[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

说明书

本发明提供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，该方法通过对输入的一对图像进行对齐和PCA和LDA降维的预处理；并通过一个经过训练得到的自动编码器，得到用于身份表示的特征和不同年龄段表示的特征共6组，然后对6对结果经过平行CNN，输出图像相似度，之后加权融合得到匹配结果；该发明对单独的人脸识别或者年龄检测以及共同任务均能得到很好的效果，对光照、姿势影响下的人脸识别也额能取得很好的效果；由于区分开了年龄与人脸身份的特征，因此对跨年龄的人脸识别也具有鲁棒性。并且，可视要求而定调整一些参数和权值，因此非常有灵活性。

技术领域

本发明涉及计算机视觉领域，更具体地，涉及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。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。

由于人脸识别分类与验证均有很大的实际应用价值，所以此课题作为一个研究热点已经持续了多年时间。人脸识别在现实生活中有很广的应用前景。如安保门禁系统、公安刑侦破案、摄像监视系统、网络应用，身份辨识、支付系统中均需用到人脸识别。

然而人脸识别并不是个简单的任务。人脸的外形很不稳定，人可以通过脸部的变化产生很多表情，而在不同观察角度，人脸的视觉图像也相差很大，另外，人脸识别还受光照条件(例如白天和夜晚，室内和室外等)、人脸的很多遮盖物(例如口罩、墨镜、头发、胡须等)、年龄等多方面因素的影响。这些问题给人脸识别带来了莫大的挑战。

因此近来许多关于人脸识别研究热烈开展起来。因为一幅人脸图像的维度太大，首要任务是对人脸图像的一系列处理。如经典的主成分分析方法(PCA)，通过线性变换原理将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量；还有线性判别分析(LDA)，将带上标签的数据(点)，通过投影的方法，投影到维度更低的空间中，使得投影后的点，会形成按类别区分，一簇一簇的情况，相同类别的点，将会在投影后的空间中更接近。这样将使不同类的数据更易于分类。在本发明中，将这两种算法都作为预处理的方法。

近年基于深度学习的人脸识别方法取得了很大进展。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络(CNN)是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能，基于CNN的方法的主要思想是：首先，对输入图像利用的CNN进行卷积提取局部特征，然后在全链接层通过矩阵相乘减少维数，同时通过反向传导的梯度下降法调整参数使得整个网络结构能输出与训练集结果相差最小的分类结果。网络中倒数第二，第三层的特征可被视为原图像的全局特征，在人脸验证模型中，这些特征将会使用各种方法组合计算出两张人脸图像属于同一个人的概率，通过与参考集一一比对以完成最终的识别过程。本发明将CNN方法用于身份识别过程。

虽然上述方法都取得了很大的进展，但在处理跨年龄的人脸识别方向还有待探索。年龄增长给人脸带来的巨大变化大大影响了人脸识别算法的精度。所以跨年龄的人脸识别仍需更有效的算法来解决。

发明内容

本发明提供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，该方法构建的模型可同时抑制身份表达和年龄表达的相关度，来达到年龄不变的人脸识别的目的。

为了达到上述技术效果，本发明的技术方案如下：

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，包括以下步骤：