目前人脸识别技术已经趋于成熟,在许多领域广泛应用。与人脸识别技术相比,人脸的年龄估计相关技术相对还不成熟,有关于对人脸年龄估计的社会需求却越来越大。人脸图像是一种生物特征,通过识别生物特征去识别个体。然而,由于人类个体生活习惯、工作环境、先天基因及其他因素的差异性,相同年龄的个体在年龄特征的外在表现出巨大差异,因而年龄估计的研究发展仍然面临着巨大的挑战。传统算法采用手工的方式提取人脸年龄特征,过程繁琐复杂且只能提取浅层特征。卷积神经网络是一种常用的深度学习算法,直接将图像作为网络的输入,通过逐层的运算与反向传播自动提取具有判别力的图像深层次特征。为避免传统算法的过度预处理与手动选择特征的复杂过程,且更充分的提取了图像特征,本文结合卷积神经网络的图像处理方式进行人脸年龄估计基分类器的研究。目前用于年龄估计的分类器一般都是单独进行,分类器之间缺少信息交流,本文依据整体大于部分的思想,沿着集成学习的脉络展开人脸年龄估计的研究,首先进行人脸数字图像的采集与预处理;然后通过两个不同的卷积神经网络提取人脸年龄特征并生成多个不同的基分类器;其次,通过集成算法将多个基分类器进行结合,使得不同的基分类器之间信息得到交流;最后,将集成分类器用于年龄估计。主要研究内容如下:(1)图像预处理为增加数据集对网络的泛化能力,我们通过多角度裁剪、镜像对数据集进行了十倍的数据扩增。另外,在数据集中,由于人脸图像存在光照强度不等、头部姿势多样等因素直接影响网络的泛化能力,为减弱因环境变化带来的影响,本课题在网络训练之前将数据集的图像进行直方图均衡化处理。(2)人脸图像年龄特征提取研究通过双通道多卷积核卷积神经网络GONET和基于1×1卷积、通道混洗和稀疏连接的微型化卷积神经网络FYNET提取人脸图像年龄的特征,在FGNET数据集和CACD2000数据集上训练以获得基分类器。GONET网络旨在提高网络的精度,减少参数防止过拟合。在AlexNet模型的基础上,不改变网络卷积层的输入输出,利用1×3卷积、3×1卷积与3×3卷积之间的等效性,增加网络的深度与非线性,使得网络对图像特征表达能力增强,利用模块化与全局池化策略得到GONET网络。实验结果证明GONET网络识别效果显著,在提高识别精度的同时可大量减少网络参数。FYNET网络旨在保持网络的精度和微型化设计,通过通道混洗,将不同通道间的特征信息进行交换,更好的融合层与层之间的信息,提升网络对年龄特征的拟合能力,同时1×1卷积和稀疏连接可极大地减少网络的参数。实验结果证明FYNET网络在保证年龄估计正确率的前提下,可实现网络模型的微型化。(3)年龄估计集成算法研究为加强单一分类器间的信息交流,在基分类器之间分别使用最大概率的投票法、全局概率的加权平均法和最大概率的加权平均法三种集成策略。基分类器由GONET和FYNET生成。最大概率的投票法是通过统计所有基分类器的结果得到集成输出;全局概率的加权平均法和最大概率的加权平均法是通过将基分类器的输出作为算法的输入,并赋予每个基分类器一定的权重,最后按照加权平均法得到集成输出;全局概率的加权平均法权重更新方式是基于基分类器的所有类别输出概率;最大概率的加权平均法权重更新方式则是基于基分类器的单一类别的最大概率。在年龄数据集FGNET和CACD2000上进行实验,实验结果证明了集成分类器能综合单一基分类器的优点,获得比单一基分类器更好的年龄估计效果。