http://blog.sina.com.cn/s/blog_cfa68e330102zo8n.html

作者 | 陳英豪/言有三（微訊號chen__ying_hao）

編輯 | 言有三

今天給大家帶來一篇人臉識別中的年齡估計技術，年齡特徵作為人類的一種重要生物特徵，計算機要如何基於人臉影象估計年齡呢？

1 概述

簡單地說，基於人臉影象的年齡估計是指機器根據面部影象推測出人的大概年齡或所屬的年齡範圍( 年齡段)。

基於人臉影象的年齡估計系統一般分為 人臉檢測與定位，年齡特徵提取，年齡估計，系統效能評價 幾個部分。根據提取特徵方式的不同又分為傳統方法和深度學習方法。

同一張圖在不同應用中的測定（左商湯右年齡檢測器）

不同的人臉在同一應用中測定(百度雲AI為例)

不同年齡不同膚色在年齡估計系統中評分測試

如果基於人臉影象的年齡估計問題得到解決，那麼在日常生活中基於年齡資訊的各種人機互動系統將在現實生活中有著極大的應用需求。

市場主流年齡估計軟體包括商湯科技，face++，百度雲AI體驗中心，騰訊雲AI體驗中心，年齡檢測儀。我們隨機拿了一些名人照片做測試，總體說來face++在測試集上表現最好。

2 人臉年齡資料集與演算法評價指標

2.1 公開資料集

2.1.1 The IMDB-WIKI dataset資料集 【1】

網址：https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/

介紹：從IMDb和維基百科上爬取的名人圖片，根據照片拍攝時間戳和出生日期計算得到的年齡資訊。應該是目前最大的人臉年齡資料集

大小： 共523051張face images

標籤：年齡和性別

2.1.2 Adience Benchmark Of Unfiltered Faces For Gender And Age Classification 資料集【2】

網址：https://www.openu.ac.il/home/hassner/Adience/data.html#frontalized

介紹：iPhone5或更新的智慧手機拍攝

標籤：年齡段（0-2, 4-6, 8-13, 15-20, 25-32, 38-43, 48-53, 60+）

大小：26580張， 2284人

2.1.3 Cross-Age Celebrity Dataset (CACD)【3】

網址：http://bcsiriuschen.github.io/CARC/

描述：與資料集2.1.1類似

標籤：年齡

大小：163446張名人圖片，約4.4G

更多資料集可自行了解。

2.2 演算法評價指標

目前常用的年齡估計評價指標包括平均絕對誤差( MAE) 和累積指數( CS) 。

2.2.1 MAE

平均絕對誤差是指估計年齡和真實年齡之間絕對誤差的平均值，其表示式為

2.2.2 CS

年齡估計效能評價中，人們關注更多的是所估計出的年齡值的絕對誤差範圍是否在人們能接受的範圍內，因此累積指數被用於年齡估計的效能評價中，累積指數的定義如下：

式中，Nθ≤j表示測試影象中估計年齡與真實年齡的絕對誤差不超過j年的測試影象數，分母N為所有測試影象的總數。因此CS越大，說明估計年齡越接近真實年齡，年齡估計越準確。

3 傳統方法研究思路

傳統方法研究思路，自然就是手動提取特徵，我們基於參考文獻【4】來做說明。

傳統方法即 手動提取特徵 ，傳統方法可粗略劃分為 手動提取特徵 和 年齡估計 兩個階段。

根據特徵所反映的人臉資訊，可以將常用的人臉年齡特徵分為形狀特徵、紋理特徵、代數特徵以及混合特徵。由於每種型別的特徵均從不同角度描述了人臉影象，為了充分利用各種特徵的優點，研究人員通常綜合整合多種人臉特徵，並採用不同的數學方法對其進行處理，從而形成了各具特色的面部年齡特徵提取模型。常見的特徵提取模型包括人體測量學模型( anthropometric models) 、特徵子空間模型( AGES) 、柔性模型( flexible models) 、流形學習( age manifold)以及外觀模型( appearance model) 等。

3.1特徵提取模型

3.1.1 人體測量學模型

a) 主要內容：

人體測量學模型利用了人臉的幾何形狀特徵進行年齡分類，主要是描述隨著年齡的增長人臉整體輪廓變化的數學規律，它所測量的是人臉的一種結構資訊。主要過程歸納為 人臉輪廓檢測，人臉特徵點定位，多種幾何比例測量（如兩眼之間的間距、兩眼之間的間距等） ，最後利用幾何比例進行年齡段的區分。

b) 適用範圍：

主要適合於對未成年人進行年齡分類

c) 侷限性：

由於該模型對人體姿態變換比較敏感，因此主要適用於提取正面人臉影象的年齡特徵

3.1.2 柔性模型

a) 主要內容：

柔性模型將人臉的形狀與灰度/紋理有機結合起來，從整體入手，充分提取 人臉影象的形狀資訊和全域性紋理資訊 ，可以看作是人體測量學模型的升級版，其典型的代表是主動形狀模型( ASM) 和主動外觀模型( AAM)。

b) 適用範圍：

該模型可以更好地適應複雜影象的特徵點定位和特徵提取，不僅適用於對青少年進行年齡分類，也適用於對中老年人進行分類。

c) 侷限性：

1) 隨著年齡的增長，人臉紋理的變化更多地體現在區域性區域，如額頭、眼角、臉頰等，因此採用該模型進行特徵提取時，將會丟失掉很多區域性紋理資訊，可能不利於對老年人進行年齡估計。

