摘 要

随着大数据时代的到来，在社会中，各行各业开始变得需要处理数量巨大的计算机视觉数据信息。而在这些信息中，很大一部分数据信息是各种年龄、性别、肤色的人类在社会生活中的人脸图像信息。因为人脸是人类最具有个性和区分性的特征信息，人脸图像包含了许多有关身份属性的生物特征信息，因此很多商业领域中都开始广泛应用人脸识别技术。因为人脸包含了较多的可区分生物特征信息，这些信息可用于人脸年龄识别分类等研究。本文基于已有的卷积神经网络Alex net，对于用于人脸年龄识别的数据库进行训练和迁移学习，通过卷积神经网络提取人脸图像像素矩阵的高维信息，在训练过程中生成特定的算法，对图像进行分析处理，得到年龄估计结果。

关键词:计算机视觉 人脸识别 卷积神经网络

Abstract

With the advent of the era of big data, we can access and handle huge computer vision data. In this information, face image information has a large proportion and very important significance. Because human faces are the most characteristic and distinguishing feature information of human beings, facial images contain many biometric information about identity attributes, so face recognition has been widely used in many commercial fields in society. Because the face contains more distinguishable biometric information, this information can be used for face age recognition and classification research. In this paper, based on the face age analysis algorithm of deep convolutional network, the existing convolutional neural network alexnet is used for migration learning. The high dimensional information of the pixel matrix of face image is obtained by convolutional neural network and analyzed and processed to obtain the age estimation result.

Key word:computer vision face recognition convolutional nueral network

目录

摘要 I

Abstract II

目录 III

1. 绪论 1

1.1 研究背景 1

1.2 研究意义 1

1.4 常用数据库 3

1.5 研究工作 4

2. 方案论证以及选择 5

2.1 基于pca的跨年龄人脸识别技术 5

2.2 基于CNN的跨年龄人脸识别技术 6

3. 基于卷积神经网络的人脸识别 7

3.1 卷积神经网络基本知识的介绍 7

3.2 CNN各个部分简要说明 7

4. 基于CNN的人脸识别年龄估计 11

4.1 基于CNN的迁移学习 11

4.1.1 Alex net神经网络 11

4.1.2 对图像数据库的预处理 11

4.1.3 有关迁移学习的研究工作 13

5. 总结和展望 16

5.1 总结 16

5.2 展望 16

参考文献 17

致谢 19

1. 绪论

1.1 研究背景

在人脸图像中，包含着有关人类身份属性的相关生物特征信息，这些信息可分类为种族、性别、年龄等等。多年来，传统的人脸识别方法有a.pca人脸识别方法、b.svm人脸识别方法c.贝叶斯人脸识别算法等等。近年来，由于大数据时代的到来，我们面临着要处理分析数量巨大的人脸图像数据集的挑战，传统的人脸识别方法在效率上以及准确性上越来越无法满足需求，有着很大的局限性。随着神经网络的研究与发展，在图像识别领域中，越来越多地研究者们开始关注和应用卷积神经网络技术于图像的分析处理分类。相比于传统的人脸识别分类方法，卷积神经网络识别人脸图像不需要繁琐的预处理过程，可以直接输入原始人脸数据库，自动提取高维特征。而且由于卷积神经网络的局部连接以及权值共享的特性，卷积神经网络的网络参数很少，结构也很简单。

人脸识别研究有很多方面的应用，比如：

入口验证：

在如今，大数据时代下的社会中，人们的身份信息都被录入了政府部门。在很多地方都用到了基于人脸识别的身份验证技术。比如车站的入口检测、很多限定参与人员的大型活动的入口检测、一些特定机构的机密建筑的入口检测，都需要这项技术来用于安保技术。

身份识别：

在人们的身份信息被有选择性的在网络上共享后，基于人脸识别的身份识别技术也有着很重要的研究意义。比如公安机关在查案时，会根据现场的很多图像信息（通常通过摄像头获取）来综合分析所需要的身份信息，例如犯罪事件中的犯罪嫌疑分子的身份信息。

人机交互

在如今人工智能发展如此火热的时代，人机交互技术与人脸识别技术的关联性日益增长。比如，在很多图像处理软件中都有对人脸的特定处理方式，这其中就涉及到了人脸检测定位技术和人脸特定属性识别技术。有的APP能够对人脸进行美白磨皮等操作，有的APP能够对人脸进行减龄等操作。

1.2 研究意义

现如今，人工智能深度学习领域中，人脸识别技术发展成了一个很重要的研究方向。在计算机视觉领域，人脸研究的方向有如下几种：人脸定位检测、性别估计、身份识别、人脸年龄分类等。本文重点研究人脸年龄估计与分类的相关技术。

