[发明专利]一种年龄分类辅助的跨年龄人脸识别算法

说明书

本发明涉及一种年龄分类辅助的跨年龄人脸识别算法，包括步骤：提取并预处理带有身份标签和年龄标签的人脸图像；训练年龄分类辅助的跨年龄人脸识别网络，跨年龄人脸识别网络包括卷积网络、身份特征提取网络和年龄特征提取网络；将预处理后的含有身份标签和年龄标签的人脸图像输入卷积网络，卷积网络最后的全连接层输出共享特征。本发明的有益效果是：改进跨年龄人脸识别深度学习模型，提取年龄不变的人脸特征以提高跨年龄人脸识别的准确率；使用Softmax损失函数保证特征的类间差异，引入Centor Loss损失函数减小人脸特征的类内差异，使不同类别的特征向量边界更加明晰，两者相辅相成，共同参与网络参数的更新。

技术领域

本发明属于人脸识别领域，尤其涉及一种年龄分类辅助的跨年龄人脸识别算法。

背景技术

随着社会的不断发展和科技水平的快速提高，一种安全可靠且便携的身份认证已经成为社会的普遍需求。与传统的身份认证方法(例如密码认证、智能卡认证、动态口令认证等)相比，生物识别技术提供了更高的安全性、更复杂的防伪性以及更好的便携性。所谓生物特征识别技术，就是通过利用人体固有的生理特性(例如指纹、人脸、虹膜等)和行为特征(如声音、笔迹、步态等)对人的身份进行鉴定的技术，用于身份认证的生物特征必须满足如下要求：(1)普遍性，每个自然人都具有该生物特征以便于特征的提取和后续使用；(2)唯一性，对于每个人来说，该生物特征都是独一无二的，足以用来区分人的身份信息；(3)可度量性，该生物特征提取之后，必须可通过度量的方式进行相似度的计算，便于身份的认证；(4)稳定性，在一段时间内该生物特征能够保持相对的稳定。常见的用于生物识别的技术有面部识别、指纹识别、声纹识别、虹膜识别、静脉识别等，相比于其他的识别方式，面部识别技术具有高可靠性、便利性、低成本以及易于使用等优点，使得它广泛应用于智能监控、考勤管理、门禁系统、人机交互等场景，在公安、金融、火车站、机场等对多个人员身份进行对比识别方面也发挥了重要作用。

人脸识别是计算机视觉应用最广泛的领域之一，也已经成为身份认证中最著名的生物识别技术。人脸识别技术是在学术界和产业界长期存在的研究主题，在1990年代初期，随着Eigenface方法的引入，对人脸识别的研究开始流行。在2010年代初，基于学习的描述符应用于人脸识别领域，学习局部滤波器以获得更好区分性的同时学习编码码本以提高紧凑性。得益于硬件计算能力的提升、大规模人脸识别数据集的提出以及卷积神经网络在图像处理领域的独特优势，基于深度学习的方法成为人脸识别的研究重点。汤晓鸥教授团队提出的基于高斯过程的人脸识别技术GaussianFace在LFW数据集上取得了98.52％的识别率，这也是计算机自动识别算法的识别率首次超越人类水平。同时，一系列基于深度学习的人脸识别算法不断刷新人脸识别的基准。

相比无差别化的人脸识别算法研究，跨年龄人脸识别领域的研究并不多见，究其原因，在于跨年龄人脸数据的采集难度和成本远远大于常规的人脸数据集，而回归到问题本身，跨年龄人脸的复杂性也超过光照、姿态、表情等带来的外部差异。面部衰老是一个复杂的过程，会影响面部的结构(少年时期和青年时期的面部轮廓差异)和纹理(例如肤色、皱纹)等。由于年龄差异带来的面部结构和纹理的改变显著增加了识别难度，即便对于人类自身而言，识别与年龄相关的面部差异也是很大的挑战。和年龄相关的人脸研究包含诸多研究方向，例如年龄分类、老化模拟、跨年龄验证和检索等。其中消除年龄相关性并提取年龄不变人脸特征的研究，对解决现有人脸识别系统的技术缺陷有重要意义。

1、生成方法

在人脸的特征空间建模，然后根据学习到的子空间参数，将人脸图像拟合生成目标年龄对应的人脸图像，最后利用生成的人脸图像进行匹配识别。该生成方法的思路简单直接。