随着人脸识别技术的不断深入研究,基于视觉信息的人脸性别识别和年龄估计逐渐成为计算机视觉领域的研究热点之一。相比其他生物特征,人脸特征的信息丰富度较高且采集成本和难度较低,但同时其多样性与复杂性也对识别算法的精度和鲁棒性提出了较高的要求。本文针对上述问题,在分析了人脸性别识别和年龄估计国内外研究现状的基础上,对人脸检测、人脸性别特征与年龄特征的提取、性别估计与年龄分类方法等进行了深入研究。首先,介绍基于Adaboost算法的人脸检测的原理以及其训练算法,该方法对正面人脸检测有很好的效果。为了对人脸进行几何归一化,本文提出了基于两级定位框架的双眼定位方法,该方法首先利用Adaboost算法分割出两眼的区域,实现眼睛的粗略定位,然后再通过寻找积分投影曲线的波谷值点实现人眼的精确定位,实验表明该方法可以快速、准确的定位人眼中心点。其次,采用不同的分块方式提取能够反映人脸图像纹理信息的LBP特征,采用不同尺寸的像素块检索图像提取能够反映人脸图像形状信息的HOG特征,二者都能够作为人脸性别信息的一种表示,本文利用深度学习的理念,采用卷积神经网络提取人脸图像的性别特征,分别利用上述特征进行人脸性别分类实验,结果表明HOG特征能够取得最优的结果。最后,构建卷积神经网络提取人脸的年龄特征。当训练集样本数目不是很大时,直接利用训练集来训练CNN并不能使网络性能达到最佳,而解决方案是先利用样本数目充足的数据库预训练CNN来初始化网络权值,然后用本文训练集再次进行网络的训练与学习,通过对网络权值的微调使CNN能够满足本文的需求。采用CNN提取人脸年龄特征并检验其分类正确率,同时采用与性别识别相同的人脸特征提取方式提取人脸的LBP和HOG特征,作为人脸年龄特征,进行人脸年龄估计实验测试其性能。实验结果表明,CNN提取人脸年龄特征分类准确率最高,表明深度学习方法在样本充足及分类问题复杂时,能够提取到比人工特征性能更优的特征。综上所述,本文引入Adaboost算法实现人脸的检测和定位;提出基于两级定位框架的双眼定位方法确定双眼中心点的位置,实现人脸区域的几何归一化:采用人工特征和基于深度学习思路的卷积神经网络提取人脸性别及年龄特征,通过改变特征提取方式获得每种特征的多组特征,结合SVM分类器分别进行性别识别及年龄估计实验;实验结果表明人工特征更适合本文样本较少的性别识别问题,基于卷积神经网络的特征提取在本文样本增多的年龄估计问题上的性能更加突出。