人脸年龄估计

关于人脸年龄估计研究的调研报告

一．  研究背景与意义

年龄信息作为人类的一种重要生物特征，在人机交互领域中有着众多应用需求，并且对人脸识别系统的性能有着重要影响。基于人脸图像的年龄估计是指应用计算机技术对人脸图像随年龄变化的规律进行建模，从而使机器能够根据面部图像推测出人的大概年龄或所属的年龄范围。如果基于人脸图像的年龄估计问题得到解决，那么在日常生活中，基于年龄信息的各种人机交互系统将在现实生活中有着极大的应用需求。通过年龄估计系统自动判断人的年龄，实现安全网络或安全门禁控制，这对保护未成年人的健康成长尤其重要；在电子顾客管理系统中，通过摄像头采集人脸图像并自动进行年龄估计，可以实现对各年龄段顾客的消费特点和产品喜好进行自动、无干扰地收集与分析，从而便于对不同年龄段的顾客进行产品开发并提供有针对性的营销服务；年龄变化所带来的人脸外貌变化对人脸别系统的性能有着非常重要的影响，年龄信息作为一种生物特征，除了会对使用者的身份认证提供有效的信息外，也将大大提高多年龄人脸识别系统的性能。

二．  主要内容和方法

2.1 年龄特征提取

年龄特征提取的主要目的是从人脸图像或图像序列中提取能够表征年龄变化的特征值，稳定而有效的年龄特征能够大大提高年龄估计系统的性能，并降低年龄估计算法的难度。人在成长过程中，其人脸形状、脸部纹理、皮肤颜色、面部斑点、皮肤松弛度、发际线等都有着不同程度的变化，研究者根据这些变化来提取各种面部年龄特征。根据特征所反映的人脸信息，将常用的人脸年龄特征分为形状特征、纹理特征、代数特征以及混合特征。

 人体测量学模型

利用人体测量学模型进行人脸描述是人脸特征提取领域研究最早的一种模型，其研究可以追溯到Kwon 等人^［1］的研究，该方法的主要思想是基于颅面发展理论。颅面发展理论的数学模型是在关于颅面增长的心理物理学研究中所提出的一种“修正”曲线拉伸模型。该模型认为颅骨的变化与所受压力的大小和方向有关，因此可用一个充满液体的球体来模拟颅骨的变化。

Kwon 等人^［1,2］最早采用人体测量学模型对人脸图像进行年龄特征提取，他们采用可变形模板和Snakelets 能量函数进行人脸轮廓检测并在此基础上进行人脸特点定位，然后计算出6 种几何比例用于小孩年龄段与其他年龄段的区分。这6 种比例值分别是: 两眼之间的间距/鼻子与眼睛的间距、两眼之间的间距/眼睛与嘴巴的间距、两眼之间的间距/眼睛与下巴的间距、眼睛与鼻子的间距/眼睛与嘴巴的间距、眼睛与嘴巴的间距/眼睛与下巴的间距、头部与下巴的间距/眼睛与下巴的间距。Horng 等人^［3］ 根据人脸的对称性特点，采用Sobel 边缘检测法进行特征点定位和区域标记，提取出嘴巴与眼睛的间距/两眼之间的间距、两眼中心与鼻子的间距/鼻子与嘴巴的间距两种比例特征。

柔性模型

柔性模型将人脸的形状与灰度/纹理有机结合起来，用统计的方式建立人脸模型。其典型的代表是主动形状模型和主动外观模型( AAM)。AAM^［4］是由Cootes 等人提出的一种人脸统计模型，是主动形状模型的延伸，它在形状模型的基础上添加了全局纹理模型。Lanitis 等人^［5］首次将AAM 应用于基于人脸图像的年龄估计特征提取中，建立年龄与人脸特征参数之间的函数关系。

采用该模型进行特征提取时，将会丢失掉很多局部纹理信息，可能不利于对老年人进行年龄估计。在训练过程中，柔性模型通常将形状和纹理空间分别进行训练，这将会损失掉大量纹理和形状之间的有效信息。此外柔性模型的确定依赖于很多脸部特征点的准确定位，一旦定位出现误差，这种误差将很容易在后续处理中被放大。

