全文总字数：2015字

1. 研究目的与意义及国内外研究现状

随着计算机视觉技术和模式识别的发展，人脸检测和人脸识别技术已经逐渐趋于成熟，并且广泛应用于各个领域。人脸图像中的年龄信息有着非常重要的实用价值，因此对于人脸年龄估计的研究有着很大的现实意义和应用前景。人脸图像的年龄估计是指计算机根据输入的人脸图像估计出其年龄，虽然研究者们为解决年龄估计问题付出了巨大努力，但仍然面临着很多的挑战，如人脸年龄受性别，生活环境等外界因素影响等。因此，年龄估计问题的研究仍需要我们的继续努力和关注。本文基于卷积神经网络的人脸年龄估计方法，编写人脸检测、面部校准、图像剪裁程序，对cacd数据集中的图像进行预处理，用预处理后的数据集对vgg16网络以及resnet50网络进行训练，实现对cacd数据集中人脸图像年龄估计，并比较不同网络的性能。

国内外研究现状

长期以来，人脸图像处理一直都是学者研究的对象，而年龄估计作为近年来兴起的新技术，由于其巨大的现实意义和应用价值，吸引了国内外众多学者的关注与研究。随着模式识别计算机视觉技术的飞速发展，人脸图像的年龄估计也取得了巨大的突破与发展。但大多数都由国外提出，国内还处于初步阶段，人脸年龄估计问题还需广大学者的进一步研究。

年龄估计的大致可分为传统方法和深度学习方法。传统方法可粗略分为手动提取特征和年龄估计两个阶段。常见的特征提取模型包括人体测量学模型、特征子空间模型、柔性模型、流形学习以及外观模型等。由于传统方法中的特征提取模型局限性较大，往往只能进行粗略估计或者只能进行某一特定年龄段的估计。

近年来伴随着深度学习的火爆，应用深度学习方法解决人脸年龄估计问题成为了主流，深度学习算法基于大量的样本数据，通过构建一个多层的深度神经网络，使机器能够自主地从训练样本数据中获得深层次的网络参数来表征这些样本自身的内容特征，这些特征能够更好地区别样本中的类别。典型的深度学习模型有深度置信网络、堆叠式自编码器、卷积神经网络等。rasmus rothe等人提出的将年龄估计转化为分类问题，用深度学习的cnn方法来训练，该方法在2015年获得了chalearn lap表面年龄估计的第一名。

2. 研究的基本内容

本课题主要是实现对图像中的人脸的年龄段估计，通过编写图像预处理程序是实现人脸的检测、对齐和剪裁。

再将所有预处理好的图片放入vgg-16网络以及resnet50网络中进行训练，实现人脸年龄估计，并比较不同网络的性能。

具体到实现上在pycharm上采用python语言编程，利用dlib自带的frontal_face_detector（正面人脸检测器）和 shape_predictor（人脸 68 点特征检测器），进行人脸68点特征检测并提取人脸外形矩形框，根据两眼位置计算仿射变换矩阵，进行仿射变换，实现人脸对齐。

3. 实施方案、进度安排及预期效果

实施方案： 通过查阅相关资料和动手实践，深入了解卷积神经网络基本概念和原理以及开发工具的使用方法。 先把相关概念、基本原理和使用方法了解透彻，再通过pycharm编写程序实现相应功能。进度安排： 2019年1月-2月查阅相关资料，学习有关卷积神经网络、tensorflow的理论知识以及开发软件的使用方法，并且把所要用到的开发软件安装好配置好。 2019年2月-3月根据前期准备，编写图像预处理程序，运行程序；并将预处理过的图像输入神经网络进行训练，不断训练网络，调整网络参数，以获得较高正确率。 2019年4月－5月 完善细节，完成毕业论文。

预期效果：根据输入系统的图像能够实现图像中人脸年龄的估计

4. 参考文献

[1] 周志华. 机器学习. 清华大学出版社.2016

[2]rodolfo bonnin .tensorflow机器学习项目实战.人民邮电出版社.2017

[3]karen simonyan and andrew zisserman. very deep convolutional networks for large-scale image recognition.