1.3 国内外研究现状

从上世纪二三十年代开始，人们开始研究计算机视觉技术，这一研究领域开始飞速的发展。人脸识别技术作为完全以计算机为基础的研究方向，是计算机视觉研究的十分重要的一个方向。目前人脸跟踪识别以及身份识别领域的研究有了很大的进步以及很成熟的成果，但目前看来，针对特定属性的人脸识别技术的相关研究还不够成熟，研究水平处于起步阶段，例如人脸性别识别以及人脸年龄估计。但随着大数据时代的到来，人脸数据库的不断丰富，在这一方面的发展一定会得到极大的促进，人脸年龄估计技术的研究与应用水平会得到极大的提升。

国际上，最早提出“年龄估计”这一概念的一批人是Young和Niels[4]。早在1994年，他们就提出了一种方法来分析人脸图像来进行年龄估计。但是他们的研究工作在技术水平上较为简单，他们只是把年龄简单地分成三种：小孩、年轻人和老年人。Hayashi等人[24]的研究十分仔细，提出了对于基于Hough变换的皱纹纹理和人脸图像肤色分析的年龄和性别识别的方法。2003年，Iga等人开发了一个用于估计年龄的分类器，基于向量机。Lanitis等人[25]提出一种基于人脸图像外观的数学统计模型。他们对不同分类器的决策能力进行了横向对比，认为机器有能力达到和人脑一样估计年龄的水平。

人脸年龄估计近年来引起了很多研究计算机视觉方面的工作人员的兴趣，所谓计算机视觉方面的人脸年龄估计，就是用计算机对人脸进行建模，对于人脸上与年龄相关的特征信息建模，从而使机器能够通过对人脸图像的分析然后做出决策，将人脸分类为某个年龄或某个年龄段。众所周知，人脸的衰老过程是一个不受意志支配的过程。这个过程会受到诸多外界因素的影响，比如生活环境、工作压力、生活习惯、经济水平、社会影响以及健康状况等因素。这个过程还受到内在因素例如遗传基因的作用。随着年龄的变化，人脸在不同的年龄阶段会展现出不同的形态。所以，基于人脸识别的年龄估计在研究和实际应用当中都有着很大的难度。

（1）人体测量学

人体测量学，顾名思义，是描述人脸轮廓与年龄增长这两者之间潜在的数学规律。它测量人脸图像中的结构信息。Kwon等人[1]最早采用人体测量学模型对人脸图像进行年龄特征提取。他们的工作先是对人脸进行轮廓检测，采用的方法是可变性模板和Snakenets能量函数；在检测到人脸图像后对人脸图像进行人脸特征定位；在此基础上，经过实验研究对比，提出六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: 两眼之间和眼鼻之间的距离、两眼之间和眼嘴之间的距离、两眼之间和眼睛下巴之间的距离、眼鼻子和眼睛嘴巴的距离’眼睛嘴巴赫眼睛下巴的距离’头部下巴／和眼睛下巴的距离。该方法所依据的主要理论知识是颅面发展理论，这是Todd等人[3]在研究关于颅面增长的变化过程中，提出的一种“修正”曲线拉伸模型。该模型十分准确的表述了一个人从幼儿时期到青少年再到成年时期头部颅骨轮廓变化的规律，表达式如下：

Horng等人[2]根据人脸的对称性，对人脸进行特征点提取与建模，所采取的方法是Sobel边缘检测法，提取出嘴巴到眼睛、眼睛到眼睛、两眼到鼻子、鼻子到嘴巴等几种数学模型特征。最后采用BP神经网络，输入训练数据进行训练并实现婴儿年龄( 0至2岁) 和非婴儿( 3岁以上) 的分类。

因为人脑颅骨的形状具有对称性等特点，所以可以被简化为有规律的数学模型，并且在其中找出跟几何特征有关的特征点。人体测量学模型就是对人脸颅骨的分析，提取的就是人脸的物理特征，主要适用于对未成年人图像的分析分类。但由于人脸颅骨的对称性只有在分析正面人脸图像时才有实用价值，所以这一模型的建模计算过程受人脸姿态变化的影响，职能用于分析正面人脸图像。目前我们还没有见过单独应用这一模型于人脸识别技术中。

（2）柔性模型

柔性模型[2]是将人脸图像的物理形状与其他信息（灰度纹理等）结合起来，用统计的方式建立人脸模型。这一统计方法的代表是主动形状模型( ASM) 和主动外观模型( AAM) 。

在 ASM/AAM 柔性模型中，人脸图像 x 可表示为

式中，xm 是平均脸，P 是特征向量矩阵，b是模型参数。

AAM[5]是由 Cootes 等人提出的一种扩展人脸统计模型，其中添加了全局纹理模型。Lanitis 等人[6]首次将 AAM 应用于基于人脸图像的年龄估计特征提取中，他们的工作是构建年龄与人脸特征参数的函数 y = f( x)，x 是人脸模型参数，y 是与人脸图像对应的估计年龄值，f 为这两者之间的对应函数。