人脸特征表示现在有很多人脸特征的表示方法，我们可以大致地分成四类方法：第一类是 Kwon 与 Lobo[1][2]提出的基于几何模型方法，因为人在成年之前变化比较大的是 脸部器官的比例，而成年之后更集中的体现在了人脸的皮肤纹理变化，该方法是基于脸部器 官的比例变化来进行估计的，所以比较适合儿童，青少年这些未成年人的年龄预测，对成年 人就不再适用了。同时，这种方法适用于人脸的正面图像，当人的头部存在姿势变化如旋转 等，就会有较大的误差存在。78944

第二类是基于主动表观模型（Active Appearance Model,AAM）[3]的方法，是由 Lanitis 等 人[4]第一次将其用来进行年龄估计。与上面的基于几何模型的方法不同，这种方法可以用到 更广泛的年龄估计，即不再只是适用于儿童、青少年等未成年人，而是普遍年龄的人都可以 适用。但 AAM 的方法也存在着不足，这个方法最后提取出的特征是训练人脸图像的平均全局 特征，还缺乏对于脸部的一些纹理信息描述。

第三类是年龄衰老模式子空间方法，由于不同的人他的年龄衰老模式存在一些个体的差异，而基于主动表观模型的方法表征的是整个人脸数据库中统计信息，可视为一个全局的特 征，然而却忽略了个体差异。不同于之前的单独处理人脸图像的方法，Geng 等人[5]提出将一论文网

个人不同年龄段的一系列图像构成一个年龄衰老模式子空间[6]，这种方法不仅考虑了个体之 间存在的差异，同时也弥补了样本不足带来的困难[7]。

第四类是基于年龄流形分析方法，上面介绍的第三种方法是学习每个人的年龄衰老模式， 需要同一个人不同年龄时期的图像。Guo 等人[8]提出的这一种年龄流形学习（Age Manifold Learning）方法，比起 AGES，更具有灵活性，这种方法是用不同人不同年龄时的图像学习共 有的年龄衰老模式。但为了达到最好的估计效果，则需要大型的年龄数据库支持，然而建立 一个大型的包含每个人年龄跨度很大的人脸数据库比较困难。

2 年龄估计方法

人脸年龄估计方法可以根据不同的分类标准划分成不同的一些类别，比如根据提取的特 征进行分类，则可以分成三类：基于局部特征的人脸年龄估计方法，基于整体特征的人脸年 龄估计方法，局部特征和整体特征相结合的人脸年龄估计方法。

如果将人脸年龄估计问题当作是模式识别的问题，就可以分为两类：首先每个年龄都可 作为一个类别，所以年龄估计可以当作是一个分类问题；其次，年龄又是一系列连续值 (0,1,2,…)所以年龄估计又可以当作是一个回归问题，所以年龄估计算法可分为两类：基于 分类的年龄估计，基于回归分析的年龄估计。

目前用于年龄分类的方法很多，而大部分算法受数据库样本缺失限制，而因为支持向量 机（Support Vector Machine, SVM）能够很好的处理非线性与少样本情况，所以目前 SVM 是 比较流行的年龄估计分类算法。Tonchev 等人[9]提出一种基于子空间投影的 SVM 的人脸年龄 分类算法，将子空间投影方法与分类算法结合增强其实用性。

大多数回归的年龄估计方法通常都是通过提取人脸的 AAM 特征，因为 AAM 特征包括 了形状和纹理两类特征，提供了人脸的整体信息，然后使用回归方法如 SVR 来估计人脸的年 龄[10]，尽管研究人员提出了许多年龄估计算法，但是找到一种合适的脸部年龄模型仍是公认 的难题。

除了采用分类与回归方法，也可采用结合分类与回归的方法，这种方法结合了两种方法 的优点。如 Guo 等人[11]提出一种局部自适应鲁棒的回归方法(Local Adjust Robust Regression)。