抗年龄干扰的人脸识别

本文将人脸图像特征分解为身份特征部分和年龄干扰特征部分,并分别投影到两个独立的子空间.为了提高由字典张成的特征子空间的表征能力和区分能力,字典学习过程中同时引入了人脸图像的重构误差约束项和类别约束项.因此,任意的人脸特征都可以由学习到的身份字典和年龄字典投影到对应的身份子空间和年龄子空间,然后再基于身份子空间进行人脸识别,从而使年龄的干扰得到了有效的抑制.通过在MORPH和FGNET数据库上的实验,证实了基于年龄不变的身份特征子空间学习方法能提升人脸识别性能.

基于深度学习的抗年龄干扰人脸识别

随着年龄的增长,人脸的形状、纹理等特征会随之发生较明显的改变从而造成显著的类内干扰,这使得人脸识别的性能大大降低.为了解决上述问题,本文基于深度卷积神经网络将年龄估计任务和人脸识别任务相结合,提出了一种抗年龄干扰的人脸识别新方法AD-CNN(Age decomposition convolution neural network),首先将卷积块注意力模型(Convolutional block attention module,CBAM)嵌入到残差网络中以学习更具有代表性的面部特征,随后利用线性回归指导年龄估计任务,提取出年龄干扰因子,通过多层感知机将整个面部特征与年龄干扰特征投影到同一线性可分空间,最后从面部稳定的特征中将年龄干扰分离,得到与年龄无关的面部特征,并采用改进后的角度损失函数基于年龄无关的身份特征进行人脸识别任务,从而达到抑制年龄干扰的目的.本文在MORPH和FGNET数据集上的识别正确率分别达到了98.93%,和90.0%,充分证实了本文所提方法的先进性和有效性.

抗年龄干扰的人脸识别研究

人脸识别技术是一项利用生物统计学原理分析建立数学模型,通过计算机图像处理从视频中提取人物面部特征的生物识别技术.本文紧紧围绕抗年龄干扰的人脸识别方法,研究了人脸识别系统,以实现跨年龄的人脸识别为目标,以供参考.

跨年龄人脸验证技术研究

针对跨年龄人脸验证任务中面部纹理、形状特征变化的问题,提出一种基于双编码平均局部二值模式(dual-coded average local binary pattern,DCALBP)与深度学习算法相结合的多任务人脸验证算法。首先,使用多任务卷积神经网络(multi-task convolutional neural network,MTCNN)对人脸检测图片进行预处理,引入双编码平均局部二值模式(DCALBP)和梯度直方图算法(histogram of oriented gradient,HOG)提取人脸的局部纹理特征和形状特征,运用典型相关性分析(canonical correlation analysis,CCA)算法将两种特征融合,得到人脸年龄特征。然后,孪生网络(siamese network)提取人脸面部特征,并将纹理形状特征从中分离,抑制年龄因素对人脸验证的影响,从而得到具有年龄不变性的人脸特征。最后进行人脸特征匹配,实现跨年龄人脸验证。通过在数据集FG-NET、MORPH Album2以及经过处理的综合数据集上进行实验,准确率分别为89.73%、98.32%和98.27%,充分验证了该方法的有效性。