原创 神经网络的人脸年龄识别方法

年龄作为人脸的重要生物学特征，在智能营销和刑事调查中具有重要影响。基于面部的年龄识别可以分为传统的机器学习方法和深度学习方法。

1传统机器学习

基于传统机器学习的面部年龄识别通常分为两个步骤：面部表示和年龄预测。在获得每个面部图像的特征表示之后，年龄预测可以解决为分类或回归问题。在传统方法中性能最好的Oh-ranker使用年龄标签的相对顺序信息。首先，根据年龄标签从小到大的顺序，将整个训练集分为n-1个类别。然后，训练n-1个SVM。但是，它仍然存在基于机器学习方法的普遍问题：1）基于手动设计的功能通常需要很强的先验知识，因此非常繁琐； 2）传统的判别模型和生成模型无法充分利用大数据量的优势，即随着样本量的增加，性能没有明显提高。受到深度学习在面部识别中的良好表现的启发，许多研究人员开始将其应用于面部年龄识别。确实，因为即使是在CNN上的大多数图像，也可以共享所有浅层特征的面部图像，因此减少了迁移研究，研究人员对于CNN的训练工作毫无意义，并且常常可以享受提升样本量带来的性能优势，但是他们没有确定年龄敏感的计算机视觉问题的典型成本，并有设计网络的需求，启发本文改进了CNN体系结构，并提出了价格敏感的卷积神经网络用于年龄估计。

2数据集和评估指标

众所周知，近年来，深度学习已广泛应用于图像，语音等领域，并保持了良好的性能。重要原因是大数据驱动的。基于此，为了进行年龄识别实验，选择了用于面部年龄识别的最大的开源数据集。从1990年代中期到2005年，它收集了来自15万人的55608幅图像，平均每人4张图像，平均间隔195天。它的年龄从16岁到77岁不等，涵盖了日常生活中的大多数年龄段。