照片识别年龄，通俗地说就是让机器看一张静态的照片，并给出一个年龄或者年龄段。在行业中把这叫做面龄推断或者视觉年龄估计。手机相册会把人分作“青年”、“中年”、“老年”，刷脸设备后台会推算出用户的年龄，这些都是这个系统。它不需要查验身份证、测量骨龄，而是利用二维图像中的人脸特征进行推测。照片识别年龄给出的是一个估计值，并不是精确的鉴定结果。

一、面部特征

算法并不是根据日历来判断的，而是通过人的面部留下的一些物理痕迹来进行判断的。眼角纹、法令纹、抬头纹、眼袋、皮肤松弛、色斑、毛孔粗大、发际线后退、下颌线模糊等现象都会变成照片中的像素差异。年轻的肌肤就像新的皮筋一样，既紧实又有弹性。上了年纪之后就仿佛使用了陈旧的橡皮筋一样，表面开始起毛，被拉伸之后又无法回到原状。算法关注的是纹理的方向、深浅以及覆盖范围。二十岁的脸上有一道浅纹，在四十岁的时候就不是那么回事了，位置比数量更重要。面部特征作为照片识别年龄的第一手资料。

二、技术路线

主流的方法是用卷积神经网络来实现。在训练的时候给它几百万张带有年龄标签的人脸照片，然后它就从像素中寻找规律了。输入一张新的照片，网络会逐层提取出照片的边缘、纹理和形状等信息，并最终输出出一个年龄值或者年龄段。以前的方法是用手去测量眼角的距离和皱纹的长度，现在已经全部由网络来完成。把网络看作一个可以评价无数张脸的师傅，不用尺子去量，靠大量的样本练习出来的一种直觉来报数训练数据越杂，覆盖的人种、光线、设备就越多，网络也就越稳定。

三、词义解释

“视觉年龄”，即在照片中看起来多大。“实际年龄”就是身份证上显示的年龄。“表观年龄”，即外观生物学年龄、接近视觉年龄。“感知年龄”一般用在市场调查中，就是说某人看上去很年轻或者很老。“年龄估计误差”，用平均绝对误差来表示，单位为岁。在行业内经常提到的MAE，即机器计算出的人的年龄与实际年龄之间的差距是多少岁，然后取绝对值之后再求平均值。数值越小，眼睛就越准确。“置信度”是指机器对自己给出的答案的信心程度，一般会随着人的年龄段而发生变化。照片识别年龄底层指标是误差多少岁。

第四、干扰因素

照片并不是真人，光线、角度、化妆、美颜、分辨率、遮挡都会使算法走偏。美颜磨皮把皱纹抹掉，机器很容易变成小报。顶光拍摄法令纹会变深，机器越大就越能报到。戴帽子把头发遮起来，就少了一条线索。低分辨率的照片中细节模糊不清，算法只能根据轮廓来猜测。整容、注射、拉皮等直接改变外貌。长期在户外工作的人员皮肤衰老的速度会比较快，机器给出的视觉年龄可能会比实际年龄要大很多。镜头畸变、拍摄距离都会影响到脸型的比例。这些变量就像隔着一层毛玻璃来看人一样，机器只能抓个大概。

第五大应用场景为：

年龄识别可以应用于需要快速筛选人群的情况中。无人零售可以根据顾客的年龄来推测出他们喜欢喝什么样的饮料。游戏防沉迷使用摄像头来估计年龄，阻止疑似未成年人。广告屏会根据经过的人群年龄来调整所播放的内容，并且还会对经过的人群进行年龄段统计。安防系统通过年龄来缩小搜索范围。婚恋网站会验证用户自己申报的年龄。健康APP可以从用户的自拍照中观察到面部的老化趋势，并给出相应的保养建议。有的门禁系统会根据人的年龄来决定是否可以进入。所有的场景都使用了估计值，并没有用到精确鉴定的结果。

第六条 边界和限制

照片识别年龄存在硬性的界限。它不会读骨龄、看身份证、测端粒，只认二维图像。婴儿、老人的误差一般要比中年人大很多，因为他们的面部变化比较大。中年人大致相同，误差可以达到五岁以上。跨种族的训练数据不足，误差就会变大。照片经过了修图、换脸、用人工智能生成等操作，而算法有可能完全失效。从法律的角度来看，人的面部年龄属于生物特征信息，在很多地方都会要求用户在同意的情况下才可以对用户的面部年龄进行处理。没有任何一张照片可以百分之百地展示出一个人的真实年龄，机器给出的是概率最大的年龄段。

第七条 常见误解

有人认为机器看一次就可以精确到几岁几月。实际上大多数系统的误差都在三到五年之间，优秀的系统可以做到两岁左右。有的人认为相机里自带的美颜功能不会对识别造成影响。其实磨皮、瘦脸、大眼睛都是在改变重要的特征。人们认为算法可以计算出皱纹的数量。现在的网络不数条数，它把整张脸压缩成一组数字，在里面找年龄相关的模式。还有人认为照片年龄识别可以作为法律证据使用。它只可以作为线索使用，并不能够单独来判定案件。把照片识别出的人的年龄看作是区间估计，要比把它当作精确读数来得可靠一些。