OcularAge

OcularAge数据集是克拉克森大学在长达八年的纵向研究中收集的，包括超过21,000张近红外(NIR)眼部图像，涉及288名4至16岁的儿童。该数据集旨在通过比较虹膜和周围眼部图像来评估儿童年龄估计。数据集使用两种不同的成像传感器收集，并利用多任务深度学习框架进行年龄预测和年龄组分类。该研究结果表明，周围眼部模型始终优于基于虹膜的模型，实现了1.33年的平均绝对误差和83.82%的年龄组分类准确率。The OcularAge dataset was collected by Clarkson University during an eight-year longitudinal study, comprising over 21,000 near-infrared (NIR) ocular images from 288 children aged 4 to 16 years old. This dataset aims to evaluate pediatric age estimation by comparing iris and periocular images. It was gathered using two distinct imaging sensors, and a multi-task deep learning framework is employed to conduct age prediction and age group classification. The study results demonstrate that the periocular model consistently outperforms the iris-based model, achieving a mean absolute error of 1.33 years and an age group classification accuracy of 83.82%.

原始信息汇总

数据集概述：OcularAge: A Comparative Study of Iris and Periocular Images for Pediatric Age Estimation

基本信息

• 标题: OcularAge: A Comparative Study of Iris and Periocular Images for Pediatric Age Estimation
• 作者: Naveenkumar G Venkataswamy, Poorna Ravi, Stephanie Schuckers, Masudul H. Imtiaz
• 提交日期: 2025年5月8日
• arXiv标识符: arXiv:2505.05374v1
• DOI: 10.48550/arXiv.2505.05374
• 领域: 电气工程与系统科学 > 图像与视频处理 (eess.IV); 计算机视觉与模式识别 (cs.CV)

研究内容

• 研究目标: 比较虹膜和眼周图像在儿童年龄估计中的应用。
• 研究对象: 4至16岁的儿童。
• 数据集: 包含超过21,000张近红外（NIR）图像，来自288名儿童，采集时间跨度为8年，使用两种不同的成像传感器。
• 方法: 采用多任务深度学习框架，联合进行年龄预测和年龄组分类。

主要发现

• 性能对比: 眼周模型表现优于虹膜模型，平均绝对误差（MAE）为1.33年，年龄组分类准确率为83.82%。
• 应用潜力: 首次证明从儿童眼部图像进行可靠年龄估计的可行性，适用于隐私保护的儿童中心应用。
• 技术优势: 模型在不同成像传感器上表现稳健，推理速度低于10毫秒/图像，适合实时应用。

数据集与技术细节

• 数据类型: 近红外（NIR）图像。
• 数据规模: 超过21,000张图像。
• 数据特点: 纵向数据集，采集时间跨度为8年。
• 模型特点: 采用卷积神经网络（CNN）架构，适应非方形眼部输入。

研究意义

• 基准建立: 首次为儿童眼部年龄估计建立纵向基准。
• 系统设计: 为设计专注于儿童的鲁棒生物识别系统提供基础。
• 实际应用: 适用于虚拟现实（VR）头显等资源受限设备，具有实时应用潜力。

搜集汇总

数据集介绍

构建方式

OcularAge数据集构建基于一项长达八年的纵向研究，采用两种近红外（NIR）成像传感器（IrisGuard IG-AD100和Iris ID iCAM T10）采集了来自288名4至16岁儿童的21,000余张眼部图像。数据采集遵循严格的伦理规范，通过半年度随访确保时间维度上的连续性，并采用OSIRIS工具包对虹膜区域进行标准化分割和掩膜生成。数据集通过随机旋转、仿射变换等增强技术模拟真实场景的成像差异，并按受试者专属划分（训练80%/验证10%/测试10%）以避免数据泄漏。

特点

该数据集的核心价值在于其儿科特异性与多模态设计：1）覆盖儿童快速发育期的虹膜及眼周区域NIR图像，填补了成人主导研究的空白；2）包含跨传感器（分辨率/光照差异）和跨年龄段（4-16岁分组）的对比基准；3）通过标准化预处理（如256×32虹膜条带归一化）保留生物特征细节。实验表明眼周模型平均绝对误差（MAE）达1.33年，显著优于虹膜模型的2.32年，证实眼周区域蕴含更丰富的年龄判别特征。

