毕业论文移动版

在上世纪70年代初，人们就已经开始关注并研究人脸识别问题,但由于早期的技术水平不高，不但对输入的人脸图像有着苛刻的条件要求，还不能全由机器识别，还得依靠人的某些先验知识。直到上世纪90年代发明出高速度高性能的计算机，人脸图像处理技术才有了质的飞跃。目前一些手机相机软件，Face++，微软的How old。net网页等，都有了根据人脸自动估计年龄的功能。但每个软件的测试结果大同小异，准确率也不高，可见这种软件还不是很成熟。Face++还提供了相应的API供人们使用。但大部分软件都是不开源的，这也给研究带来了困难。87146

1 国内外研究取得的进展

国际上，Young和Niels被认为是最早提出年龄估计的人。他们于1994年就提出利用人脸图像来估计年龄[1],整体思想也相对简单一些，仅仅是把年龄大致分成3段：儿童，青年，老年。Lanitis等人[2]提出了基于人脸外观的统计模型，通过对比一些主流的分类器之后，他们认为利用机器识别能和人一样估计出年龄。Zhou等人[3]提出Boosting算法作为回归方法进行估计，并通过实验证明该方法比SVMs方法更好。Geng等人[4]提出了衰老模式子空间(AGES)，目的是制作出衰老模式的模型，该模型使用了很多个人衰老图像，利用EM-like迭代学习主成分分析法，模拟未知图像的衰老过程，根据在人脸衰老模式中所处的位置来估计年龄。Guo等人[5]用子空间学习方法，得到了衰老模式的低维嵌入，能提取出人脸衰老的相关特征，设计出局部可调节的回归方法来估计年龄。和以往的研究不同，他们基于仿生模型，应用Gabor过滤器来模拟人类视觉过程。Jun-Da Txia等人[6]提出用主动表观模型(AAM)来估计年龄，以提取具有年龄特征的区域，每张脸都需要28个特征点，并且划分为10个皱纹特征区域。论文网

但国内对于年龄估计的研究相对较少。文献[7]提出了基于Boosting RBF神经网络的人脸年龄估计算法。首先，用非负矩阵分解法提取特征，再根据此算法判断图像及符合其年龄的预测函数，用Boosting算法构造一个神经网络函数序列，将他们组合在一起，形成一个加强的估计函数，完成这些工作后，得出年龄估计结果。

2 存在的问题

尽管人脸图像的自动识别技术已经相对成熟，但年龄估计仍然是一个难以解决的问题。这是因为一个人的年龄很难通过外表直接且精确的观察出来，就算是用人眼直接判断，也需要加上自己的先验知识和长期以来积累下来的经验。人脸年龄特征主要有肤色，皱纹，亮度，老化程度等，这些因素又与一个人的生活环境和生活方式等方面息息相关。通过机器来识别时，还会受到表情，头发，眼镜等外在因素的影响，这些都会影响最终的结果。

与人脸图像领域里其他内容相比，人脸年龄估计起步较晚，国内外在这方面的研究也相对少一点。但随着近几年计算机技术的飞速发展，年龄估计的发展也呈现出一定的上升趋势，越来越多的人参与投身到这个领域的研究中。