基于ResNet50网络的年龄估计

2021年第1期
信懇与电胭
China Computer & Communication其技语言基于R e S N e t50网络的年龄估计
邵定琴U3张乾1>2岳诗琴u范玉i’3苏江涛u
(1.贵州民族大学数据科学与信息工程学院，贵州贵阳550025; 2.贵州民族大学教务处，
贵州贵阳550025; 3.贵州省模式识别与智能系统重点实验室，贵州贵阳550025 )摘要：人脸图像年龄估计在社交媒体、零售业务和学术研究等各个领域都具有重要的研究意义。

ResNet网络是解 决深度网络结构退化问题的一种成熟算法，本文使用ResNet50网络对人脸图像的年龄估计模型进行训练。

首先，使用 ResNet50网络在大型数据集ImageNet上进行模型预训练；其次，在数据集morph2上训练模型；最后，在数据集morphl 上进行模型测试。

实验结果表明，ResNet50网络在数据集morphl和morph2上获得较高的估计精度。

关键词：ResNet50网络；网络退化；年龄估计
中图分类号：TP391.41 文献标识码：A文章编号：1003-9767 (2021) 01-021-04
Age Estimation Based on ResNet50 Network
SHAO Dingqin1’3,ZHANG Qian1’2,YUE Shiqin1’3,FAN Yu1，3,SU Jiangtao1，3
(1.School of Data Science and Information Engineering,Guizhou Minzu University,Guiyang Guizhou550025, China;
2. Academic Affairs Office,Guizhou Minzu University,Guiyang Guizhou550025, China;
3.Key Laboratory of Pattern Recognition and Intelligent Systems of Guizhou Province,Guiyang Guizhou550025, China)
Abstract:Age estimation of face images has important research significance in various fields,such as social media,retail business and academic research.The ResNet network is a mature algorithm to solve the problem of deep network stmcture degradation.几
the ResNet50 network to train the age estimation model of face images.First,the ResNet50 network is used to pre-train the model on the large dataset ImageNet;Then,the model is trained on the dataset morph2;Finally,test the model on the dataset morphl.The experimental results show that the ResNet50 network obtains higher estimation accuracy on the datasets morphl and morph2.
Keywords：ResNet50 network;network degradation;age estimation
〇引言
从人的面部可获取身份、性别、种族、表情、年龄及健 康状态等诸多信息[1]。

年龄是生物特征中非常重要的一项信 息，人们的行为、偏好与年龄具有显著的相关性，通过对年 龄的研究在人脸识别技术、人机交互系统、刑事案件侦查以 及个性化市场营销等领域具有广阔的市场前景[2_3]〇但是由于 人脸的衰老程度受遗传、健康状况、生活习性、职业、地域、种族和性别等诸多因素的影响[4]，不同个体在不同年龄阶段 的成长模式均存在差异。

这使得开展人脸图像年龄估计的研 究工作仍然面临着巨大的困难与挑战。

1相关工作
基于人脸图像的年龄估计问题是一个特殊的机器学习或 模式识别问题，它可以是分类问题，也可以是回归问题[5]。

基金项目：国家自然科学基金项目（项目编号：61802082, e 作者简介：邵定琴（1992—)，女，贵州毕节人，硕士研宄生。

年龄分类问题主要把年龄看成一个离散的标签值，年龄估计 模型能够返回一个年龄值范围[6]。

Kwon等人基于颅面的研 究，将47幅人脸图像划分为婴儿、年轻人和老年人3个年
龄群体[7];Levi等人使用深度卷积神经网络对年龄段进行识 别[8];Dong等人改进DeepID深度学习模型来构建年龄分类 模型[9];马文娟等人使用3个卷积神经网络（Convolutional Neural Networks,CNN)集成的年龄分类模型在数据集Group 上获得了不错的效果[5];Choi等人使用支持向量机（Support Vector Machines,SVM)构建多级年龄分类器，并融合全局与
局部年龄特征，然后将构建的分类器用于年龄分类™。

年龄回归问题主要从考虑年龄是一个时间序列的连续
值，年龄估计模型返回一个具体的年龄预测值[6]。

Lanitis等 人使用二次回归函数对人脸图像进行年龄估计[11];Guo等人 使用基于仿生学模型（Bio-Inspired Features,BIF)提取年
1263034, 61762020)。

