信
ia 与电
ns China Computer & Communication 專该語言2020年第22期
杜希婷
（北京建筑大学，北京100044）
摘 要：近年来，人脸表观年龄估计引起了越来越多的关注.基于此，本文对近年来表观年龄估计的相关研究发展 状况进行了综述，包括基于传统算法和基于深度学习算法两方面，然后对常用的数据库和性能评价指标进行了总结，最 后对基于人脸图像的表观年龄估计所面临的挑战和未来的发展方向进行了讨论. 关键词：人脸衰老；深度学习；表观年龄估计；年龄数据库毛刷制作
中图分类号：TP391 文献标识码：A 文章编号：1003-9767 （2020） 22-052-03
An Overview of Face Apparent Age Estimation
DU Xiting
(Beijing University of Civil Engineering and Architecture, Beijing 100044, China)
Abstract: In recent years, the estimation of apparent age of human face has attracted more and more attention. This paper summarizes the research and development of apparent age estimation in recent years, mainly including traditional methods and deep learning methods, and then summarizes the commonly used database and performance evaluation indicators. Finally, the challenges and future development of apparent age estimation based on face image are discussed*
Keywords: face aging;deep learning; apparent age estimation;aging database 1估计步骤介绍近年来，表观年龄估计逐渐引起关注，它是一个人看起 来的年龄，而非实际年龄。人脸表观年龄估计的流程包括人
脸检测与定位、人脸特征提取、表观年龄估计和性能评价， 如图1所示。图1人脸观年龄估计的流程2
数据集表观年龄数据集都较小，进行表观年龄研究时，一般会 采用规模较大的实际年龄数据集做预训练。2.1实际年龄数据集
FG-NET 数据集m 是本领域最早的公开数据集，含82 人的1 002张图像，每人有6 ~ 18张图像，年龄在0 ~ 69岁， 但是具有年龄分布不均衡的缺点。MORPH- II 数据集何包含 13 000人的55 132张图像，为本领域提供了强大的数据支撑， 可用来研究算法的鲁棒性。IMDB-WIKI 数据集［3］是本领域 公开数据集中规模最大的，含523 051幅图像，平均每人有23幅图像，5%的人有100多幅图像，年龄在0 ~ 100岁。
2.2表观年龄数据集LAP 2015数据集旳包括年龄为0 ~ 100岁的4 699张图像。 训练集、验证集、测试集分别为2 476张、1136张、1 087张。
LAP 2016数据集［5］包括年龄为0 ~ 100岁的7 592张图像。
训练集、验证集、测试集分别为4 113张、1 500张、1 979张,
平均每幅图像有10人标注。APPA-REAL 数据集［6］同时拥有
真实和表观年龄标注，包括年龄为0 ~ 95岁的7 591张图像。
训练集、验证集、测试集分别为4 113张、1 500张、1 978张,
平均每幅图像有38人标注。3估计方法
3.1基于传统算法的表观年龄估计最早表观年龄估计研究都采用传统图像处理算法。Fukai 等人［7］提出了基于遗传算法和自组织映射的年龄估计 系统，并在上述研究的基础上又使用Akaike' s Information Criterion 准则和线性多元回归分析确定影响各性别表观年龄 的因素叫作者简介：杜希婷（1990—），女，山西大同人，硕士研究生在读。研究方向：模式识别与图像处理。
2020年第22期
信19与电10
China Computer&Communication
公牛辅助3.2基于深度学习的表观年龄估计
基于深度学习的表观年龄估计算法有4种，即回归模型(Regression Model)、分类模型(Classification Model)、回归与分类相结合、标记分布模型(Label Distribution Model)□
造纸废水处理工艺3.2.1回归模型
回归模型利用人的年龄是连续自然数的特点，采用回归函数得到年龄估计模型。Zhu等人切的方法是基于多个GoogleNet deep网络，先提取深度网络的特征向量，然后把年龄分10组，在每个组中采用随机森林和支持向量回归来训练年龄估计器，采用分数级融合对所有预测进行融合得到最终的结果。Ranjan等人［10］采用深度卷积神经网络用于特征提取，网络拥有10个卷积层、5个池化层和1个全连接层。年龄估计的回归模型采用3层的人工神经网络。Agustsson等人［11］运用基于深度残差的回归方进一步完善Deep Expectation(DEX)□他们学习了一个新的回归变量(使用与CNN相同的DEX架构和相同的期望)来预测DEX残留，称为深度残差回归方法。
3.2.2分类模型
回归算法模型具有结构复杂、收敛难的特征，而人的年龄又可以分为几个年龄段，所以分类算法也被部分研究者使用。Antipov1121等人采用两个不同的网络来做预测：一是非儿童网络用来估算12岁以上人的表观年龄；二是单独的儿童VGG-16网络。其中，儿童网络是对非儿童网络的微调。