特征子空间模型

由于每个人的衰老过程都是非常复杂且不可控制的，它不仅与健康状况、生活方式和天气条件等有关，同时还受到遗传基因的影响。为了解决人脸衰老过程中的个性化问题，Geng 等人^［6］提出了一种年龄特征子空间模型。该模型由同一个人不同年龄时期的一组人脸图像决定，按时间顺序将每个对象不同年龄的人脸图像组合在一起构成该个体的年龄模式，将不同个体的年龄模式按照一定的关系进行映射就得到年龄模式空间。在该模式中，如果每个年龄值的人脸图像都存在，则该模型称为完整年龄模型，否则该模型称为不完整年龄模型。

在AGES年龄模型中，人脸图像在图像序列中的位置点对应该人的年龄值。该模型集人脸重构与年龄估计于一体，把每个人的变老过程作为一个独立的年龄模式，自然地将个人身份与时间相结合，把基于完整数据库的年龄估计问题转化为非完整数据库的年龄估计问题，大大降低了年龄数据库的收集难度。但在实际建立AGES 模型时，需要同一个人多幅不同年龄的图像来建立子空间，因此该模型将不适合一些年龄数据库，如YGA 数据库; 同时AGES 模型采用柔性模型对人脸图像进行特征提取，而柔性模型主要是对形状和全局纹理特征进行提取，因此在人脸重构阶段，可能无法很好地对人脸的局部纹理进行重构。

流形学习模型

流形学习旨在发现高维数据集分布的内在规律性，从采样数据学习得到低维流形的内在几何结构或者内在规律。因此年龄特征的流形学习就是寻找一种特征空间，将人脸原始图像数据通过该特征空间转化为一组低维年龄特征用于年龄估计中。Guo 与Fu 等人通过实验比较了典型的维数降解和嵌入式流形学习方法，并基于UIUC-IFP-Y年龄数据库对PCA、局部线性嵌入算法( LLE) 、正交局部保留投影法( OLPP) 进行比较。

    年龄特征的流形学习方法在本质上属于一种年龄模式的子空间学习方法，但与AGES不同的是: 该方法不需要针对每个人建立个性化的年龄模式子空间。年龄特征的流形学习方法用于年龄特征提取中，仅要求每个年龄值对应多幅人脸图像，而不要求同一个人在不同年龄段的多幅图像，但由于年龄特征的流形学习方法对数据库的数量要求较多，因此该方法适合于大型的年龄数据库，且要求每个年龄段的数据分布比较均匀。

外观模型

在与年龄相关的面部特征的提取中，人们非常重视基于外观模型的特征提取，包括全局信息和局部信息，如面部纹理信息、频率信息和肤色信息等，并与人脸几何特征等信息相融合进行人脸描述。

Dehshibi 等人^［7］采用人体测量学模型与纹理信息相结合的方式进行年龄估计。Txia 等人^［8］在眼睛定位的基础上，采用AAM进行面部28 个关键点的定位，并在此基础上提取面部关键区域的明显皱纹信息和头发的颜色信息。Guo 等人^［9］基于Gabor 滤波器提取人脸纹理特征并提出了一种BIF用于年龄估计。Suo 等人^［10］认为提取有效的年龄特征是自动年龄估计系统实现的关键点之一，并提出了一种基于低、中、高多分辨率的分层人脸描述模型( 整体层、五官层、纹理层) 。余庆等人^［11］则采用代数变换的方法进行面部外观分析。

三．  主要理论和算法

     基于人脸图像的年龄估计是一类“特殊”的模式识别问题: 一方面由于每个年龄值都可以看作是一个类，所以年龄估计可以被看作是一种分类问题；另一方面，年龄值的增长是一个有序数列的不断变化过程，因此年龄估计也可被视为一种回归性问题。有研究者通过对已有年龄估计工作进行总结后认为: 针对不同的年龄数据库和不同的年龄特征、分类模式和回归模式具有各自的优越性，因此将二者有机融合可以有效提高年龄估计的精度。

3.1 分类模式

     分类模式采用模式分类的理念与方法实现年龄的估计。在年龄段( 组) 估计方面: Horng 等人^［12］采用由形状特征和面部纹理特征分别训练得到的BP 神经网络进行4 种年龄段的分类。Dehshibi 等人^［13］结合人脸形状特征和面部纹理特征，训练得到4 层BP神经网络进行年龄段的分类; Gao 等人^［14］ 采用Gabor 滤波器进行年龄特征的提取，通过对SVM、Adaboost、模糊LDA 方法对年龄组进行分类，Takimoto 等人^［15］也采用人工神经网络进行分类。他们将人脸形状、颜色、纹理等信息作为特征，采用3 层人工神经网络进行训练与年龄段分类。

