習的三種技術：點級Pointwise方法、對級Pairwise方法、列表級Listwise方法，并對這三種方法進行了簡單比較。
　　論文在對基于“屬性學習”的圖像年齡預估方法分析的基礎上，提出了累積屬性復原模型，解決了稀疏數據的可用性問題，將累積屬性作為中間橋梁來連接底層特征和回歸模型，減少稀疏性“語義鴻溝”的影響。該模型包含明確的語義含義，計算更加高效，而且不需要附加的注釋。實驗表明相比于其他經典方法，累積

3、屬性的誤差大大減小，可以看出累積屬性在年齡預估方面的優(yōu)勢。
　　論文提出了基于“屬性學習”的公共場所擁擠度排序模型，主要是學習平均密度和平均速度兩個屬性，用改進后的混合高斯模型提取移動物體的密度屬性，用幀間差分法提取移動物體的速度屬性，然后提取Gist特征，借助相對屬性學習思想，使用改進后的Ranking SVM算法對人群、車流和人車混合三種情況下的擁擠度進行模擬排序。把數據序列作為擁擠度標簽，將公共場所擁擠度問題轉化成排序問題，