Elkarazle, K.; Raman, V.; Then, P. Facial Age Estimation Using

Texture-based models
: Unlike Anthropometric models, which use the distance be-
tween facial points, texture-based models depend on the texture of facial images,
which the pixel intensity can represent. In texture-based models, various image
texture operators such as local binary patterns [
29
] (LBP) or biologically inspired
features [
30
] (BIF) are employed to extract skin areas such as spots, lines, or edges
that might represent wrinkles. Several studies, such as [
31
,
32
], used texture-based
models to estimate age. Unlike anthropometric models, texture-based models can
perform well on images taken in uncontrolled conditions; however, they are incapable
of discriminating different shapes and distances between facial points.
3.
Active appearance models (AAM)
: Active appearance models are statistical mod-
els commonly used in facial image representations, combining anthropometric and
texture-based model descriptors. A dimensionality reduction algorithm such as the
principal component analysis (PCA) learns the extracted texture and shape features.
AAMs are ubiquitous in various facial recognition, facial verification, and age esti-
mation tasks due to their flexibility in working with textures and shapes. However,
reducing the feature’s dimensionality results in having several ageing features, such
as wrinkles going unnoticed. Studies such as [
33
,
34
] used AAMs with various other
methods to predict age.
4.
Ageing pattern subspace (AGES)
: In a study conducted by [
35
], ageing pattern sub-
space (AGES) was proposed to identify a person’s ageing pattern based on a set of
facial images taken at the age of 2, 4, and 8 sorted in ascending order. The reason for
placing images in this order is to learn the ageing pattern of an individual, defined
as a “sequence of personal face images sorted in time order” according to [
36
]. This
method generates missing age samples by learning the subspace representation of
a single image when constructing a sequence of the subject’s ageing facial images.
AGES can help estimate missing samples; however, it does not work well with wrin-
kles; therefore, integrating texture-based models with AGES is common. Studies
such as [
37
,
38
] have used AGES by itself to extract facial features from photos. While
studies such as [
33
,
34
] used AAMs with various other methods to predict age.