[发明专利]一种基于在线学习的跨年龄人脸识别方法

说明书

本发明公开了一种基于在线学习的跨年龄人脸识别方法，属于计算、推算或计数的技术领域。该方法，通过人脸特征提取网络级联年龄特征分离网络的模型结构实现，在外部数据集上训练人脸特征提取网络，使得模型具备对人脸进行特征提取的能力；使用跨年龄人脸数据集对年龄特征分离部分进行身份识别和年龄预测的多任务训练，以获得鲁棒性更强的年龄不变的人脸特征向量；在实际场景使用中，可以根据新输入的样本对特征分离部分的参数进行微调，实现神经网络的在线学习。本发明在使用参数量较低的模型的同时，一定程度上提升了跨年龄人脸识别的能力，特征分离结构使得在线学习成为了可能，使模型具备了对新场景的自适应能力。

技术领域

本发明公开了一种基于在线学习的跨年龄人脸识别方法，涉及人脸识别技术，属于计算、推算、计数的技术领域。

背景技术

人脸识别是计算机视觉任务中应用最为广泛、意义最为重大的领域之一。人脸识别作为生物特征识别中的一项，和指纹、虹膜等生物特征相比，有成本低、可远距离识别、不用接触等优点。近年来随着深度学习的不断发展，基于深度卷积神经网络(DeepConvolutional Neural Network,DCNN)的人脸识别算法展现出了非常强大的识别能力，在标准人脸验证数据集LFW上的准确率已经接近100％。但是，由于年龄的变化对人脸面部特征具有显著的影响，一般的人脸识别算法对于年龄跨度的鲁棒性普遍不强，在跨年龄任务中的准确率会降低13％以上。年龄跨度成为了限制人脸识别实际应用的一个重要瓶颈，因此设计一种能够适应年龄跨度的人脸识别方法很有必要。

近年来以深度神经网络为代表的人工智能得到了飞快的发展，但是随着信息处理任务的复杂性增加，深度神经网络变得越来越深，无论是网络模型参数量还是计算量都越来越大，训练难度也越来越大，所以在实际应用领域，依然遵循着先在服务器端训练好网络模型，再离线部署到移动端设备的模式。训练好的网络参数一经部署后就不再改变，网络仅仅进行前向推理的过程。尽管当下深度神经网络的泛化能力不断增强，但是在实际应用中仍然很难持续地适应输入或环境的变化。特别是在跨年龄人脸识别任务中，由于现有的跨年龄数据库规模较小，每个主体样本的年龄跨度相对狭窄，以及性别，种族和年龄分布的不均衡，模型性能受到了很大限制。因此，充分利用现实场景中海量的数据资源，通过新样本来更新网络参数实现在线学习，从而使模型更加灵活地适应各种复杂的应用场景，是未来深度学习发展的一个大趋势，是实现真正人工智能的关键。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供了一种基于在线学习的跨年龄人脸识别方法，在使用参数量较低的模型的同时提升跨年龄人脸识别的能力，通过在线学习实现对新场景新样本的自适应，解决了人脸识别算法对于年龄跨度的鲁棒性普遍不强的技术问题。

本发明为实现上述发明目的采用如下技术方案：

一种基于在线学习的跨年龄人脸识别方法，包括如下步骤：

步骤1，使用人脸检测网络MTCNN对图像进行人脸检测、对齐，将处理后的人脸图像输入深度卷积神经网络进行特征提取，得到长度为K的初始特征向量，采用分类器对初始特征进行分类并根据分类结果确定特征提取网络的参数；

步骤2，将年龄特征分离网络级联在训练好的特征提取网络之后，通过特征提取网络处理跨年龄人脸数据集CACD得到年龄特征分离网络的训练数据库，将初始特征向量输入年龄特征分离网络，经过全连接映射以及特征相减操作后剔除掉年龄信息，得到长度同样为K的年龄不变的身份特征向量，训练好的特征提取网络及年龄特征分离网络组成跨年龄人脸识别网络；

步骤3，在进行测试时使用训练好的跨年龄人脸识别模型同时处理测试集人脸库和摄像头采集到的人脸图像，输入模型的图像经处理后得到年龄不变的身份特征向量，通过对比特征向量间的相似性进行人脸识别；