随着年龄的增长,人脸因骨骼的移动和生长而产生变形;皮肤逐渐失去活力,大多伴随着出现细纹和斑点。基于人脸面部特征分析和评估皮肤年龄在计算机视觉领域越来越受到更多的关注,肤龄自动化评估与皮肤健康状况的科学量化对美容、医疗、化妆品等诸多产业有着非常重要的研究意义和应用价值。目前,国内外关于肤龄的研究主要集中在临床医学和美容学领域,绝大部分研究都需要依赖激光共聚焦扫描显微镜或皮肤镜等专业设备。基于数码相机拍摄的人脸图像进行肤龄研究尚属非常罕见。随着年龄限制的应用场景的增多,年龄信息成为一种越来越重要的新兴生物特征,基于面部特征的年龄分类研究也逐渐成为计算机视觉领域热门研究课题之一。本课题针对数码相机、手机拍摄的人脸图像,通过分析面部特征,重点研究了肤龄随着年龄的生长变化模型,以及基于面部图像的年龄分类研究。主要研究内容和成果如下:1.研究了人脸图像预处理相关技术,包括像素灰度化、图像降噪、人脸对齐、人脸语义分割等技术,以利于后续图像特征提取、内容理解、肤龄和年龄分类研究;2.提出了基于视觉认知特征的肤龄变化模型。分别提取面部皮肤底层像素特征、高层语义特征,通过统计分析,建立了基于视觉认知特征的人脸肤龄变化模型。从而有效量化并验证了人脸面部皮肤随年龄增长,平滑度越来越低且皱纹越来越多;3.提出了更符合人类视觉认知的2-off年龄分类模型。提取图像的低层特征,如PCA、HOG、Gabor等,生成图像的特征矢量并通过支持向量机搭建年龄分类模型,提出了更符合视觉认知的2-off年龄分类模型,较改进前的模型,年龄分类的准确率显著提高;4.基于深层卷积神经网络搭建年龄分类模型,提出了一种基于年龄序列的损失函数。通过搭建深层卷积神经网络进行年龄分类,通过改进SoftMax层损失函数,充分利用年龄之间的序列信息,实现了13%的准确率提升。