人脸图像进行年龄估计技术文献综述和参考文献
1年龄特征
人在变老过程中的变化主要包括面部形状和皮肤纹理细节的变化。因此，年龄特征主要包括：形状特征、纹理特征和两种特征的结合。
由于儿童的面部比例结构与成人相比，有很大的不同，使用特征点之间的距离之比或特征点的坐标可以表示形状特征，适用于区分儿童和成年人。而成年后，人脸的形状不会发生太大的改变，需要借助肤色的变化及皱纹等信息来进行分类。所以为了能表示所有年龄段的特征，可以将形状特征与纹理特征相结合。论文网
T. Cootes[1]提出了主动外观模型(Active Appearance Model, AAM)，它结合了形状信息和纹理信息。形状信息是对人脸特征点的坐标使用主成分分析得到的，然后将人脸图像对齐到平均形状，再用主成分分析得到纹理信息。
为了解决AAM中用主成分分析丢失一些重要的细节信息的问题，很多研究者在年龄估计的过程中综合使用了全局纹理信息和局部纹理信息。Txia[2]根据特征点的坐标来确定皱纹所在的区域，然后用Sobel算子来提取纹理信息，最后用支持向量机（Support Vector Machine, SVM）对纹理特征和AAM特征对年龄进行分类。Choi[3]将全局、局部特征相结合，使用AAM特征作为全局特征，而局部特征分为两种：皱纹信息和皮肤的纹理信息。在图像的不同区域使用Gabor滤波器得到皱纹信息，用局部二值模式（Local Binary Pattern , LBP)来提取皮肤的纹理信息。谢春华[4]提出基于多尺度的局部二值模式（MLBP)的主动表观模型，用以改善年龄估计的效果。通过这种将AAM特征与局部纹理特征相结合的方法可以有效的克服传统的主动表观模型的不足，使用这种方式建立的人脸年龄估计系统与单独使用AAM特征或局部纹理特征相比，性能上有了很大的提高。
2估计模型
人脸图像的年龄估计有其独特性，它可以认为是常规的识别问题或者是回归问题。一方面，若将年龄按段进行划分，年龄估计问题就是普通的识别问题。另一方面，由于人脸的年龄变化是一个连续的过程，若将人脸图像特征看作是自变量，年龄看作因变量，年龄估计就转化为回归问题。
Kwon和Lobo[5]提出了一种基于形状和人脸皱纹的年龄分类方法，将输入图像分为三个年龄段：婴儿、青少年和成年。Lanitis等人[6]为主动外观模型特征构建一个二次年龄函数。他后来还比较了不同的分类器对基于AAM特征的年龄估计的性能[7]的影响。用AAM进行人脸的编码，Geng等人[8][9]通过引入一个年龄模式子空间（AGES）来处理年龄估计问题，它是变老图像序列的一种子空间表示方法。Yang和Ai[10]使用AdaBoost算法对由一系列局部二值模式（LBP）特征组合成的人脸纹理的表示训练一个分类器。年龄被划分为三个段：儿童、成年和老年。支持向量机（SVM）能够很好的处理非线性与少数样本的情况，因此被广泛应用于年龄估计，Guo等人[11]对经典的SVM进行了扩展，以每个年龄为一类，为每类训练分类器，以适应年龄分类的要求。Alaa Tharwat等人[12]提出了三种不同的基于KNN的分类器用于人脸的年龄估计，并取得了比较好的性能。
年龄函数的形式以二次回归和支持向量回归居多,用于估计准确的年龄，每张测试图片最后都对应一个年龄值。Laniti[6]通过实验表明，在线性函数、平方函数和立方函数三种年龄评估函数中，平方函数的年龄估计性能最优。Gandhi[13]使用SVM来训练年龄函数，分析了图像的频域和空域表示、人脸区域选择、核函数和参数的选择以及最佳衰退函数的选择等因素对年龄估计的影响。Hui Fang等人[14]提出了一种基于特征的鉴别子空间来提取更具有鉴别性和鲁棒性的特征表示用于年龄估计，并使用平方函数和神经网络回归来评估这种特征的性能。Geng等[15]将每幅人脸图像看作标签分布的一个实例，并用IIS-LLD和CPNN两种算法研究这种标签分布。实验结果表明提出的标签分布学习算法与单个标签学习算法相比，不论是在年龄估计还是其它用途都有着明显的优势。
上一篇：成本粘性文献综述和参考文献