3.2 回归模式

回归模式运用回归分析的方法，通过建立表征人脸年龄变化规律的函数模型来实现年龄的估计。早期Lanitis^［16］评价了3 种年龄函数的年龄估计性能: 线性函数、平方函数和立方函数，每种函数的最佳函数参数是通过遗传算法训练得到的，实验结果表明平方函数的估计性能最优。Lanitis 在文献^［17］中进一步评价了其他不同年龄分类器的性能，包括二次年龄函数、最近距离分类器、多层感知器算法( MLP) 、自组织映射神经网络( SOM) 算法。Guo 等人^［9］为了比较分类模式和回归模式在年龄估计中的性能，基于两种年龄数据库对SVM 和SVR 进行了比较，其中年龄特征采用OLPP 流形学习模型学习得到。张宇等人^［18］基于典型相关分析( CCA) 和代价敏感学习方法( CLS) 对年龄值进行估计，并在此基础上利用集成技术来提高年龄估计的准确性。Suo 等人在分层面部模型特征提取的基础上，采用交叉验证的方式分别测试了线性回归、SVR、MLP 以及boosting 等回归算法的年龄估计性能。Ni 等人^［19］ 提出一种鲁棒的多事例回归法( RMIR) 进行年龄的估计。

3.3 Rank 模式

      人类衰老是一个“动态”变化的个性化过程。传统的基于分类模式的年龄估计把年龄分成了若干个年龄段，没有考虑到不同年龄之间的相互关系，因此损失了很多重要的信息; 传统的回归模式虽然考虑到了年龄之间的相关性，但是却假设人的衰老是一个“静态”过程，即不同年龄的人的衰老变化规律一致。基于rank 的年龄估计模式把年龄标签看作是一个数据序列，将年龄估计问题转换为待估计年龄大于某年龄还是小于某年龄的问题，从而将年龄估计问题转化为一系列的二值分类问题，通过寻找当前年龄标签在年龄序列中的相对位置来确定最终的年龄值，从而有效克服了传统的年龄估计方法忽略了人类面部衰老过程中的动态性、模糊性以及个性化的特点。根据二值分类器所采用的分类方法，rank模型又可以细化为rank-SVM、rank-Linear以及rank-RBF等具体模型。

Chang 等人^［20］采用AAM 对人脸进行特征提取，利用线性分类器的方法实现二值分类问题；Ma 等人^［21］认为人的年龄增长过程是由其自身的基因所决定的，因此年龄识别应以其自身的图像为基础。

3.4混合年龄估计模式

由于老化的原因是多方面的，因此不同的人群可能有着不同的变老方式，而且不同的估计模式具有不同的优势，因此可以将各种估计模式综合起来进行年龄的估计。混合年龄估计模式就是使用多个不同的年龄估计器代替单个年龄估计器来进行年龄估计。Lanitis 等人最早提出了混合年龄估计的思想，他们基于特定年龄范围和外观相似模式，设计了3 种类型的年龄估计方法: 特定年龄分类器、特定外观分类器、特定年龄和外观相结合的分类器( AAS) 。在这3 种混合年龄估计方法中，所使用的分类器有平方函数、最短距离、多层感知器。特定年龄分类器是由一组对特定年龄范围分别进行估计的年龄分类器组成，每个年龄分类器均由不同年龄范围的人脸图像训练得到。特定外观分类器是基于外貌相似的人群的老化方式也趋于相似的理论而提出，该分类器由基于聚类得到的外貌相似的5 ～ 7 个年龄分类器和聚类选择分类器组成。特定年龄和外观相结合的分类器是特定年龄分类器和特定外观分类器的一种组合。

Guo 等人^［22］为了改进LARR 方法的信息自动抽取性能，进而提出了一种基于模糊概率法( PFA)的年龄估计方法。Wang 等人^［23］采用将年龄函数融入Bayes 框架的方式进行年龄值的估计。究结果表明，在一般情况下，混合年龄估计器的性能都要优于单一年龄估计器。实际上这也是符合人脸变老的实际规律。人类衰老的面部表现因人而异，因此基于人脸图像的年龄估计是一种“特殊”的模式识别问题，仅仅采用单一的估计模式，很难满足人脸老化趋势的多样性。而混合年龄估计器就是为适应这种多样化趋势而提出的，它能够更好地综

