随着深度学习及相关技术的快速发展与完善,计算机视觉应用将更加广泛。其中人脸年龄估计是计算机视觉的一个极为重要的分支,在公共安防、人机交互、信息采集、视频检索及图片筛选等方面有着很大的潜在应用价值,具有十分重要的研究意义。本文通过分析现有的人脸年龄估计方法,从年龄数据集、年龄标记方法和网络结构三个方面进行研究,旨在提高人脸年龄估计模型的泛化能力和缩减模型参数。主要研究工作如下:(1)针对人脸年龄数据集数量少,数据不均衡的问题,对数据集进行增强。为了最大化发掘模型的性能,增强模型的泛化性,首先本文对现有的数据集进行数据增强来增加数据集的数量和多样性,然后从非限制场景中收集亚洲人脸图像31876张,用作模型后期微调以弥补数据集中亚洲人较少的缺陷。通过实验表明使用数据集增强后模型对亚洲人脸年龄的预测精度得到了很大的提高。(2)基于年龄范围的分段正态分布标记方法对人脸图片进行标记。根据不同年龄段的人脸衰老速度和方式的差异,分别对所划分的年龄段进行邻近年龄加权的正态分布。解决传统标记忽略相邻年龄之间的联系及不同阶段的人脸衰老速度和方式不同的问题。实验表明使用年龄分段的正态分布标记方法训练的模型与未使用的模型相比,该标记方法训练的模型的平均绝对误差降低了 0.45。(3)基于卷积神经网络提出一种轻量级人脸年龄估计网络模型。在提高模型效率降低运算量上,本文使用改进的瓶颈结构和深度可分离卷积层来代替标准的卷积层。在提高神经网络模型精度上,本文通过将残差网络结构嵌入到改进的瓶颈结构中来解决深度神经网络退化的问题。此外,本文对压缩激励网络结构进行改进,将其中的全链接层替换为卷积层并根据该层通道数选择合适的压缩比,然后将改进后的压缩激励结构融合到改进的瓶颈结构中。网络加入压缩激励结构后能够学习每个特征通道在整个特征图提取过程中的贡献程度,提高了网络的特征表达能力。通过实验表明,使用本文所提出的网络结构在预测精度和模型参数量方面都获得了更好的表现。