人脸图像可以直观地反映出许多与人相关的个性化特征,不仅包括性别、年龄、种族、肤色等这些生物学特征,还传递出丰富多样的神态和情绪。在这些个性化特征中,年龄是一种极具实用价值的生物学信息。给定一张真实的人脸图像,在提取出与年龄相关的人脸特征的基础上,建立年龄估计模型,从而自动地输出人脸图像的预测年龄,这种基于计算机视觉的学习过程称为人脸年龄估计。针对人脸图像训练数据不充足和不完整的问题,基于标记分布学习的人脸年龄估计为每张人脸图像生成覆盖真实年龄及其附近年龄的标记分布,再采用标记分布模型对人脸年龄进行估计。年龄标记分布对当前人脸图像的学习贡献度称为描述度,离真实年龄越近的邻居年龄则具有更高的描述度。传统的标记分布学习假设人脸老化速度在不同的年龄阶段是相同的,并采用标准差统一的离散高斯分布为每张人脸图像生成标记分布。但是实际上,人脸的老化速度是随年龄改变而不同的,例如,人脸外观在幼年时期和老年时期的变化趋势比在中年时期更明显。因此,将所有年龄的标记分布设定为统一的标准差是不合理的。针对传统基于标记分布学习的多重多元回归模型不能够生成和人脸老化趋势一致的标记分布的问题,本文提出自适应多重多元回归的人脸年龄估计方法,在为不同年龄生成具有自适应标准差的离散高斯分布的基础上,建立多因变量偏最小二乘回归模型进行人脸年龄估计。自适应多重多元回归方法自适应地可以为人脸特征变化较大的年龄建立较小标准差的标记分布,为人脸特征较为稳定的年龄建立较大标准差的标记分布,从而在年龄估计模型中更为有效地利用邻居年龄的人脸老化信息。在MORPH数据库上的实验结果表明,与已有的传统基于标记分布学习的人脸年龄估计方法相比,本文提出的方法可以提高人脸年龄估计算法的精度。