[发明专利]人脸跨年龄识别方法、装置及存储介质

说明书

本发明公开了一种人脸跨年龄识别方法、装置及存储介质，属于计算机视觉技术领域，包括获取待检测人脸图像；利用基于Transformer模型的混合特征提取网络对人脸图像进行特征提取，获得人脸年龄特征与人脸身份特征的混合特征；利用残差因子分解模块对混合特征进行处理，得到人脸身份特征；将人脸身份特征与人脸特征库中的特征进行比对，获取人脸图像对应的身份信息。本发明通过使用Transformer中的T2T‑ViT模型代替传统的卷积神经网络，减少模型的参数量(Params)和MACs，降低了模型的复杂度和人脸识别过程中的耗时。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种人脸跨年龄识别方法、装置及存储介质。

背景技术

多年以来，人脸识别一直是计算机视觉领域的研究热点。近几年，随着人工智能的快速发展，基于深度学习的人脸识别算法已取得了优异的效果并在应用于生活的各个领域中。尽管一般的人脸识别取得了显著的成功，但随着人的年龄增长，人脸外观也随着发生剧烈变化，人与人之间的变化也有所不同；再者，不同身份的人脸外观有相似的年龄相关信息，如同一身份的人不同时期的差异一般大于不同身份儿童之间的差异。如何将年龄变化的影响最小化是当前人脸识别系统在许多实际应用中正确识别人脸的一个长期难点，比如寻找走失儿童，随着年龄的增长，人脸外观发生变化，给寻找走失儿童带了很大困难。因此，解决年龄不变人脸识别问题具有重要意义。

人脸跨年龄识别是人脸识别中一种，不同于一般基于身份的人脸识别算法，人脸跨年龄识别在身份信息的基础上，考虑了人脸年龄信息，并通过解耦身份信息和年龄信息，获得更具有泛化能力的人脸识别模型。

基于深度学习的人脸跨年龄识别算法中，主要有生成法和判别法。生成法，通过合成不同年龄的人脸图像来辅助人脸识别，如使用GAN模型来提高生成的老化人脸的质量。然而，精确地模拟老化过程是困难和复杂的，合成人脸中的不稳定伪影会显著影响人脸识别的性能。判别法，即通过分解年龄信息，使用模型来判断人脸的身份信息，在假设人脸信息可以通过分解后的分量很好地建模的前提下，特征分解在特征的不变性学习中发挥着关键作用。在判别法中，对于人脸的特征提取，目前主流的神经网络是卷积神经网络。

相关技术中，申请号为202010675730.7的发明专利申请公布了一种基于深度卷积神经网络的人脸识别方法，该方法首先使用MTCNN模型检测人脸照片；再在检测的人脸图片上进行对齐处理，将处理后的图片裁剪到112*112大小；再使用100层的深度卷积神经网络ResNet作为主干网络，对于身份识别，匹配人脸特征向量，根据相似度获取人脸特征向量相应的身份识别信息；对于年龄识别，根据人脸特征向量，基于多个年龄分类的年龄识别模型，得出年龄识别模型的每个年龄分类对应的概率，并根据年龄分类及概率，得出识别的年龄。

但其存在的问题在于：一方面，没有解除人脸中的年龄信息，对跨年龄的人脸鲁棒性差，人脸识别效果差；另一方面，使用100层的ResNet作为主干网络，其参数量和MACs较大，降低了人脸识别的性能。

文献Wang H,Gong D,Li Z,et al.Decorrelated Adversarial Learning forAge-Invariant Face Recognition[J].2019提出了一种基于线性特征分解的去相关对抗式学习算法(Decorrelated Adversarial Learning，DAL)，该算法对抗式地最小化了人的身份信息和年龄信息之间的相关性。通过对抗性的训练，使得人的身份信息和年龄信息能够充分的不相关，并且可以显著的减少身份信息中的年龄信息。

但其使用的是传统的卷积神经网络，模型的参数量和MACs较大，模型较复杂，且并行优化能力较差，人脸识别过程耗时较大。

发明内容

本发明所要解决的技术问题在于如何增加对人脸年龄信息的鲁棒性，降低模型的复杂度和人脸识别过程中的耗时。

本发明通过以下技术手段实现解决上述技术问题的：