[发明专利]一种基于深度学习与字典表示的跨年龄人脸验证方法

摘要

本发明公开一种基于深度学习与字典表示的跨年龄人脸验证方法，包括：对待验证的人脸图像进行关键点标定，获得人脸关键点；提取每一个关键点对应的局部区域人脸块，获得各关键点对应的局部人脸块；将局部人脸块输入到已经训练好的深度卷积神经网络中，提取这些局部人脸块的高层次特征，每个人脸块可获得一个多维向量表示该人脸块的高层次特征；采集多幅图像，对这些外部数据做上述操作，提取每个类的每个区域的每个年龄的特征，构成外部数据参考集；求训练图像和测试图像在外部数据参考集上的编码向量；根据每一个分块在外部数据参考集上的编码向量，利用余弦相似度的最小和得到正确的识别结果。

主权项

一种基于深度学习与字典表示的跨年龄人脸验证方法，其特征在于，包括以下步骤：(1)对于待验证图像，采用人脸关键点定位的方法，定位出若干个关键点，提取所有关键点对应的局部人脸块；(2)对于每一个关键点的局部人脸块，训练该局部人脸块对应的深度学习框架，每个局部人脸块的深度学习框架都是独立的，提取人脸块的高层次特征向量，每个局部人脸块的高层次特征向量为一个M维向量；(3)采集跨年龄的人脸图像作为外部数据，对这些人脸图像做步骤(1)、(2)的操作，获得每个人脸图像的关键点的局部人脸块的高层次特征向量，将所有脸图像的每个关键点的局部人脸块的相同年龄段的特征构成一个字典，设定N个年龄段，即有N个年龄段的字典；(4)求待验证的人脸图像的每个关键点的局部人脸块的高层次特征向量在每一个年龄段的字典上的编码向量；(5)人脸图像的每个关键点的每个局部人脸块都获得N个编码向量，构成一个M*N的编码向量矩阵，对这个编码向量矩阵采用最大池化方式池化成一个M维向量，即对编码向量矩阵的每一行取最大的元素作为新的M维向量对应行的元素，这个新的M维向量就作为这个人脸图像的最终编码向量；(6)对人脸图像的若干个人脸块的N个编码向量采用余弦相似度计算两幅图像的相似性验证。