2024年3月16日发(作者：)

2021

年第

1

期

信懇与电胭

China Computer & Communication

其技语言

基于

ReSNet

50

网络的年龄估计

范玉

i

’3苏江涛

u

邵定琴

U

3张乾1>2岳诗琴

u

(1.贵州民族大学数据科学与信息工程学院，贵州贵阳550025; 2.贵州民族大学教务处，

贵州贵阳550025; 3.贵州省模式识别与智能系统重点实验室，贵州贵阳550025 )

摘要：人

脸图像年龄估计在社交媒体、零售业务和学术研究等各个领域都具有重要的研究意义。

ResNet

网络是解

ResNet

50

网络在大型数据集

ImageNet

上进行模型预训练；其次，在数据集

morph

2

上训练模型；最后，在数据集

morphl

上进行模型测试。实验结果表明，

ResNet

50

网络在数据集

morphl

和

morph

2

上获得较高的估计精度。

关键词：

ResNet

50

网络；网络退化；年龄估计

中图分类号：

TP

391.41 文献标识码：

A

文章编号：1003-9767 (2021) 01-021-04

决深度网络结构退化问题的一种成熟算法，本文使用

ResNet

50

网络对人脸图像的年龄估计模型进行训练。首先，使用

Age Estimation Based on ResNet50 Network

SHAO

Dingqin

1’3,

ZHANG

Qian

1’2,

YUE

Shiqin

1’3,

FAN

Yu

1，3,

SU

Jiangtao

1，3

(1.

School

of

Data

Science

and

Information

Engineering

,

Guizhou

Minzu

University

,

Guiyang

Guizhou

550025,

China

;

2.

Academic

Affairs

Office

,

Guizhou

Minzu

University

,

Guiyang

Guizhou

550025,

China

;

3.

Key

Laboratory

of

Pattern

Recognition

and

Intelligent

Systems

of

Guizhou

Province

,

Guiyang

Guizhou

550025,

China

)

Abstract

:

Age

estimation

of

face

images

has

important

research

significance

in

various

fields

,

such

as

social

media

,

retail

business

and

academic

research

.

The

ResNet

network

is

a

mature

algorithm

to

solve

the

problem

of

deep

network

stmcture

degradation

.几

the

ResNet

50

network

to

train

the

age

estimation

model

of

face

images

.

First

,

the

ResNet

50

network

is

used

to

pre-train

the

model

on

the

large

dataset

ImageNet

;

Then

,

the

model

is

trained

on

the

dataset

morph

2;

Finally

,

test

the

model

on

the

dataset

morphl

.

The

experimental

results

show

that

the

ResNet

50

network

obtains

higher

estimation

accuracy

on

the

datasets

morphl

and

morph

2.

Keywords

：

ResNet

50

network

;

network

degradation

;

age

estimation

〇引言

从人的面部可获取身份、性别、种族、表情、年龄及健

康状态等诸多信息[1]。年龄是生物特征中非常重要的一项信

息，人们的行为、偏好与年龄具有显著的相关性，通过对年

龄的研究在人脸识别技术、人机交互系统、刑事案件侦查以

及个性化市场营销等领域具有广阔的市场前景[2_3]〇但是由于

人脸的衰老程度受遗传、健康状况、生活习性、职业、地域、

种族和性别等诸多因素的影响[4]，不同个体在不同年龄阶段

的成长模式均存在差异。这使得开展人脸图像年龄估计的研

究工作仍然面临着巨大的困难与挑战。

年龄分类问题主要把年龄看成一个离散的标签值，年龄估计

模型能够返回一个年龄值范围[6]。

Kwon

等人基于颅面的研

究，将47幅人脸图像划分为婴儿、年轻人和老年人3个年

龄群体[7];

Levi

等人使用深度卷积神经网络对年龄段进行识

别[8];

Dong

等人改进

DeepID

深度学习模型来构建年龄分类

Convolutional

Neural

Networks

,

CNN

)集成的年龄分类模型在数据集

Group

上获得了不错的效果[5];

Choi

等人使用支持向量机

（Support

Vector

Machines

,

SVM

)构建多级年龄分类器，并融合全局与

局部年龄特征，然后将构建的分类器用于年龄分类™。

年龄回归问题主要从考虑年龄是一个时间序列的连续

值，年龄估计模型返回一个具体的年龄预测值[6]。

Lanitis

等

人使用二次回归函数对人脸图像进行年龄估计[11];

Guo

等人

使用基于仿生学模型（

Bio-Inspired

Features

,

BIF

)提取年

模型[9];马文娟等人使用3个卷积神经网络

（

1

相关工作

基于人脸图像的年龄估计问题是一个特殊的机器学习或

模式识别问题，它可以是分类问题，也可以是回归问题[5]。

基金项目：国家自然科学基金项目（项目编号：61802082,

e

1263034, 61762020)。

作者简介：邵定琴（1992—)，女，贵州毕节人，硕士研宄生。

研宄方向：模式识别与图像处理。

21

苣■与电薦

其饯语言

China

Computer

&

Communication

2021

年第

1

期

龄特征，并用核偏最小二乘

KPLS

（Kernel

Partial

Least

Square

,

)方法实现年龄回归[12];

