人脸识别不到位，兄弟秒变父与子！“人脸年龄识别挑战赛”火热进行中

相信很多朋友都在网上看到过这样一张图：

Oh，不！是这个：

这个：

还有这个：

究竟是什么，让原本只有一岁之差的两个人被 AI 误会为「形同父子」？今天就让我们一起来唠唠 AI 人脸年龄识别到底是怎么一回事——

AI 识别技术是什么？

要说识别与检测，首先必须谈到 AI 识别技术。自从人工智能概念开始火热起来，AI 识别应用也是层出不穷，有 AI 人脸识别、AI 自动驾驶道路识别、AI 农作物管理识别，甚至在垃圾分类推行后，又推出了 AI 垃圾分类识别等应用。

而人脸年龄识别，则是在 AI 人脸识别技术的基础上建立而得。总体来看，人脸识别算法的组成主要包含三部分，即：

• 人脸检测（Face Detection）

• 人脸对齐（Face Alignment）

• 人脸特征表征（Feature Representation）

人脸检测模块在于重点处理「人脸定位」问题；人脸对齐则是实现「人脸变换」，得到统一角度与姿态的人脸；而人脸特征表征则是对人脸细节进行识别与处理，我们所要得到的人脸年龄识别功能也是在这一阶段进行实现。

人脸识别技术的前世今生

尽管现在我们看来人脸识别技术还不够成熟，存在一定的安全隐患，但实际上人脸识别算法的发展，已经经历了 3 个阶段，包括：早期算法阶段、人工特征设计阶段、深度学习阶段。

早期算法阶段 - 20 世纪 60 年代，人脸识别工程化应用研究开启。早期的算法主要利用了人脸的几何结构进行辨识，通过将人脸图像当做高维的向量进行投影实现对不同人产生不同的区分度。

人工特征设计阶段 - 随着机器学习理论的发展，研究者们相继探索出了基于遗传算法、支持向量机（Support Vector Machine，SVM）、boosting、流形学习、稀疏表达（Sparse Representation）以及核方法等进行人脸识别。其中的关键在于人工特征的设计，可以有效解决人脸姿态、表情发生变化时，精度严重下降的情况。

深度学习阶段 - 近年来，由于深度学习的不断发展，研究者利用卷积神经网络（CNN）对海量的人脸图片进行学习，然后对输入图像提取出对区分不同人的脸有用的特征向量，替代人工设计的特征。自此，Gabor 及 LBP 特征描述子成为人脸识别领域最为成功的两种人工设计局部描述子，研究者们也一直在改进网络结构，扩大训练样本规模，不断提高 LFW 上的识别精度。

人脸识别技术的意义

就像开篇所谈，将人脸识别作为娱乐工具，也确实会给我们带来很大的乐趣。但如果只是单纯将这个技术用于娱乐大众，那实在是对技术的浪费！

人脸识别的目标是确定一张人脸图像的身份，这是机器学习和模式识别中的分类问题。它不但可以用在身份识别和身份验证中，帮助找寻失踪人口、追踪嫌疑人、智能交互身份识别等场景；而且在证件查询、出入考勤查验、身份验证解锁、支付等场景中，也有广泛的应用，并为我们的生活带来极大的便利。

而且就在最近，深圳警方利用跨年龄人脸识别技术，根据一张 3 岁孩童的儿童照片找回了失踪了十几年的孩子，让失散的家庭得以团聚。这都是科技为我们生活带来的积极作用！

人脸年龄识别挑战赛

正是因为人脸识别技术应用十分广泛，且于生活生产具有重大意义。我们也在 AI 研习社（社区）内，发起了人脸年龄识别挑战赛。

通过这一比赛，对人脸识别中年龄一项的深入研究，不光能够让参赛者更的接触人脸识别技术，同时也能够在一定程度上对人脸识别技术产生推动作用。

本次比赛给定数据集包含了大量的 1-70 岁人脸面部图像，参赛者的唯一目标即利用训练模型正确推测人脸年龄。

数据集下载链接：https://dwz.cn/xYDFd2IR （建议PC复制网址查看）

评审标准

最终提交结果文件如下所示：

其中，第一个字段位为测试集图片 ID，第二个字段为推测年龄（三位字段）。

整个比赛的评审完全透明化，我们将会对比选手提交的 csv 文件，确认正确分辨图片样本，并按照如下公式计算得分，其中：

True：模型分类正确数量

Total ：测试集样本总数量

我们的工作人员也会在每日 24:00，将最新结果更新在官网排行榜上，你可以实时查看自己的排名情况。

更多信息，请扫码或点击阅读原文前往社区查看。

* 图片来自网络。

点击

阅读原文

，即刻参加【人脸年龄识别】比赛