[发明专利]基于深度学习的人脸识别和年龄合成联合模型的构建方法

权利要求书

1.一种基于深度学习的人脸识别和年龄合成联合模型的构建方法，其特征在于，包括以下步骤：

S1：对图片进行切片预处理：根据双眼中心进行对齐，采用PCA和LDA的方式进行降维达到增大类间差距的目的；

S2：编码：通过训练数据得到一个自动编码器对输入特征向量进行编码，该编码器的目的是将原图特征通过某种编码方式合成新的特征，用于表达身份或者年龄的相关信息，对任何输入的图片，该编码器将生成六组不同的表达：

第一组为身份表达，对原图特征减去平均脸后的映射编码，反映个体的身份的稳定信息；

第二组至第六组分别为幼年、少年、成年、中年、老年五个年龄段下原图片的合成图片的表达，这一部分的编码过程与上述相似，不同的是输入是原图信息，这五组编码器的作用是模拟老化过程来合成特定年龄段的图片，

然后通过损失函数和一定的约束规则来控制消除年龄对身份表达的影响，即在年龄合成中起到重要作用的特征，降低它在身份表达中起的作用；

S3：对每对图像进行身份匹配验证：测试图像与一幅训练图像作为一对，由编码器得到的六对特征分别通过平行CNN，softmax层将给出输入的一对特征的相似度的大小；

令I_a，I_b为一对输入图像，则相似得分表示为：

s(I_a,I_b)＝softmax(Ws|o(I_a)-o(I_b)|+b_s)

其中，o()表示CNN中全连接层的输出，Ws和b_s为softmax层的参数；

对这六个结果进行加权平均得到验证结果，其中身份表达占的比重较大；五对年龄合成的相似度表示在五个年龄段里的相似度，作为参考因素，占的比重比身份表达要小，由此将得到两幅图像匹配的概率：

score＝as₁+(1-a)(s₂+s₃+s₄+s₅+s₆)；

S4：对所有特征得到的相似得分结果进行余弦相似度融合，得到最终的结果。