Jhony

等人先使用

SVM

将

人脸图像分成4个年龄段，再使用支持向量回归

Vector

（Support

Regression

,

SVR

)估计具体年龄[13];孟文倩等人先

使用

Component

CNN

提取面部的年龄特征，并使用主成分分析

sis

(Principal

Aoaly

，

PCA

)方法提取主要的年龄特征，然

后在

SVR

回归器上进行年龄估计[14];

Rotlie

等人提出深度期

望

（Deep

Expectation

,

DEX

)模型，该模型是由

VGG

-16 基

模型添加

softmax

函数后构成的深度网络模型[M]。

本文将一种基于深度学习的残差网络模型（

ResNetSO

)

RBI for ResNet50

用于人脸图像年龄估计，在国际公开年龄数据集

mwphl

和

morph

2上的实验结果表明，

ResNet

50网络模型对人脸图

像年龄估计具有很强的鲁棒性。

R82 for ResNetSO

2基于

ResNet

50网络模型的年龄估计

随着统计学习方法的推进，计算机视觉与深度学习领域

也得到了迅速发展[15]。近年来，大量研究者使用深度卷积神

经网络

（Deep

Convo

lutional

Neural

Network

，

DCNN

)在人

RB3 forResNetSO

脸图像年龄估计任务上获得较好的研究成果。

DCNN

网络随着深度的增加，可学习图像的信息增加，

但是网络越深越可能导致梯度消失、梯度爆炸问题，进而导

R84 for ResNetBO

致网络模型退化问题，还将増加模型训练的难度。

He

等人[15]

在原始的

DCNN

网络结构中加入快捷连接构成基本的残差元

(Residual

Block

,

RB

)，如图1所示[16]，添加快捷连接在

一定程度上能够解决

DCNN

网络退化问题。

图

2 ResNetSO

网络结构

[coiw la

I

y

t

er:lx 1x64

I ReLU~~

BatchNorm

residua

!

block

ResNet

围

1

残差块的结构

| conv Iaye

34和

ResNet

50两种网络结构是各个领域进行

iRellj

r:3x3x64 |

conv layer:

1x1x256

BatchNorm

学术研究常用的结构，是

| BgtchtMornn |

Block

由一系列不同的残差元

（Residual

，

RB

)堆叠而成。

ResNet

50网络结构如图2所示，

conv

layer

: 1

x

1

x

256 [

ResNet

50网络中的

RB

如图3所示。好(;〇表示

DCNN

网络

BatchNorm

中的原映射，添加快捷连接后，变为其

中却

X

)-

x

表示

ResNet

网络的映射，称为残差，

ReLU

对应的网络结构为残差网络。相对于来说较容易

图

3 ResNetSO

中的

RB1

拟合，因此

ResNet

网络提升了

DCNN

网络的性能。

3结果与分析

残差元

H

RB

定义为：

=

F

{

x

,{

W

}) +

X

(1)

为了评价

ResNet

50网络模型对人脸图像年龄估计的有

其中，

效

FOMFT

x

表示残差元

RB

的输入，孖表示残差元

RB

的输出，

性，采用常用的两个年龄估计模型的评价指标：平均绝对

})表示

ResNet

50网络的残差映射，并且

x

和

F

〇

c

,{^})

误差

（Mean

Absolute

Error

,

MAE

)和累计指数

（Cumulative

的维数必须相等，若

X

和的维数不等时，需要在快

Score

，

CS

)来度童年龄估计模型的性能，分别定义为：

捷连接上补加％线性投影：

H=F{x,{Wi})

+

Q{

x

,{W3})

(3)

(2)

八

i=l

22

n

与电雇

2021年第1期

China Computer & Communication

算找语言

cs

- =

Ne

<

tsm

% (4)