使用方法

研究者可通过PyTorch框架加载预处理后的单通道眼周图像（320×240）或双通道虹膜数据（图像+掩膜），利用多任务学习架构同步优化年龄回归（MSE损失）和年龄组分类（焦点损失）。部署时推荐MobileNetV3等轻量模型，其在Oculus Quest 2头显上可实现10毫秒级实时推理。跨传感器评估需注意域适应问题，建议采用EfficientNet-B3等泛化性强的架构。数据集特别适用于VR儿童安全验证、发育医学等需隐私保护的场景。

背景与挑战

背景概述

OcularAge数据集由Clarkson University的研究团队于2025年发布，旨在解决儿童年龄估计这一具有挑战性的问题。该数据集包含超过21,000张近红外（NIR）图像，采集自288名4至16岁的儿童，时间跨度长达八年。研究团队采用了多任务深度学习框架，结合年龄预测和年龄组分类，系统评估了不同卷积神经网络（CNN）架构在儿童眼部图像上的表现。该数据集的发布为儿童年龄估计领域提供了首个纵向基准，为设计稳健的儿童生物识别系统奠定了基础。

当前挑战

OcularAge数据集面临的挑战主要包括两个方面：领域问题的挑战和构建过程中的挑战。在领域问题方面，儿童年龄估计的挑战在于儿童眼部生理变化的细微性和非线性，尤其是在青春期前后。此外，儿童的生理特征变化较快，且存在较大的个体差异，这使得模型的泛化能力受到考验。在构建过程中，挑战包括数据采集的长期性和一致性，尤其是在COVID-19疫情期间部分数据采集被迫取消；此外，不同成像传感器（IG-AD100和iCAM T10）的差异也增加了数据处理的复杂性。这些挑战要求研究者在数据预处理、模型设计和评估方法上进行精细的调整和创新。

常用场景

经典使用场景

OcularAge数据集在儿童年龄估计领域具有经典应用场景，特别是在虚拟现实(VR)环境中进行隐私保护的年龄验证。该数据集通过近红外(NIR)虹膜和眼周图像，为研究者提供了一个独特的纵向基准，涵盖了4至16岁儿童的生物特征变化。其多任务深度学习框架能够同时执行精确年龄回归和年龄组分类，为儿童安全访问年龄限制内容提供了可靠的技术支持。

衍生相关工作

基于该数据集的研究催生了多项创新工作，包括MobileNetV3在边缘计算设备上的优化部署、跨传感器泛化能力的系统性评估，以及首次对儿童虹膜纹理年龄特征的可解释性分析。相关成果进一步推动了轻量化多模态年龄估计模型的发展，并为后续儿童生物特征数据库的建立提供了标准化范例。

数据集最近研究

最新研究方向

近年来，OcularAge数据集在生物特征识别领域引起了广泛关注，特别是在儿童年龄估计方面。该数据集通过比较虹膜和眼周图像，为儿童年龄估计提供了首个纵向基准。研究热点集中在多任务深度学习框架的应用，该框架能够同时进行年龄预测和年龄组分类，从而系统探索不同卷积神经网络架构在捕捉儿童眼部图像复杂变化方面的表现。眼周模型在性能上持续优于虹膜模型，平均绝对误差（MAE）低至1.33年，年龄组分类准确率达到83.82%。这一成果不仅验证了从儿童眼部图像进行可靠年龄估计的可行性，还为设计面向儿童的鲁棒生物特征系统奠定了基础。此外，该研究还探讨了模型在不同成像传感器下的鲁棒性，并展示了其在资源受限的VR头戴设备上的实时应用潜力，推理速度低于每图像10毫秒。这些进展为虚拟现实环境中的隐私保护年龄验证提供了新的技术路径。

相关研究论文

• OcularAge: A Comparative Study of Iris and Periocular Images for Pediatric Age Estimation

  克拉克森大学 · 2025年