2) 在訓練過程中，柔性模型通常將形狀和紋理空間分別進行訓練，這將會損失掉大量紋理和形狀之間的有效資訊。

3) 此外柔性模型的確定依賴於很多臉部特徵點的準確定位，一旦定位出現誤差，這種誤差將很容易在後續處理中被放大。

3.1.3 外觀模型

a) 主要內容：

外觀模型將人臉幾何特徵與全域性資訊，區域性資訊（如面部紋理資訊、頻率資訊和膚色資訊）相融合進行人臉描述，進而進行年齡估計，可以看作是柔性模型的升級版，目前應用最為廣泛。

b) 適用範圍：

它較好地描述了面部的紋理特性，並常常與形狀特徵相融合，可以較好地實現全年齡段的年齡估計。

c) 侷限性：

只能用於粗略估計，給出一個大概的年齡段。

3.2 年齡估計

基於人臉影象的年齡估計是一類“特殊”的模式識別問題: 一方面由於每個年齡值都可以看作是一個類，所以年齡估計可以被看作是 一種分類問題 ；另一方面，年齡值的增長是一個有序數列的不斷變化過程，因此年齡估計也可被視為一 種迴歸問題 。有研究者通過對已有年齡估計工作進行總結後認為: 針對不同的年齡資料庫和不同的年齡特徵、 分類模式和迴歸模式具有各自的優越性 ，因此將二者有機融合可以有效提高年齡估計的精度。由於傳統的年齡估計模式忽略了人臉衰老的動態性，最近研究人員又將 Rank模型 引入到年齡估計方法中，並取得了較好的效果。

3.2.1 分類模型

每個年齡值都可以看作是一個類，所以年齡估計可以被看作是一種分類問題。分類模式採用模式分類的理念與方法實現年齡的估計。可以分為對年齡段進行分類和對具體年齡值進行分類。

3.2.2 迴歸模型

年齡值的增長是一個有序數列的不斷變化過程，因此年齡估計也可被視為一種迴歸性問題。迴歸模式運用迴歸分析的方法，通過建立表徵人臉年齡變化規律的函式模型來實現年齡的估計。

3.2.3 Rank模型

人類衰老是一個“動態”變化的個性化過程。傳統的基於分類模式的年齡估計把年齡分成了若干個年齡段，沒有考慮到不同年齡之間的相互關係，因此損失了很多重要的資訊; 傳統的迴歸模式雖然考慮到了年齡之間的相關性，但是卻假設人的衰老是一個“靜態”過程，即不同年齡的人的衰老變化規律一致。此外，在日常生活中，我們對一個人進行年齡判定時，總是將該人臉與我們熟悉的且知道相應年齡的人臉影象進行比較，通過綜合大量的比較結果進行年齡判斷。

因此，年齡估計過程可以看成是 對大量人臉有效資訊對進行比較的過程， 也就是通過若干組二值分類結果就可以得到相應的年齡估計值，通過尋找當前年齡標籤在年齡序列中的相對位置來確定最終的年齡值，從而有效克服了傳統的年齡估計方法忽略了人類面部衰老過程中的動態性、模糊性以及個性化的特點.

3.2.4 混合年齡估計模型

不同的估計模式具有不同的優勢，因此可以將各種估計模式綜合起來進行年齡的估計。所謂混合年齡估計模式就是使用多個不同的年齡估計器代替單個年齡估計器來進行年齡估計。

4 深度學習方法研究思路

近年來伴隨著深度學習的火爆，應用深度學習方法解決人臉年齡估計問題成為了主流。

實際上，就是利用深度學習自己學習特徵，替換掉了上面傳統方法提取的一系列特徵。在大資料的加持下，模型的魯棒性遠超傳統方法。下圖就是文獻【1】，奪得ChaLearn LAP 2015 challenge的pipeline。

該文是多個模型的融合，將年級估計問題作為一個0~100歲的101類的分類問題來研究。

有的文獻【5】會利用神經網路提取特徵後做一些PCA的維度，實際上筆者認為沒有這個必要。

在經過正確的人臉檢測和對齊後，現有的深度學習模型完全能夠end-to-end的解決這個問題。

5 總結

基於人臉的年齡估計仍然是一個可以繼續研究的問題，因為以美顏等為代表的技術，干擾著演算法的準確性。

不過，年齡的估計本身就不一定能反映真實的生理年齡，有的人就是比同齡人顯得年輕很多或者老很多，所以該技術不可能像指紋識別或者人臉識別一樣，在非常重要的應用中獨當一面，而只能作為輔助演算法。不過，研究研究還是很好玩的。

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/29829936/viewspace-2649940/，如需轉載，請註明出處，否則將追究法律責任。