CN107480575A - 模型的训练方法、跨年龄人脸识别方法和对应的装置 - Google Patents

模型的训练方法、跨年龄人脸识别方法和对应的装置 Download PDF

Info

Publication number
CN107480575A
CN107480575A CN201610399405.6A CN201610399405A CN107480575A CN 107480575 A CN107480575 A CN 107480575A CN 201610399405 A CN201610399405 A CN 201610399405A CN 107480575 A CN107480575 A CN 107480575A
Authority
CN
China
Prior art keywords
age
face
layer parameter
database
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610399405.6A
Other languages
English (en)
Other versions
CN107480575B (zh
Inventor
李志锋
乔宇
温研东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN201610399405.6A priority Critical patent/CN107480575B/zh
Publication of CN107480575A publication Critical patent/CN107480575A/zh
Application granted granted Critical
Publication of CN107480575B publication Critical patent/CN107480575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明提供一种模型的训练方法、跨年龄人脸识别方法和对应的装置，提高针对跨年龄的人脸识别的准确率，降低针对跨年龄的人脸识别的复杂度。其中，在模型的训练方法中包括：分别获取通用人脸数据库和跨年龄人脸数据库，所述跨年龄人脸数据库中包括按照人脸的身份特征和年龄特征分类的多个人脸图像组；使用所述通用人脸数据库和所述跨年龄人脸数据库对由隐因子分析模型引导的深度卷积神经网络模型进行训练，输出训练完成后的所述深度卷积神经网络模型。

Description

模型的训练方法、跨年龄人脸识别方法和对应的装置
技术领域
本发明涉及计算机技术领域，具体涉及一种模型的训练方法、跨年龄人脸识别方法和对应的装置。
背景技术
在许多应用场合中，由于安防、人机交互、人群分析等要求，需要及时可靠的身份信息验证与识别。通过人脸图像获取身份认证，对用户来说具有非接触、无侵犯、方便快捷等特点。因此人脸识别技术作为一种非常有前景的身份识别技术，值得进行深度研究与大力推广。人脸识别技术有多种重要应用，如机器人智能、智能化视频监控、家居安防验证、刑事监控分析、网络视频社交等。在人脸识别的实际应用场景中，待识别的人脸图像有着各种的变化，如光照、遮挡、姿态、表情、年龄等。其中，年龄的变化会使得人脸产生巨大的变化，容易导致人脸识别的失败。另外年龄的变化非常复杂，难以建立精准的模型对其进行分析。
发明内容
本发明提供一种模型的训练方法、跨年龄人脸识别方法和对应的装置，用于提高针对跨年龄的人脸识别的准确率，降低针对跨年龄的人脸识别的复杂度。
本发明第一方面提供一种模型的训练方法，包括：
分别获取通用人脸数据库和跨年龄人脸数据库，所述跨年龄人脸数据库中包括按照人脸的身份特征和年龄特征分类的多个人脸图像组；
使用所述通用人脸数据库和所述跨年龄人脸数据库对由隐因子分析模型引导的深度卷积神经网络模型进行训练，输出训练完成后的所述深度卷积神经网络模型。
本发明第二方面提供一种跨年龄人脸识别方法，包括：