研宄方向：模式识别与图像处理。

其饯语言
苣■与电薦
China Computer& Communication2021年第1期
龄特征，并用核偏最小二乘（Kernel Partial Least Square , KPLS)方法实现年龄回归[12];Jhony等人先使用SVM将
人脸图像分成4个年龄段，再使用支持向量回归（Support Vector Regression,SVR)估计具体年龄[13];孟文倩等人先
使用CNN提取面部的年龄特征，并使用主成分分析(Principal Component Aoaly sis，PCA)方法提取主要的年龄特征，然
后在SVR回归器上进行年龄估计[14];Rotlie等人提出深度期 望（Deep Expectation,DEX)模型，该模型是由 VGG-16 基 模型添加softmax函数后构成的深度网络模型[M]。

本文将一种基于深度学习的残差网络模型（ResNetSO)用于人脸图像年龄估计，在国际公开年龄数据集mwphl 和morph2上的实验结果表明，ResNet50网络模型对人脸图 像年龄估计具有很强的鲁棒性。

2基于R esN et50网络模型的年龄估计
随着统计学习方法的推进，计算机视觉与深度学习领域 也得到了迅速发展[15]。

近年来，大量研究者使用深度卷积神 经网络（Deep Convo lutional Neural Network，DCNN)在人 脸图像年龄估计任务上获得较好的研究成果。

DCNN网络随着深度的增加，可学习图像的信息增加，但是网络越深越可能导致梯度消失、梯度爆炸问题，进而导 致网络模型退化问题，还将増加模型训练的难度。

He等人[15]在原始的DCNN网络结构中加入快捷连接构成基本的残差元 (Residual Block,RB)，如图1所示[16]，添加快捷连接在 一定程度上能够解决DCNN网络退化问题。

residua!block
围1残差块的结构
ResNet34和ResNet50两种网络结构是各个领域进行
学术研究常用的结构，是由一系列不同的残差元（Residual Block，RB)堆叠而成。

ResNet50网络结构如图2所示，ResNet50网络中的RB如图3所示。

好(;〇表示DCNN网络 中的原映射，添加快捷连接后，变为其
中却X)-x表示ResNet网络的映射，称为残差，对应的网络结构为残差网络。

相对于来说较容易拟合，因此ResNet网络提升了 DCNN网络的性能。

残差元RB定义为：
H=F{x,{W}) + X(1)
其中，x表示残差元RB的输入，孖表示残差元RB的输出，FOMFT})表示ResNet50网络的残差映射，并且x和F〇c,{^})
的维数必须相等，若X和的维数不等时，需要在快 捷连接上补加％线性投影：
H=F{x,{Wi}) + Q{x,{W3})(2)
RBI fo r ResNet50
R82 fo r ResNetSO
RB3 forResNetSO
R84 for ResNetBO
图2 ResNetSO网络结构
I t
[c o i w la y e r:lx 1x64
I ReLU~~
B a tc h N o rm
| co n v Ia y e r:3x3x64|
iRellj conv layer:
1x1x256
B a tc h N o rm
conv layer:1x1x256[
BatchNorm
|BgtchtMornn |
ReLU
图 3 ResNetSO 中的 R B1
3结果与分析
为了评价ResNet50网络模型对人脸图像年龄估计的有 效性，采用常用的两个年龄估计模型的评价指标：平均绝对 误差（Mean Absolute Error,MAE)和累计指数（Cumulative Score，CS)来度童年龄估计模型的性能，分别定义为：
八i=l
(3)
2021年第1期n
与电雇
China Computer & Communication
算找语言
2030 40 50Epoch
图5 M A E 曲线
70
eo
0 20-
c s - = Ne <ts m
% (4)
其中，乃表示人脸图像的标签值，只幻表示年龄预测值， 況表示测试样本总数，表示年龄估计误差e 小于预 设阈值法卿AoW 的测试样本数。

实验使用morphl 和morph 2数据集，该数据集中部分图 像实例如图4所示。

morph 数据集由北卡罗来纳大学通过采 集监狱里的犯人图像获得的，由m oiphl 和morph 2两部分组 成。

morphl 包含了 19 873幅人脸图像，morph 2包含13 000 多人的55 134幅人脸图像。

morpli 记录了每个对象的身高、 体重、性别、年龄等信息，年龄在16 ~ 77岁之间。

52
53 55 57 52
52
图4 morph 败据集中部分图像实例
本文基于Python 中的keras 框架和计算机视觉库Opencv
进行编码及验证，将
ResNet 50网络在大型数据集ImageNet
上进行预训练，并把预训练模型在mwph 2数据集上进行训练， 得到年龄佶计模型，然后在数据集morphl 上对该年龄估计 模型进行试验。

