基于深度學習的人臉圖像年齡估計

李玨 盧鶴

摘 ?要：人臉圖像能夠表現大量生物學上的復雜信息，從人臉圖像中對人物的年齡進行估計有助于機器視覺在安防、預測等方面的應用。本文提出了一種新的深度神經網絡，利用卷積神經網絡對人臉圖像進行特征提取，結合多層自編碼器實現對不同年齡層的分類。同時對提取的人臉特征進行統計，分析隨人物衰老變化較大的神經元。在FG-NET數據集上獲得了較高準確率。

關鍵詞：深度神經網絡;人臉圖像;年齡估計

中圖分類號：TP391 ? ? 文獻標識碼：A 文章編號：2096-4706（2019）18-0040-03

Abstract：Face images can represent a large amount of complex biological information. Estimating the age of human from face images is helpful for the application of machine vision in security，prediction and so on. In this paper，a new depth neural network is proposed，which uses convolution neural network to extract features from face images and combines with multi-layer self-encoder to classify different age levels. At the same time，the extracted facial features are counted and the neurons which change greatly with the aging of the characters are analyzed. High accuracy is obtained on FG-NET dataset.

Keywords：deep neural network;facial images;age estimation

0 ?引 ?言

人臉圖像相比虹膜、指紋識別更加直觀，并具有社會屬性，是辨別身份最常用的特征[1]，目前，基于機器學習的人臉識別已取得了巨大進步，準確率已經超越人類，并廣泛應用在了工業級產品中[2]。

大數據環境和深度學習的結合，為人工智能在人臉圖像上的應用提供了有利的條件。相比以往的淺層學習，深度學習構建了多層神經網絡，因此得以從大量數據中學習到更本質的特征。

人臉在成熟和衰老的過程中會因人而異地產生變化，這一變化很早就引起了人們的關注[3]。本文通過構建深度神經網絡，提取人物特征，并在FG-NET數據集上以年齡為標簽訓練神經網絡，實現對人臉圖像中人物的年齡估計。

1 ?深度學習

機器學習的目的是利用從數據中學習的特征，對新樣本做出推理或者預測。圖像數據計算量大，且具有冗余性，以往的人工特征，如SIFT特征點、LBP特征等雖然能很好地描述圖像的某些特征，但都極大地依賴特征的提取和選擇。淺層的機器學習算法如支持向量機（SVM）、線性回歸、聚類、邏輯回歸等雖然能夠結合人工特征提升計算機視覺的準確率，但由于算法表達復雜函數的能力有限，難以學習到隱含在數據中的特征[4]。

深度學習通過提高非線性運算的組合水平、加深網絡結構來實現對大量數據的特征學習。其模擬人類的視覺分層系統，隨著層次的加深對數據的內容逐步抽象，直至語義層面[5]。深度學習的進步也得益于大數據時代和計算機硬件的發展。

1.1 ?深度神經網絡

深度神經網絡是為了學習數據的特征的復雜非線性模型，假設模型為hw，b（x），則模型中的（w，b）就是網絡要學習的用以擬合數據的重要參數。

經過卷積和池化的特征最終會加入全連接層，用于分類或其他任務。卷積操作實際是對圖像的局部特征放大的過程，得到的特征在深一層的神經網絡里可以與其他神經元共享，這樣的并行學習使得網絡可以高效提取圖像特征。

2 ?人臉圖像的特征提取

本文設計了深度卷積神經網絡用以提取人臉圖像特征并識別人物，結合自編碼器實現了年齡估計。

2.1 ?構建深度神經網絡

利用圖1所示的深度卷積神經網絡提取人臉圖像的特征。人臉圖像經過深度卷積神經網絡計算得到160維的特征向量，經過自編碼器進一步降低維度，最終得到一個80維的全連接特征向量。

2.2 ?有監督訓練

大量數據和復雜問題更有利于性能良好的神經網絡的訓練[8]，著名的人臉數據庫有LFW、CelebFaces、YouTube Face等。選取YouTube Face（1595個人物，624552張照片）訓練本網絡，預處理包含檢測、剪裁處理，統一圖像尺寸。分別將訓練集和測試集數目設為32000和7875張，網絡訓練過程如圖2所示，其測試識別率最終達到93.7%。