合每类分类器的优势，从而取得更优的年龄估计效果。

四．  实验与应用

任何一种算法只有对它进行客观评价，才能有效说明该算法的优越性，因此年龄估计算法的性能评价是年龄估计研究中的一个重要环节。目前常用的年龄估计评价指标包括平均绝对误差( MAE) 和累积指数( CS) 。平均绝对误差是指估计年龄和真实年龄之间绝对误差的平均值，其表达式为 
                                         (1)

式中,为真实年龄,为估计年龄，N是所有测试图像的个数。MAE 是年龄估计中最常用的性能评价方法，MAE 越小表示误差范围越小，该算法准确性越高。                          年龄估计性能评价中，人们关注更多的是所估计出的年龄值的绝对误差范围是否在人们能接受的范围内，因此累积指数被用于年龄估计的性能评价中，累积指数的定义如下:

                                      (2)

式中，表示测试图像中估计年龄与真实年龄的绝对误差不超过 年的测试图像数， 为所有测试图像的总数。因此越小，CS 越大，说明估计年龄越接近真实年龄，年龄估计越准确。表1 对当前一些年龄估计系统的性能进行了总结与对比。

                       表1 性能对比

 

 

五．  主要结论与建议

5.1 主要结论

5.1.1年龄特征提取模型的选择

人体测量学模型利用了人脸的几何形状特征，主要适合于对未成年人进行年龄分类。柔性模型从整体入手，充分提取人脸图像的形状信息和全局纹理信息，可以更好地适应复杂图像的特征点定位和特征提取。特征子空间模型集人脸重构与年龄估计于一体，把每个人的变老过程作为一个独立的年龄模式，将个人身份与时间相结合，把基于完整数据库的年龄估计问题转化为非完整数据库的年龄估计问题，降低了年龄数据库的收集难度。流形学习模型以一种低维度的形式来表示原始年龄数据，能够捕获潜在的脸部年龄成长结构。外观模型是目前应用最为广泛，它较好地描述了面部的纹理特性，并常常与形状特征相融合，可以较好地实现全年龄段的年龄估计。

5.1.2 年龄估计模式的选择

在一般情况下，混合年龄估计器的性能都要优于单一年龄估计器。实际上这也是符合人脸变老的实际规律。人类衰老的面部表现因人而异，因此基于人脸图像的年龄估计是一种“特殊”的模式识别问题，仅仅采用单一的估计模式，很难满足人脸老化趋势的多样性。而混合年龄估计器就是为适应这种多样化趋势而提出的，它能够更好地综合每类分类器的优势，从而取得更优的年龄估计效果。

5.2困难与展望

目前在这方面的研究很广泛，但将年龄估计技术应用到现实生活中还是有很多困难与挑战，主要表现在以下几个方面：1) 大规模年龄数据库的采集与标注年龄数据库的采集时间范围跨度很大，目前国际上公开的多年龄人脸数据库还较少，并且人数规模有限。2) 特征提取纹理特征提取。尽管研究人员已经采用了多种外观模型对人脸进行描述，但是目前对纹理特征的提取还不够全面和深入。 3)目前的分类器设计主要是借鉴已有的机器学习领域的研究成果进行的，而基于人脸图像的年龄估计问题涉及生理学、心理学、计算机科学等多个学科，需要将多种学科有效结合，找到一种能全面反应人脸变老的年龄模式。4) 多姿态人脸的年龄估计现阶段的年龄数据库以及年龄特征提取模型主要针对于正面人脸图像进行的，怎样对非正面人脸图像进行年龄估计将是一个非常有意义的开放性研究领域。5) 基于多模态的年龄识别研究表明，不同年龄的人除了具有不同的面部特征外，还具有不同的行为特性与语音特征。因此在年龄估计时，如果考虑融合人的行为特性、语音特征等其他模态的信息，理论上能够提高年龄估计的精度。

六．  参考文献

[1]Kwon Y H，Lobo N． Age classification from facial images［C］/ /Proceedings of IEEE Conference onComputer Vision and PatternRecognition． Seattle， USA: IEEE Computer Society Press，1994: 762-767．

[2] Kwon Y，Lobo N． Age classification from facial images ［J］．Computer Vision and Image Understanding，1999，74( 1) : 1-21．

