年龄作为人脸所反映的一种重要生物特征被广泛应用于电子商务信息管理、安全监控等很多领域,可以通过容貌进行简单的推测。基于人脸图像的年龄估计近年来成为计算机视觉、人机交互领域的研究热点。人脸年龄估计是指利用机器学习算法从人脸图像中估计出对象所属的年龄段或具体的年龄值的过程。尽管人脸年龄估计问题的研究近年来取得了许多进展,但由于人脸变老过程的差异性和不可控性,以及人脸年龄数据库规模较小等,如何寻找合适的年龄表征方式和估计模型仍然是该问题的一个难点。传统的维度约减和年龄估计算法一般仅考虑了不同年龄段之间的类别差异性而忽略年龄标签之间的有序性结构,但这种有序性往往能更好地刻画年龄标签之间的关系。因此本文重点研究了年龄标签的有序性结构对人脸年龄估计性能的影响。研究结果表明,引入年龄标签有序性的估计算法能够取得较优的年龄估计结果。本文的主要研究内容如下:(1)提出了两种标签敏感的维度约减算法。分别在监督邻域的Fisher鉴别分析和最大间隔准则的基础上,根据样本对在特征空间中的相似性和标签之间的差异程度赋予特征不同的权重,使得在维度约减后的空间中,年龄标签之间的有序性得到充分挖掘。(2)提出了一个基于近邻的局部回归算法进行年龄估计。考虑到人脸变老进程的复杂性和维度约减后特征的局部统计特性,对于一幅样本图像,首先利用欧氏距离寻找其近邻,再基于近邻样本用标签分布的支持向量回归算法进行年龄估计。该方法与使用全部样本相比,不仅简单易行,大大节省了时间和空间资源的消耗,而且可以产生更精确的年龄决策函数。本文提出的两种标签敏感维度约减及基于近邻的局部回归算法有效的利用了年龄标签之间的有序性信息,并在一定程度上弥补了人脸年龄数据库中图像数量较少的缺点。在公开的FGNET数据库上的验证了本文算法的有效性。