3 ?人臉圖像的識別與年齡估計

測試數據集采用針對年齡變化的著名數據庫FG-NET[9]，包含82個人物的1002張圖片。

3.1 ?數據預處理與標簽

FG-NET數據具有以下特點：年齡跨度大，圖像受表情、光照、眼鏡、發色等干擾，且質量、尺寸有所不同。在預處理時，將統一成（47×55×3）像素的圖像作為神經網絡的數據源。

數據庫對年齡跨度沒有設置規則。例如圖像中某些人物的年齡從幼年直至老年，也有的人物僅有部分中年圖像，且各自數量不同。

根據日常經驗，本文認為人在中青年時的一段時間面容變化最小，在幼年和老年面容變化較大。在設定數據標簽時，按近似正態分布的方式給定。假設要將年齡細分為n個層級，則用n的中位數標記30～50的年齡段，再向兩側分別標記。

3.2 ?實驗結果與分析

如圖1所示，經過神經網絡計算，最終獲得一個80維的向量進入Softmax回歸做分類計算。計算所得的是輸入的x分屬于某一個人在年齡階段標簽的概率p（y= PersonalAgej|x），實驗結果如圖3所示。

在實驗中，對年齡分層的多少直接影響了年齡估計的準確率。當分層為3時，即認為每個人物有幼年、青年、老年三種狀態，識別率為83.6%，分層為15時，則將人物年齡標記為15個不同標簽，識別率為53.6%。實驗過程中，神經網絡對同一人物的識別率一直保持較高水平。以分層為6為例，實驗中的部分結果在表1、表2中顯示。

神經網絡輸出的特征向量具有很強的表達能力，在訓練中由于運用年齡作為一種依據，響應大特征的表達體現了衰老。如圖4所示，某些神經元表現出對年齡極大的響應，某一些卻不敏感。

4 ?結 ?論

本文設計了一個新的深度神經網絡，利用卷積神經網絡提取人臉圖像的特征，結合自編碼器，最終實現從人臉圖像中識別人物和估計人物年齡。并針對年齡改變而帶來的人臉變化，對敏感神經元進行分析。

在今后的工作中，可以通過提升網絡構建提升對年齡估計的準確率，并廣泛收集數據，使用更優良的數據庫訓練神經網絡。在對神經元進行分析后，可以在后續的工作里對敏感神經元加以深入研究，并利用不同神經元的表達重點提升網絡性能。

參考文獻：

[1] Jain Ak，Ross A，Prabhakar S. An Introduction to Biometric Recognition [J].IEEE Transactions on Circuits and Systems for Video Technology，2004，14（1）：4-20.

[2] 王曉剛，湯曉鷗.從統一子空間分析到聯合深度學習：人臉識別的十年歷程 [J].中國計算機學會通訊，2015（4）：8-15.

[3] Ramanathan N，Chellappa R. Face Verification across Age Progression [C]// Computer Vision and Pattern Recognition，2005. CVPR 2005. IEEE Computer Society Conference on. S.l.：s.n.，2005：462-469.

[4] 何清，李寧，羅文娟，等.大數據下的機器學習算法綜述 [J].模式識別與人工智能，2014，27（4）：327-336.

[5] 劉建偉，劉媛，羅雄麟.深度學習研究進展 [J].計算機應用研究，2014，31（7）：1921-1930+1942.

[6] Bengio Y，Lamblin P，Popovici D，et al. Greedy layer-wise training of deep networks [J]. Advances in Neural Information Processing Systems，2007，19：153-160.

[7] Fukushima K. Neocognitron：A Self_organizing Neural Network Model for a Mechanism of Pattern Recognition Unaffected by Shift in Position [J].Biological Cybernetics，1980，36（4）：193-202.

[8] Hinton G E，Osindero S，Teh Y W. A fast learning algorithm for deep belief nets [J].Neural Computation，2006，18（7）：1527-1554.

[9] Lanitis A. Evaluating the performance of face-aging algorithms [C]// IEEE International Conference on Automatic Face & Gesture Recognition，2009.

作者簡介：李玨（1990-），女，漢族，山東青島人，助理工程師，碩士研究生，研究方向：武器裝備信息化、機器學習;盧鶴（1991-），男，漢族，北京人，助理工程師，碩士研究生，研究方：軟件工程。