fcm代码matlab 面部图像的ML年龄估计 在Matlab中构建的代码使用的数据集是FGNET的。必须先编译并运行名为preprocessing.m的文件，然后编译并运行名为Feature Extraction的文件，以便我们将具有所有特征值的.mat文件用于聚类名为fcm_age的零件文件进行测试和估算根据模糊c均值聚类算法计算年龄。 使用SVM分类器对> 30岁和<30岁的二元年龄组进行分类。

MORPH-II数据集由16至77岁人群的照片组成，每个人平均有4张照片。这是公开的最大的纵向人脸图像数据集。学术版包含了大约55000张5年拍摄的图像。MORPH-II数据集收集了55134张头像，其中提供了有价值的纵向数据。

人脸数据库，用于年龄估计。完整的FG-NET数据库，拥有82个人的各个年龄的照片

现有的生物识别系统识别并接受一个人，否则如果没有登记就直接拒绝一个人。 这些系统不提供搜索冒名顶替者所需的人的软件属性。 在此背景下，本文所阐述的工作是为了展示一个人在虹膜识别时的年龄和性别属性。 我们提出了用于年龄估计的深度卷积神经网络和用于虹膜性别预测的预训练深度 CNN AlexNet 和 GoogLeNet。 采用深度学习预训练网络从虹膜图像中提取特征。 此外，这些特征使用多类 SVM 模型进行训练和分类，以评估系统的性能。 实验结果证明“虹膜具有年龄和性别相关信息”的假设是正确的。

基于人脸图像的男性和女性年龄估计

脸 AAM 特征提取、年龄估计、人脸老化

人脸图像年龄估计是模式识别领域中一个重要的研究方向。本文针对人脸图像年龄估计中提出的模型进行了分析、分类、 归纳和总结，指出了各种模型的优缺点和研究现状。

近年来，面部识别技术已经成为模式识别领域中的热门话题。 人脸是人类最重要的生物特征之一，其中包含许多重要信息，例如身份，性别，年龄，表情，种族等。 年龄是身份歧视的重要参考，年龄估计可以潜在地应用于人机交互，计算机视觉和商业智能。 本文解决了准确估计人类年龄的问题。 年龄估计系统通常由年龄特征提取和特征分类组成。 在特征提取部分，Gabor小波和局部二值模式（LBP）等众所周知的纹理描述符已用于特征提取。 在我们的方法中，我们使用卷积神经网络（CNN）提取面部特征。 通过建立基于丰富训练数据的多级CNN模型来获得卷积激活特征。在特征分类部分，将不同年龄划分为13个组，并使用支持向量机（SVM）分类器进行分类。 实验结果表明，在使用我们的老化数据库时，该方法的性能优于以前的方法。

FG-NET年龄估计数据集。对应论文： Lanitis A, Taylor C J, Cootes T F. Toward automatic simulation of aging effects on face images[J]. IEEE Transactions on pattern Analysis and machine Intelligence, 2002, 24(4): 442-455.

总结和分析了对于人脸图像的年龄估计方法，在研究相关领域内容是值得首先了解的知识。