基于人脸的年龄估计是人脸图像研究领域的重要课题,也是计算机视觉领域里不可或缺的研究课题。年龄作为人脸的重要属性,通过年龄可以为人脸识别,目标跟踪,身份确认等任务提供验证信息。人脸应用场景复杂,通过人脸进行非接触式年龄估计面临许多困难。近几年各种人脸年龄估计算法不断挑战年龄估计任务,效果越来越好。但是目前针对全场景应用的人脸年龄估计仍然面临诸多问题有待解决,例如数据集数量小,年龄估计算法特征提取不足,模型优化不足等。本文针对之前年龄估计算法的缺点提出如下创新:(1)本文使用密集型网络提取人脸年龄特征,最终得到高准确率、损失下降优于其他神经网络算法的人脸年龄估计模型。密集型网络年龄估计模型计算参数少,特征利用率高,但是相比于当前主流算法存在过拟合度较高的缺点。基于此对dropout网络层丢弃因子p指数函数化,提出DenseNet-ED(Exponential Dropout)网络。改进后密集型网络合理丢弃不同网络层提取的特征,随着层数的增加密集块提取的特征丢弃率增加,增加基础特征占比,降低模型的过拟度。提取的特征进行映射后,模型估计人脸年龄更准确。(2)为增加密集型网络的模型准确率和损失下降度,本文提出学习率振荡收缩调优算法对DenseNet-ED模型进行训练调优。该调优算法可以使网络在训练时学习参数最优解的过程中避免陷入局部最小值,使网络参数学习向参数最优解靠近,提升了DenseNet-ED模型年龄估计的鲁棒性和泛化能力。本论文在IMDB-Wiki数据集上进行人脸年龄估计得到70.013%的准确率和4.9813的平均绝对误差的好效果,通过与其他神经网络算法模型相比本密集型网络年龄估计模型人脸估计的年龄效果最好。