使用深度卷积神经网络模型从至少两幅人脸图像中分别提取出对应的身份特征，所述深度卷积神经网络模型由隐因子分析模型引导，且通过通用人脸数据库和跨年龄人脸数据库进行训练后输出；
根据所述至少两幅人脸图像分别提取到的身份特征之间的相似程度确定所述至少两幅人脸图像是否属于跨年龄的同一个人脸。
本发明第三方面提供一种模型的训练装置，包括：
获取模块，用于分别获取通用人脸数据库和跨年龄人脸数据库，所述跨年龄人脸数据库中包括按照人脸的身份特征和年龄特征分类的多个人脸图像组；
模型训练模块，用于使用所述通用人脸数据库和所述跨年龄人脸数据库对由隐因子分析模型引导的深度卷积神经网络模型进行训练，输出训练完成后的所述深度卷积神经网络模型。
本发明第四方面提供一种跨年龄人脸识别装置，包括：
身份特征识别模块，用于使用深度卷积神经网络模型从至少两幅人脸图像中分别提取出对应的身份特征，所述深度卷积神经网络模型由隐因子分析模型引导，且通过通用人脸数据库和跨年龄人脸数据库进行训练后输出；
跨年龄人脸判断模块，用于根据所述至少两幅人脸图像分别提取到的身份特征之间的相似程度确定所述至少两幅人脸图像是否属于跨年龄的同一个人脸。
本发明第五方面提供一种模型的训练装置，包括：处理器、存储器、发送器和接收器，其中，所述处理器，用于执行如下步骤：
分别获取通用人脸数据库和跨年龄人脸数据库，所述跨年龄人脸数据库中包括按照人脸的身份特征和年龄特征分类的多个人脸图像组；
使用所述通用人脸数据库和所述跨年龄人脸数据库对由隐因子分析模型引导的深度卷积神经网络模型进行训练，输出训练完成后的所述深度卷积神经网络模型。
本发明第六方面提供一种跨年龄人脸识别装置，包括：包括：处理器、存储器、发送器和接收器，其中，所述处理器，用于执行如下步骤：
使用深度卷积神经网络模型从至少两幅人脸图像中分别提取出对应的身份特征，所述深度卷积神经网络模型由隐因子分析模型引导，且通过通用人脸数据库和跨年龄人脸数据库进行训练后输出；
根据所述至少两幅人脸图像分别提取到的身份特征之间的相似程度确定所述至少两幅人脸图像是否属于跨年龄的同一个人脸。
由上可见，本发明的模型的训练方案中，分别获取通用人脸数据库和跨年龄人脸数据库，跨年龄人脸数据库中包括按照人脸的身份特征和年龄特征分类的多个人脸图像组，使用通用人脸数据库和跨年龄人脸数据库对由隐因子分析模型引导的深度卷积神经网络模型进行训练，输出训练完成后的深度卷积神经网络模型。本发明实施例可以利用深度学习与隐因子分析，学习出隐因子分析模型引导的深度卷积神经网模型，该深度卷积神经网络模型可以用于对每张人脸图像计算年龄变化鲁棒的身份特征，达到高精度与高效率的跨年龄深度人脸识别。通过深度卷积神经网络模型提取到的身份特征对年龄跨度具有很强的鲁棒性，可降低跨年龄的人脸识别的复杂度。
本发明的跨年龄人脸识别方案中，使用深度卷积神经网络模型从至少两幅人脸图像中分别提取出对应的身份特征，根据至少两幅人脸图像分别提取到的身份特征之间的相似程度确定至少两幅人脸图像是否属于跨年龄的同一个人脸。本发明实施例可以实现对跨年龄鲁棒的深度人脸识别，深度卷积神经网模型可用于对每张人脸图像计算年龄变化鲁棒的身份特征，达到高精度与高效率的跨年龄深度人脸识别。通过深度卷积神经网络模型提取到的身份特征对年龄跨度具有很强的鲁棒性，并且从待测试人脸图像中提取到的身份特征具有低维度的特征，可降低跨年龄的人脸识别的复杂度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的模型的训练方法的流程方框示意图；
图2为本发明提供的跨年龄人脸识别方法的流程方框示意图；
图3为本发明提供的模型的训练方法和跨年龄人脸识别方法的总体框架示意图；
图4为本发明提供的隐因子引导的深度卷积神经网络模型的方框示意图；
图5为本发明实施例提供的一种模型的训练装置的组成结构示意图；
图6为本发明实施例提供的一种训练模块的组成结构示意图；
图7为本发明实施例提供的一种参数迭代模块的组成结构示意图；
图8为本发明实施例提供的另一种模型的训练装置的组成结构示意图；