图5为MAE 变化曲线，图6年龄估计模型 在0 ~ 10岁误差上的C S 曲线。

由图5可知，MAE 值随Epoch 的增加而减小，在25个 Epoch 之后MAE 值不变，此时模型收敛。

由图6可知，年龄
估计模型估计人脸图像的年龄误差在3岁左右时，年龄估计 的精度可达90%。

实验验证结果如表1所示，年龄估计模型 在morphl 数据集上获得的MAE 为2.5。

因此，本文使用残差 网络ResNet 50对人脸图像年龄估计具有很好的估计结果。

1.0
0,9
0.8
0.7
3 06
0 5 0.4
0.B
0.2
0 2 4
6 a 10
Error
图6 C S 曲钱 表1
实验發证结果模型名称
训鱗本
测试样本测试MAE
提升酿（C N N 基准）/%
ResNetSO
52 098
19 873
2.5
24.53
4结语
基于緣图像的年膽计;的酿问题，本文械
差网络应用到年龄估计任务中，使用ResNetSO 网络训练年龄估计用训练的漠型估计人脸图像的年龄，在mraphl 和mo _2
職滅型盼了薪的年龄估雅果。

参考文献
[1] 林时苗，毛晓蛟，杨育彬.基于人脸图像的年龄估计[J ].
计算机科学，2015,42(6):32-36.
[2] Rofhe R,Timoflte R,Van Gool L.Deep expectation of real and
a^iarent age from a single image without facial landmarks [J ]. International Journal of Computer \^sion ,2018,126(2):144-157.[3] Rothe RjUmofte R,Van Gool LJDex : Deep e^ectaticm of a pparent age fiom a single image [C]//Proceedings of t he IEEE international conference on computer vision workshops ,2015:10-15.
[4] 王先梅，梁玲燕，王志良，胡四泉.人脸图像的年龄#计技
术研究[J ].中国图象图形学报，2012，17(6):603_618.
[5] 马文娟，董红斌.基于集成卷积神经网络的人脸年龄分类
算法研究[J ].计算机科学，2018,45(1): 152-156.
[6] 朱秋煜，黄家虎，朱鸣.面向嵌入式应用的性别与年龄识别
检测系统[J ].计算机工程，2018,44(7):188-192.
[7] KwaaYHJx)bo N D VlAge Classifio - ation fiom Fadal Images [J ].
Cctt^puter \%ion & Image Undrastanding ，1999,74(l ): 1-21.
[8] Levi G,Hassner T.Age and gender class - ification using convolutional neural networks [C]//Proceediags of the IEEE Conference on Computer Vision and Pattern Recognition Workshops ,2015:34-42.[9] Dong Y,Liu Y,Lian S.Automatic age estimation based on deep learning algorithm [J ].Neiirocomputmg ,2016$187(26):4-10.
50
%
1
«4
o o .o .d
UJ V I A I
黑铉语言信麵与电睡
China Computer & Communication2021年第1期
[10] Choi S E,Lee Y J,Lee S J,et al.Age estimation using a
hierarchical classifier based on global and local facial features[J].
Pattern recog-nition,2011,44(6):1262-1281.
[11] Lanitis A,Taylor C J,Cootes T F.Mode-ling the process of
ageing in face images[C]//IEEE International Conference on Computer Vision,1999:131-136.
[12] Guo G,Mu G.Simultaneous dimensionality reduction
and human age estimation via kernel partial least squares regression[C]//IEEE Conference on Computer Vision and Pattern Rec-ognition.IEEE Computer Society,2011:657-664.[13] Jhony K,Pontes,et al.A flexible hierar-chical approach for
facial age estimation based on multiple features[J].Pattern Recognition?2016,54(7):34-51.
[14] 孟文倩，穆国旺.基于卷积神经网络和SVR的年龄估
计[J].河北工业大学学报,2〇19,48(1):8_12.
[15] 郑德鹏，杜吉祥，翟传敏.基于深度学习MPCANet的年
龄估计[J].南京师大学报（自然科学版),2017,40(1):20-26.
[16] He K,Zhang X,Ren S,et al.Deep residual learning for image
recognition[C]//Pro-ceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2016:770-778.。