利用人脸属性进行身份验证是最直接方便的手段,每个人的容貌随着年龄的变化会出现一定程度的改变,进而对人脸识别结果产生影响,因此人脸蕴含的大量年龄信息是识别个体的重要依据。与人脸图像分析相关的年龄估计、人脸老化合成研究是当下的热点问题,它们可以应用在很多重要的领域,如刑侦、数字娱乐等。随着社会的发展,各式各样以年龄为基础的人机交互信息系统持续改进升级,年龄估计与人脸老化合成技术在不断进步的过程中仍存在一些有待解决的问题。由于缺乏覆盖较长时间范围的同一受试者的年龄标签数据,并且要同时保证生成的老化人脸的老化效果和身份信息,所以人脸老化合成存在许多挑战。人脸老化会造成面部特征的改变,人脸年龄估计依赖面部特征,因此年龄估计与人脸老化二者联系十分紧密。由于人脸老化的复杂性和现有数据库的不完整,因此依靠年龄估计方法判断年龄更是难上加难。本文在探讨年龄估计相关问题的基础上,针对人脸老化合成问题进行了深入研究,完成了以下工作:(1)在年龄估计方面:人脸老化的表现形态因人而异,只依靠单一的年龄估计模型难以实现人脸老化复杂化和多样化的倾向。在实际应用中,收集到的数据集存在类别分布不平衡现象,样本数比较多的类别会对面部年龄估计过程中的整体损失值产生关键性影响,并且不同类别之间的误分类代价是不相等的。针对以上类别分布不平衡和未考虑误分类代价不等这两大问题,对损失函数进行改进:分别建立各个年龄类别的损失函数以解决类别分布不均衡问题;充分考虑误分类代价不相等的问题,利用代价矩阵表示各类别错误分类时付出的代价具有显著性差异。在神经网络设计方面,构建基于代价敏感轻量化卷积神经网络的年龄估计模型。本文采用了一种基于代价敏感轻量化卷积神经网络的年龄估计算法,在解决类别分布不平衡和误分类代价问题的同时使得网络结构更加轻量,从而提高了年龄估计的准确率和效率。(2)在人脸老化合成方面:人的面部衰老过程具有内在复杂性,即基于个体差异而呈现出不同的衰老状况。人脸老化合成需要同时考虑到老化效果的真实性和身份信息的一致性这两个方面,老化效果的真实性基于老化特征的准确表达和老化细节刻画的清晰程度。身份信息的一致性即老化过程中,老化的人脸在特征信息方面需要与原始的年轻人脸保持一定的相似性。基于上述两方面问题和生成对抗网络(Generative Adversarial Networks,GAN)训练的不稳定性,提出了一种基于混合域注意力机制GAN网络的人脸老化方法,大量实验表明,该方法能够在保证老化效果和维持身份信息的要求下合成老化人脸。(3)年龄估计与人脸老化合成的结合:将年龄估计算法应用于人脸老化合成的图像预处理阶段,实验结果证明,使用了经过年龄估计算法处理过的数据集后的人脸老化合成结果在老化准确性这一指标方面有了一些提高,再次说明了年龄估计算法的有效性。