[3] Horng W B，Lee C P，Chen C W．Classification of age groupsbased on facial features ［J］． Journal of Science andEngineering，2001，4( 3) : 183-192．

[4] Cootes T，Edwards G，Taylor C． Active appearance models［J］．IEEE Transactions on Pattern Analysis and MachineIntelligence，2001，23( 6) :681-685．

[5] Lanitis A，Taylor C，Cootes T． Towardautomatic simulation of aging effects on face images ［J］． IEEE Transactions on Pattern Analysis andMachine Intelligence，2002，24( 4) :442-455．

[6] Geng X，Zhou Zh H，Smith-MilesK． Automatic age estimation based on facial agingpatterns［J］． IEEETransactions on Pattern Analysis and Machine Intelligence，2007，29( 12) : 2234-3340．

[7] Dehshibi M M， Bastanfard A． A newalgorithm for agerecognition from facial images ［J］． Signal Processing，2010，98( 8) : 2431-2444．

[8] Txia J D，Huang Ch L． Age estimationusing AAM and localfacial features ［C ］/ / Proceedings of Fifth International Conference onIntelligent Information Hiding and Multimedia Signal Processing． Kyoto: IEEE Press，2009:885-888．

[9] Guo G D，Mu G，Fu Y，Huang T S． Human age estimation using bio-inspired features ［C］/ / Proceedings of IEEE Conference onComputer Vision and Pattern Recognition． Miami: IEEEComputer Society Press，2009: 112-119．

[10] Suo J L，Zhu S C，Shan Sh G，et al． A compositional and dynamic model for face aging ［J］． IEEE Transactions on Pattern Analysis andMachine Intelligence，2010，32( 3) :385-401．

[11]余庆，杜吉祥． 基于一种改进NMF 算法的人脸年龄估计方法［J］．中国图象图形学报，2008，13( 10) : 1865-1868．

[12]徐蓉，姜峰． 流形学习概述［J］． 智能系统学报，2006，1( 1) : 44-51．

[13] Dehshibi M M， Bastanfard A． A newalgorithm for agerecognition from facial images ［J］． Signal Processing，2010，98( 8) : 2431-2444．

[14] Gao F，Ai H Zh． Face age classification on computer imageswithGabor feature and fuzzy LDA method，advances inbiometrics［J］． LectureNotes in Computer Science，2009，5558:132-141．

[15] Takimoto H，Mitsukura Y，Fukumi M，et al． A design of genderand age estimation systembased on facial knowledge ［C］//Proceedings of the International Joint Conference on SICEICASE．Busan，Korea: IEEE Press，2006: 3883-3886．

[16] Lanitis A，Taylor C，Cootes T． Towardautomatic simulation ofaging effects on face images ［J］． IEEE Transactions on Pattern Analysis andMachine Intelligence，2002，24( 4) :442-455．

[17] Lanitis A，Draganova C，ChristodoulouC． Comparing differentclassifiers for automatic ageestimation ［J］． IEEETransactionson Systems，Man，andCybernetics，Part B: Cybernetics，2004，34( 1) : 621-628．

[18]张宇，周志华． 基于集成的年龄估计方法［J］．自动化学报，2008，34( 8) : 997-1000．

[19] Ni B B，Song Zh，Yan H Ch． Web imageand video miningtowards universal and robust age estimator ［J］． IEEE

Transactions on Multimedia，2011，6( 1) : 1-14．

[20] Chang K Y，Chen Ch S，Hung Y P． A ranking approach for human ages estimation based onface images［C］/ /Proceedings of 2010 International Conference on Pattern Recognition．Istanbul，Turkey: IEEE Computer Society Press，2010: 3396-3399．

[21] Ma Y， Xiong T， Zou Y M， et al． Personal-speciifc age estimation under rankingframework［C］/ /Proceedings of the 1^st ACM International Conference on MultimediaRetrieval． Trento，Italy: ACMPress，2011: 294-301．

[22] Guo G D，Fu Y，Dyer C R． Aprobabilistic fusion approach tohuman age prediction ［C］/ / Proceedings of IEEE Computer SocietyConference on Computer Vision and Pattern RecognitionWorkshops． Alaska: IEEE Press，2008: 1-6．

[23] Wang C C，Su Y C，Hsu Ch T，et al． Bayesian age estimationon face images ［C］ / / Proceedings of the 2009 IEEE InternationalConference on Multimedia and Expo． New York: IEEEPress，2009: 282-285．