图9为本发明实施例提供的一种跨年龄人脸识别装置的组成结构示意图；
图10为本发明实施例提供的跨年龄人脸判断模块的组成结构示意图；
图11为本发明实施例提供的另一种模型的训练装置的组成结构示意图；
图12为本发明实施例提供的另一种跨年龄人脸识别装置的组成结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明用于人脸识别的关键算法是基于隐因子的卷积神经网络(Latent Factorguided Convolution Neural Networks，简称LF-CNNs)，以人脸图像信息为对象，构建出嵌入有隐因子分析模型的深度卷积神经网络模型，提取到身份特征和内在的统计模式，并以此引导整个卷积神经网络模型的学习。
在目前的跨年龄人脸识别技术中，多采用手工设计特征(如LBP，方向梯度直方图(HOG，Histogram of Oriented Gradient)等特征)的方法，再通过后端基于学习的分类器进行识别。这种方法较为简单，未能经常大量的样本进行学习，缺乏一定的灵活性，不能很好地刻画表征人脸图像的身份信息，也不具有对各种影响(如遮挡、光照、年龄变化)鲁棒的效果。
根据学习得到的特征来进行识别是最近兴起的一个研究方向。通过现有的人脸数据库对深度卷积网络进行训练，进而得到学习的人脸图像特征比手动设计特征要更为灵活。但是该方法并不能直接地应用在跨年龄人脸识别任务上，最主要的原因就是缺乏大型有效的跨年龄人脸数据库。所以替代方案有两类。第一，用大型的网络收集的通用人脸数据库对卷积神经网进行训练，但是这样得到的特征并没有对跨年龄鲁棒的性质。第二，用规模较小的跨年龄人脸数据库对卷积神经网络进行训练，但是这样会导致严重的过拟合，导致效果急剧下降。
针对跨年龄人脸识别技术，本发明实施例提出隐因子引导的卷积神经网络技术，充分地利用了大规模网络收集的通用人脸数据库和小规模的跨年龄人脸数据库进行学习。本发明实施例中可以用跨年龄人脸数据库来建立隐因子分析模型，再在隐因子分析模型的引导下，用通用人脸数据库对卷积神经网络进行训练。通过该方法得到人脸图像的身份特征，具有丰富的身份表征能力，并且对年龄的变化有很强鲁棒性。接下来对本发明的具体实现方式进行举例说明。
本发明实施例提供一种模型的训练方法，请参阅如图1所示，该方法可以包括如下步骤：
101、分别获取通用人脸数据库和跨年龄人脸数据库，跨年龄人脸数据库中包括按照人脸的身份特征和年龄特征分类的多个人脸图像组。
在本发明实施例中，针对通用人脸数据库作为训练样本的不足，以及跨年龄人脸数据库作为训练样本的不足，结合使用通用人脸数据库和跨年龄人脸数据库，将两类数据库共同用于人脸识别的训练样本，综合两类数据库各自具有的优势，通常情况下，通用人脸数据库的规模要远大于跨年龄人脸数据库。
在本发明实施例中，通常人脸数据库中包括多幅的人脸图像，这些人脸图像为通用的训练样本库。跨年龄人脸数据库为小规模收集的跨年龄的多幅人脸图像，跨年龄人脸数据库作为训练样本，在该跨年龄人脸数据库中已经按照人脸的身份特征和年龄特征分类的多个人脸图像组。其中，人脸图像的身份特征是人脸图像所代表人脸的图像特征，不同的人脸具有标记成不同的身份类标，根据人脸的身份统计信息对身份特征进行分组，年龄则根据人脸所在不同的阶段，如婴儿、少年、青年、中年、老年等，因此根据人脸的年龄统计信息对年龄特征进行分组。在跨年龄人脸数据库为真实跨年龄的人脸图像样本，采用跨年龄人脸数据库作为训练样本相比于采用手工设计特征更为灵活。
在本发明的一些实施例中，步骤101分别获取通用人脸数据库和跨年龄人脸数据库之前，本发明实施例提供的跨年龄人脸识别方法还可以包括如下步骤：
A1、分别对通用人脸数据库和跨年龄人脸数据库中的多幅人脸图像进行预处理。
其中，在本发明实施例中获取到用于深度卷积神经网络模型训练的两类样本数据库之前，还可以先对通用人脸数据库和跨年龄人脸数据库中的多幅人脸图像预处理，以实现对通用人脸数据库和跨年龄人脸数据库中的人脸图像能够适用于后续过程中的模型训练，具体的，在不同的应用场景下，对人脸图像的预处理也可以采用相应的处理方法。在本发明的一些实施例中，步骤A1步骤分别对通用人脸数据库和跨年龄人脸数据库中的多幅人脸图像进行预处理，包括：
