基于深度学习的跨年龄人脸识别技术研究与实现

人类面部特征随着年龄的增长发生着潜移默化地变化,人脸老化过程的建模极其复杂,这使得跨年龄的人脸识别十分困难。为应对年龄变化引起的人脸识别问题,本文对国内外跨年龄人脸识别技术的发展现状进行了分析和总结,并提出了基于深度学习的跨年龄人脸识别算法。该算法基于卷积神经网络的图像细粒度分类算法框架(One-Squeeze Multi-Excitation+Multi-Attention Multi-Class,OSME+MAMC),使用卷积注意力模块,从人脸的不同注意力区域中获得身份和年龄特征,并借鉴度量学习的方法,实现类间差异和类内共同特征的提取,以达到提升跨年龄人脸识别准确率的目的。实验结果表明,在公开的Face Gap数据集上该算法的识别准确率约为95%。