[发明专利]一种跨年龄人脸识别方法、系统、装置及存储介质

说明书

本发明公开了一种跨年龄人脸识别模型、方法、系统、装置及存储介质，其中方法包括以下步骤：获取人脸图像对；将所述人脸图像对输入至跨年龄人脸识别模型进行比对后，输出比对结果；其中，所述跨年龄人脸识别模型包括年龄判别网络，所述年龄判别网络包括年龄判别模块和特征生成器，所述跨年龄人脸识别模型由年龄判别模块和特征生成器根据相关损失函数进行交替更新后获得。本发明不仅提高年龄判别模块对年龄的判别能力，而且提高特征生成器获取令年龄判别模块无法进行年龄判别的人脸特征的能力，从而提高特征生成器对身份特征的提取能力，进而降低年龄信息对身份特征的影响，提高跨年龄人脸识别的准确率。本发明可广泛应用于深度学习技术领域内。

技术领域

本发明涉及深度学习技术领域，尤其是一种跨年龄人脸识别方法、系统、装置及存储介质。

背景技术

跨年龄人脸识别是指，对若干张不同年龄的人脸图像进行识检测，进而判断这些人脸图像是否属于同一身份。

人脸随着年龄的增长，会产生很大的变化，如果能够应对人脸随着年龄的增长而产生的变化，那么跨年龄的人脸识别技术将会在档案管理系统、安全验证系统、公安系统的罪犯身份识别、银行和海关的监控等领域作出巨大贡献。

跨年龄人脸识别任务中的判别式方法试图通过使用年龄不变分类器来区分编码的人脸特征来处理跨年龄的人脸识别问题。例如，Li等人提出了隐因子分析模型(HiddenFactor Analysis，HFA)来分离人脸信息中的年龄相关信息和身份相关信息。与深度学习结合，Wen等人拓展了HFA到卷积神经网络(Convolutional Neural Network，CNN)中，称为隐因子引导的卷积神经网络模型(Latent Factor Guided Convolutional Neural Network，LF-CNN)。在人脸识别模型中加入年龄估计网络，Zheng等人提出的年龄估计卷积神经网络(Age Estimation Guided Convolutional Neural Network，AE-CNN)可以从面部特征中减去年龄相关因子。根据这些判别模型，特征分解对于不变的面部特征学习是至关重要的。然而，年龄相关组件和身份相关组件具有潜在的关系，使得与年龄相关的信息在某些特征层可能不会被完全删除。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于：提供一种跨年龄人脸识别方法、系统、装置及存储介质。

本发明一方面所采取的技术方案是：

一种跨年龄人脸识别方法，包括以下步骤：

获取人脸图像对；

将所述人脸图像对输入至跨年龄人脸识别模型进行比对后，输出比对结果；

其中，所述跨年龄人脸识别模型包括年龄判别网络，所述年龄判别网络包括年龄判别模块和特征生成器，所述跨年龄人脸识别模型由年龄判别模块和特征生成器根据相关损失函数进行交替更新后获得。

进一步，所述跨年龄人脸识别方法还包括建立所述跨年龄人脸识别模型的训练步骤，所述跨年龄人脸识别模型的训练步骤包括对所述年龄判别网络进行训练的步骤，所述对所述年龄判别网络进行训练这一步骤，包括以下步骤：

将带有年龄标签的数据集输入至所述年龄判别网络后，获得身份特征向量、年龄特征向量和年龄预测特征向量；

根据所述身份特征向量、所述年龄相关特征向量和所述年龄预测特征向量计算相关损失函数；

采用所述相关损失函数对所述年龄判别网络进行训练。

进一步，所述相关损失函数包括特征相关性损失函数和年龄对抗损失函数，所述采用相关损失函数对所述年龄判别网络进行训练这一步骤，包括以下步骤：

采用所述特征相关损失函数和所述年龄对抗损失函数对特征生成器进行训练；