A11、对多幅人脸图像分别进行人脸检测；和/或，
A12、对多幅人脸图像中的人脸关键点进行定位对齐；和/或，
A13、对多幅人脸图像分别进行人脸剪切和缩放。
在获取到通用人脸数据库和跨年龄人脸数据库之后，通过对上述数据库中每幅人脸图像进行人脸检测，若人脸图像不够理想，例如人脸关键点没有对齐，或者人脸图像的大小不统一，还需要执行步骤A11、步骤A12以及步骤A13。其中，步骤A11中，对人脸图像进行人脸检测，其中可以采用多种人脸检测算法进行实现，例如基于Haar-Like特征的Adaboost人脸检测算法等。接下来对步骤A12进行举例说明，人脸特征点定位的目的是在人脸检测的基础上，进一步确定脸部特征点(眼睛、眉毛、鼻子、嘴巴、脸部外轮廓)的位置。定位算法的基本思路是：人脸的纹理特征和各个特征点之间的位置约束结合。早期的面部特征点定位主要集中在几个关键点的定位上，比如说眼睛和嘴巴的中心。在本实施例中，采用landmark方法来进行人脸对齐。另外，在人脸关键点对齐时还可以根据预置的人脸模型进行关键点的定位调整。在步骤A13中，还可以对多幅人脸图像分别进行人脸剪切和缩放。例如，根据人脸关键点，将人脸图像按统一模式剪切出来，并缩放到统一大小。
102、使用通用人脸数据库和跨年龄人脸数据库对由隐因子分析模型引导的深度卷积神经网络模型进行训练，输出训练完成后的深度卷积神经网络模型。
在本发明实施例中，对通用人脸数据库和跨年龄人脸数据库进行人脸图像的人脸检测之后，可以将通用人脸数据库和跨年龄人脸数据库作为训练样本，本发明实施例中采用深度卷积神经网络模型作为训练模型，使用通用人脸数据库和跨年龄人脸数据库对深度卷积神经网络模型进行训练，并在训练过程中使用隐因子分析模型来嵌入到深度卷积神经网络模型中，隐因子分析模型可以将身份因子和年龄因子作为独立分布的隐因子，通过嵌入隐因子分析模型的深度卷积神经网络模型，该网络模型经过通用人脸数据库和跨年龄人脸数据库的双重训练之后，可以输出训练完成后的深度卷积神经网络模型。其中，深度卷积神经网络模型中的卷积层参数和全连接层参数也可以在上述的模型训练完成后得到。卷积层参数和全连接层参数表征训练完成的深度卷积神经网络模型，卷积层参数和全连接层参数可以用于提取人脸图像的身份特征，并且该卷积层参数和全连接层参数通过通用人脸数据库和跨年龄人脸数据库对由隐因子分析模型引导的深度卷积神经网络模型训练完成之后，具有更强的身份特征提取能力，提取到的身份特征更为准确，避免通过单一的人脸数据库训练后存在的问题。
在本发明的一些实施例中，步骤102使用通用人脸数据库和跨年龄人脸数据库对由隐因子分析模型引导的深度卷积神经网络模型进行训练，输出训练完成后的深度卷积神经网络模型，具体可以包括如下步骤：
B1、获取深度卷积神经网络模型的第一卷积层参数和第一全连接层参数，第一卷积层参数为深度卷积神经网络模型的初始的卷积层参数，第一全连接层参数为深度卷积神经网络模型的初始的全连接层参数。
B2、将第一卷积层参数和第一全连接层参数作为初始条件执行如下循环过程：
B21、在第一全连接层参数取值保持不变的情况下，使用通用人脸数据库训练深度卷积神经网络模型，得到更新后的第一卷积层参数；
B22、在第一卷积层参数取值保持不变的情况下，将隐因子分析模型嵌入到深度卷积神经网络模型中，使用跨年龄人脸数据库训练嵌入有隐因子分析模型的深度卷积神经网络模型，得到更新后的第一全连接层参数；
B3、当最近更新后的第一卷积层参数和第一全连接层参数均满足预定条件时结束上述循环过程，确定更新后的第一卷积层参数为深度卷积神经网络模型中的最终的卷积层参数，确定更新后的第一全连接层参数为深度卷积神经网络模型中的最终的全连接层参数。
