人脸的几何特征会随着年龄增长而改变,年龄老化是不可逆的过程,如何对图像中人脸年龄进行准确地预测是一个热点问题。人脸图像年龄老化在多个领域都有很高的应用价值,比如跨年龄的人脸识别能够为多年前发生的犯罪提供关键线索;在整容和医疗方面能够提供更全方位的安全参考;在社会关注的失踪人口寻找方面也有巨大的应用价值;在影视行业,跨年龄的演出等方面能够提供更经济和便捷的方法。人脸图像年龄老化在基于物理方法的研究中,需要大量同一人的超长年龄段的图像的配对研究,要耗费大量的人力和资源;在基于原型的研究方法中,要对目标年龄段的人取平均人脸应用到当前输入图像中,极大损失了输入人脸的个性特征;目前基于模型的方法利用大量数据学习人脸老化的生成规律,即不需要配对图像又能够保持人脸个性特征,成为一个研究热点。基于深度学习的人脸图像年龄老化的目标是将图像样本进行初步处理之后输入到本模型中,能够生成指定年龄段的人脸图像。本文提出一种基于生成对抗网络的人脸年龄老化方法,研究人脸图像的年龄老化,本文的具体工作主要有以下几个方面:(1)分析研究了传统的人脸图像年龄老化算法,对其进行分类和深入研究,总结不同算法的思想和优缺点,并学习相关技术,对本论文的算法提出提供理论基础。(2)对人脸图像的人脸检测和关键点检测算法进行研究。对人脸图像提取方向梯度直方图并经过支持向量机进行人脸图像位置检测,并基于级联的残差回归树进行人脸关键点形状的检测并在此基础上进行图像正脸的校正,作为前期准备工作,提升本文研究的准确性。(3)提出一种基于生成对抗网络的人脸图像年龄老化方法,本网络基于生成对抗网络,结合对抗自编码器,并对年龄准确度方面进行改进,将人脸图片输入后,经过前期处理,然后从输入人脸向量表示优化、生成对抗网络优化和年龄判别优化等方面对输入的人脸生成指定年龄段的图像,对关键部分的网络结构进行了详尽的介绍,并进行了实验验证和结果分析对比。