1.0

0,9

其中，乃表示人脸图像的标签值，只幻表示年龄预测值，

況表示测试样本总数，表示年龄估计误差

e

小于预

0.8

设阈值法卿

AoW

的测试样本数。

0.7

实验使用

morphl

和

morph

2数据集，该数据集中部分图

像实例如图4所示。

morph

数据集由北卡罗来纳大学通过采

3 06

集监狱里的犯人图像获得的，由

moiphl

和

morph

2两部分组

0

5

成。

morphl

包含了 19 873幅人脸图像，

morph

2包含13 000

0.4

多人的55 134幅人脸图像。

morpli

记录了每个对象的身高、

0

.B

体重

、性别

、年龄等信息，年龄在16 ~ 77岁之间。

0.2

0 2 4

Error

6 a 10

图6

CS

曲钱

表1实验發证结果

模型名称

训鱗本

测试样本

测试

MAE

提升酿（

CNN

基准）/%

ResNetSO

52 09819 8732.524.53

4结

语

52

基于緣图像的年膽计;的酿问题，本文械

53 55 57 52 52

图4

morph

败据集中部分图像实例

差网络应用到年龄估计任务中，使用

ResNetSO

网络训练年龄估

本文基于

Python

中的

keras

框架和计算机视觉库

Opencv

计用训练的漠型估计人脸图像的年龄，在

mraphl

和

mo

_2

进行编码及验证，将

ResNet

50网络在大型数据集

ImageNet

職滅型盼了薪的年龄估雅果。

上进行预训练，并把预训练模型在

mwph

2数据集上进行训练，

得到年龄佶计模型，然后在数据集

morphl

上对该年龄估计

参考文献

模型进行试验。图5为

MAE

变化曲线，图6年龄估计模型

[1] 林时苗，毛晓蛟，杨育彬.基于人脸图像的年龄估计[

J

].

在0 ~ 10岁误差上的

CS

曲线。

计算机科学，2015,42(6):32-36.

由图5可知，

MAE

值随

Epoch

的增加而减小，在25个

Epoch

[2]

Rofhe

R,Timoflte

R,Van

之后

MAE

值不变，此时模型收敛。由图6可知，年龄

a^iarent

估计模型估计人脸图像的年龄误差在3岁左右时，年龄估计

International

age

Gool

expectation

of

real

and

from

a

single

of

image

without

facial

landmarks

[

J

].

Journal

Computer

^

sion

,2018,126(2):144-157.

的精度可达90%。实验验证结果如表1所示，年龄估计模型

[3]

Rothe

RjUmofte

R,Van

Gool

LJDex

:

在

morphl

数据集上获得的

MAE

为2.5。因此，本文使用残差

age

网络

ResNet

50对人脸图像年龄估计具有很好的估计结果。

conference

a

Deep

e^ectaticm

of

apparent

fiom

single

image

[

C]//Proceedings

workshops

of

the

IEEE

international

on

computer

vision

,2015:10-15.

[4] 王先梅，梁玲燕，王志良，胡四泉.人脸图像的年龄#计技

0 20-

术研究[

J

].中国图象图形学报，2012，17(6):603_618.

[5] 马文娟，董红斌.基于集成卷积神经网络的人脸年龄分类

算法研究[

J

].计算机科学，2018,45(1): 152-156.

o

5

0

.

1

o.

[6] 朱秋煜，黄家虎，朱鸣.面向嵌入式应用的性别与年龄识别

UJ

d

V

检测系统[

J

].计算机工程，2018,44(7):188-192.

I

A

«

4

[7]

KwaaYHJx)bo

N

D

VlAge

Classifio

-

ation

fiom

Fadal

Images

[

J

].

I

Cctt^puter

%ion

&

Image

Undrastanding

，1999,74(

l

): 1-21.

[8]

%

Levi

o

convolutional

G,Hassner

and

gender

class

-

ification

using

2030 40 50

70

eo

Conference

neural

networks

[

C]//Proceediags

of

the

IEEE

Epoch

Workshops

on

Computer

Vision

and

Pattern

Recognition

,2015:34-42.

[9]

图

5 MAE

曲线

Dong

Y,Liu

Y,Lian

tic

age

estimation

based

on

learning

deep

algorithm

[

J

].

Neiirocomputmg

,2016$187(26):4-10.

23

黑铉语言

信麵与电睡

China Computer & Communication

2021年第1期

[10]

Choi

S

E,Lee

Y

J,Lee

S

J,et

estimation

using

a

hierarchical

classifier

based

on

global

and

local

facial

features

[

J

].

Pattern

recog

-

nition

,2011,44(6): 1262-1281.

[11]

Lanitis

A,Taylor

C

J,Cootes

T

F

.

Mode

-

ling

the

process

of

ageing

in

face

images

[

C]//IEEE

International

Conference

on

Computer

Vision

, 1999:131-136.

[12]

Guo

G,Mu

aneous

dimensionality

reduction

and

human

age

estimation

via

kernel

partial

least

squares

regression

[

C]//IEEE

Conference

on

Computer

Vision

and

Pattern

Rec

-

Computer

Society

,2011:657-664.

[13]

Jhony

K

,

Pontes,et

al.A

flexible

hierar

-

chical

approach

for

facial

age

estimation

based

on

multiple

features

[

J].Pattern

Recognition

?2016,54(7):34-51.

[14] 孟文倩，穆国旺.基于卷积神经网络和

SVR

的年龄估

计[

J

].河北工业大学学报,2〇19,48(1):8_12.

[15] 郑德鹏，杜吉祥，翟传敏.基于深度学习

MPCANet

的年

龄估计[

J

].南京师大学报（自然科学版),2017,40(1):20-26.

[16]

He

K,Zhang

X,Ren

S,et

residual

learning

for

image

recognition

[

C

]//

Pro

-

ceedings

of

the

IEEE

Conference

on

Computer

Vision

and

Pattern

Recognition

,2016:770-778.

24