年龄是人的一个重要生理属性,人脸年龄估计就是通过单张人脸图片估计人物的年龄,是人脸属性分析中的重要组成部分,也是计算机视觉领域中一个热门的研究课题。人脸中蕴含十分丰富的信息,年龄信息只是其中的一个子集。除了年龄信息外,脸部还包含了身份、性别、种族、情绪等多种年龄无关或弱相关的信息,这些信息在很大程度上会给年龄的判断带来干扰。目前业界常见的做法是通过大型卷积神经网络或网络集群的方式提高模型的拟合能力,以降低年龄无关信息对年龄估计的影响。但这样的做法大大增加了人脸年龄估计方法的模型尺寸和计算量,导致这类方法无法在一些计算和存储资源受限的场景中使用。本文针对上述提到的问题进行了研究并做出了改进,将隐变量分析(HFA)方法引入到人脸年龄估计中,对人脸特征中年龄相关的信息和年龄无关的信息(如身份信息等)进行分离,在保持模型较低的尺寸和计算量的前提下,有效地降低了年龄无关的信息对年龄估计的干扰,提高了人脸年龄估计的准确性。具体来说本文的主要工作包含如下几点:1.将隐变量分析方法与紧凑型卷积神经网络(CNN)结合,提出了一种新的人脸年龄估计方法:CNN-HFA方法。CNN-HFA使用一个紧凑型卷积神经网络提取图片特征,并通过隐变量分析模型对提取到的特征信息进行有针对性地分析,分离出年龄相关的信息而将其他信息过滤,减少了年龄无关的特征对年龄估计的干扰,从而在保持模型紧凑的前提下显著提高了人脸年龄估计的准确性。2.基于人脸关键点信息,对人脸图片提取一种多尺度特征(MHOG特征),并在此基础上引入隐变量分析模型,提出了一种新的人脸年龄估计方法:MHOG-HFA方法。MHOG-HFA首先根据人脸关键点信息对脸部提取MHOG特征,并使用隐变量分析模型提取MHOG特征中年龄相关的信息。MHOG-HFA方法显著提高了传统基于HOG特征的人脸年龄估计方法的性能,同时与业界领先的特征描述子方法以及卷积神经网络方法相比,在模型计算量上具有突出的优势。3.基于局部保留投影方法,对本文提出的两种人脸年龄估计方法中特征降维部分进行改进。局部保留投影在数据降维时可以保留样本的邻域结构信息,并对异常数据有较好的鲁棒性。通过本文的实验和分析,局部保留投影的上述两个优点可以帮助隐变量分析模型的训练,从而提高人脸年龄估计方法的整体性能。