3.2.3回归与分类相结合
回归与分类相结合也就是既采用回归模型又采用分类模型。Yang等人［13］提出了DEX(Deep Expectation)方法。采用的CNN基于VGG-16架构，网络模型可以输出101个输出神经元，每个神经元对应一个整数年龄值(0~100)□Rothe等人网在上述研究基础上，提出一种基于单幅人脸图像的年龄估
计深度学习算法。他们提出虽然年龄估计是一个回归问题，但可以将年龄估计转换为多类分类，然后用softmax损失函数进行期望值细化。Michal等人［15］基于Rothe等人网的方法进行改进，提出了基于结构输出型支持向量机和深度特征的方法，并且验证此法明显优于直接深度学习。网络采用VGG-16架构，并且尝试了几种不同的功能选项，如使用Relu的全连接层或者不使用ReLU和不同的卷积层降维策略等。在不使用ReLU的情况下，在第7个全连接层上可以得到最佳结果。
Liu等人［16］采用基于一般到特殊深度迁移学习的端到端学习框架。他们对GoogLeNet做了两个改进：首先，移除两个辅助的损耗层；其次，在每个ReLU操作之前添加批处理规范化层，并删除所有的dropout操作以加速收敛。Malli等人呵采取年龄偏移分组方式进行年龄分组。他们将特定范围内的人脸图像进行分组，最终把年龄分成34个年龄段。此方法由3个不同的CNN组成，把网络的最后一层改为输出34个不同年龄段的类，通过采用softmax损失函数防止网络过拟合。最终结果对3个CNN加权求和确定。Teh等人阴提出称为关系网络的CNN模块，通过在最后一组CNN feature maps中学习空间关系来更精准地估计年龄。此方法的基础结构为ResNet-50网络，在ILSVRC2012数据集中初始化参数，通过加入两个平行的全连接层改进最后一层网络。第一个全连接层使用回归预测年龄，第二个全连接层使用分类器判断年龄。
3.2.4标记分布模型
Yang等人［13］提出了一种使用CNN和基于分布的损失函数的方法，首次尝试使用分布作为深度学习的目标。此方法构建了两种CNN，分别使用了KL散度损失函数和softmax 损失函数，然后对两种CNN的结果进行融合。Jared等人问提出基于CNN的标签学习框架，先生成每个图像的标签分布，然后使用卷积神经网络和KL散度损失函数学习标签分布。3.3表观年龄估计与实际年龄估计的关系
Agustsson等人［11］证明了通过一个一维支持向量回归，可以将预测的表观年龄映射到实际年龄，反之不成立。
4性能评价指标
(1)平均绝对误差(M4E)指预测年龄与标注年龄之间的绝对误差均值。
MAE=j^^a i-a i\(1)
N是待测人脸样本的数量;a t和玄分别是第i个待测人脸样本的真实年龄与通过年龄估计算法得到的预测年龄。血E越小效果越好。
(2)累计指数(CS)指预测年龄与标注年龄之间的差值小于等于某个预先设定好的阈值的测试样本数，与总的测试样本数之间的比值。
CS(e)=*》Ig(UTI-e)(2)
钢水净化剂
g()是一个布尔函数。e是容忍错误率，即设定的阈值；N是测样本数；4和玄分别是第i个待测人脸样本的真实年龄与预测年龄。在确定e阈值的情况下，CS越大效果越好。
偏离系数j的计算公式如下：
通乳器
1(o-f+A)2
£=1-丄工霧血(3)
mor n厶、
其中，“、”是志愿者标注的表观年龄平均值和标准差。
5结语
人脸表观年龄估计研究已有很多研究成果，但仍存在以下可改进的地方。第一，数据集规模较小，易导致训练模型泛化能力弱、出现过拟合，未来的发展方向是在已有数据集上实现数据扩增。第二，不同的生物持征(如年龄、性别等)之间存在相互依赖关系，在今后的研究中需要更多探讨。第
信
ia 与电
ns China Computer & Communication 專该語言2020年第22期
哑光玻璃三，表观年龄数据集要同时提供均值和方差，研究标准差的 方案也是发展趋势。参考文献[1] Sedo.Make an offer on this domain[EB/OL].(2015-05- 04) [2020-11 -25] .www.fgnet.rstmit/*[2] Ricanek K,Tesafaye T.MORPH: a longitudinal image database of normal adult age progression[C]//IEEE International Conference on Automatic Face and Gesture Recognition,2006.[3] Rasmus R,Radu T,Gool L V.DEX: Deep expectation of apparent age from a single image[C]//IEEE International Conference on Computer Vision Workshop,2015.[4] Escalera S,Fabian J,Pardo P,et al.Chalearn looking at people 2015: Apparent age and cultural event recognition datasets and results[C]//IEEE International Conference on Computer Vision Workshop,2015.[5] Escalera S,Torres M T,Martinez B,et al.ChaLearn looking at people and faces of the World: face analysis workshop and challenge 2016[C]//IEEE International Conference on Computer Vision and Pattern Recognition Workshop,2016.[6] Agustsson E,Timofte R,Escalera S,et al.Apparent and real age estimation in still images with deep residual regressors on appa-real database[C]//IEEE International Conference on Automatic Face and Gesture Recognition,2017.[7] Fukai H,Takimot
o H,Mitsukura Y,et al.Apparent age estimation system based on age perception[C]//SICE Annual Conference,2007.[8] Takimoto H,Fukai H,Mitsukura Y,et al.An analysis of the influence of facial feature for apparent age estimation[C]// International Conference on Intelligent Information Hiding and Multimedia Signal Processing,2009.[9] Zhu Y,Li Y,Guo W,et al.A study on apparent age estimation[C]//IEEE International Conference on Computer Vision Workshop,2015.[10] Ranjan R,Zhou S,Chen J C,et al.Unconstrained age
estimation with deep convolutional neural networks[C]//IEEE International Conference on Computer Vision Workshop,2015.
[11] Agustsson E,Timofte R,Escalera S,et al.Apparent and
real age estimation in still images with deep residual regressors
on appa-real database[C]//IEEE International Conference on Automatic Face and Gesture Recognition,2017.
[12] Antipov G,Baccouche M,Berrani S A,et al.Apparent age estimation from face images combining general and children-specialized deep learning models[C]//IEEE Conference
on Computer Vision and Pattern Recognition Workshop,2016.[13] Yang X,Gao B.Deep label distribution learning for apparent age estimation[C]//IEEE International Conference on
Computer Vision Workshop,2015(11):102-10&[14] Rothe R,Timofte R,Van Gool L V.Deep expectation of real and apparent age from a single image without facial landmarks [J]. International Journal of Computer
Vision,2016,35(2):11-23.[15] Michal C,Rothe R.Structured output SVM prediction of apparent age, gender and smile from deep features[C]// ChaLearn Looking at People and Faces of the World: Face Analysis Workshop and Challenge,2016.
[16] Liu X,Taylor C.AgeNet: Deeply learned regressor and classifier for robust apparent age estimation[C]//IEEE International Conference on Computer Vision Workshop,2015.[17] Malli R C, A y g un M,Ekenel H K.Apparent age
estimation using ensemble of deep learning models[C]//IEEE Conference on Computer Vision and Pattern Recognition Workshops,2016.
[18] Teh E W,Taylor G.Apparent age estimation with relational networks[C]//International Confe
rence on Computer and Robot Vision,2019.[19] Jared R,Marco A.Deep modeling of human age guesses
for apparent age estimation[C]//International Joint Conference on Neural Networks,2018.