在本发明的一些实施例中，步骤B2中包括的循环过程为步骤B21以及步骤B22，第一卷积层参数和第一全连接层参数为深度卷积神经网络模型的初始输入，有了深度卷积神经网络模型的初始输入之后，可以使用这个初始输入在通用人脸数据库中进行卷积层参数更新，其中，深度卷积神经网络模型中保持第一全连接层参数的取值固定。例如在步骤B21中可以使用随机梯度下降算法更新卷积层参数，不限定的是，在本发明的另一些实施例中，还可以采用批量梯度下降方法来更新第一卷积层参数。以卷积特征提取利用随机梯度下降法来更新参数为例进行举例说明，卷积特征提取包括一次前向传播和一次反向传播。其中首先通过深度卷积神经网络模型的前向计算来预测标签信息，与已知的监督信息比较并计算误差。然后将误差在深度卷积神经网络模型中进行反向传播，把误差分配到每一层的各个卷积层参数中，再根据误差对卷积层参数进行更新。
在第一卷积层参数取值保持不变的情况下，将隐因子分析模型嵌入到深度卷积神经网络模型中以实现隐因子对深度卷积神经网络模型的引导，使用跨年龄人脸数据库训练嵌入有隐因子分析模型的深度卷积神经网络模型，得到更新后的第一全连接层参数，跨年龄人脸数据库中包括有按照身份特征和年龄特征分类的多个人脸图像组，将这些图像组中人脸图像的身份特征和年龄特征用于训练深度卷积神经网络模型，以实现对第一全连接层参数的更新。需要说明的是，在本发明的上述实施例中，循环过程需要多次执行，即步骤B21执行之后触发步骤B22执行，然后步骤B22输出的结果又触发步骤B21再次执行，对于每轮的输出结果都可以和预定条件进行判断，以确定第一卷积层参数和第一全连接层参数是否同时满足预定条件，只有第一卷积层参数和第一全连接层参数都满足预定条件的情况下执行步骤B3。
进一步的，步骤B3中的最近更新后的第一卷积层参数和第一全连接层参数均满足预定条件，可以包括如下内容：
最近更新后的第一卷积层参数收敛于卷积层阈值、且最近更新后的第一全连接层参数收敛于全连接层阈值。
其中，在步骤B3中分别设置卷积层阈值、全连接层阈值，这两个阈值用于判断最近更新后的第一卷积层参数和最近更新后的第一全连接层参数是否同时收敛，在循环过程结束后输出深度卷积神经网络模型中的卷积层参数和全连接层参数，卷积层参数和全连接层参数通过通用人脸数据库和跨年龄人脸数据库进行双重训练之后作为深度卷积神经网络模型的网络参数，可以用于人脸图像的身份特征提取。可以理解的是，在实际应用中，针对深度卷积神经网络模型，在不同的模型参量下，第一卷积层参数和第一全连接层参数均满足的预定条件也可以根据实际需要配置，此处不做限定。
进一步的，在本发明的一些实施例中，步骤B22在第一卷积层参数取值保持不变的情况下，将隐因子分析模型嵌入到深度卷积神经网络模型中，使用跨年龄人脸数据库训练嵌入有隐因子分析模型的深度卷积神经网络模型，得到更新后的第一全连接层参数，具体可以包括如下步骤：
C1、根据第一卷积层参数确定跨年龄人脸数据库中的多幅人脸图像各自对应的卷积特征；
C2、使用隐因子分析模型对卷积特征至少进行身份因子、年龄因子和噪声因子的分析，得到卷积特征的隐因子信息；
C3、根据卷积特征的隐因子信息确定深度卷积神经网络模型的参数组，参数组包括卷积特征的平均分量、身份子空间、年龄子空间和噪声能量；
C4、根据参数组的初始值确定更新后的身份因子和更新后的年龄因子，并根据更新后的身份因子和更新后的年龄因子更新对参数组的取值，得到更新后的身份子空间、更新后的年龄子空间；循环执行上述过程，直至最近更新后的身份子空间和最近更新的年龄子空间均满足预定条件，循环结束，输出身份子空间终值和年龄子空间终值；
C5、根据身份因子终值和年龄子空间终值更新第一全连接层参数。
其中，首先对步骤C1进行说明，根据第一卷积层参数确定跨年龄人脸数据库中的多幅人脸图像对应的卷积特征。例如，将跨年龄人脸数据库中的多幅人脸图像输入深度卷积神经网络模型，得到该人脸图像对应的卷积特征，对于深度卷积神经网络模型可以采用多种卷积层和池化层来实现，具体不做限定。在步骤C2中，深度卷积神经网络模型输出卷积特征后，该卷积特征可以用于隐因子分析模型进行隐因子的确定，本发明实施例中隐因子具体可以是身份因子和年龄因子，在其它实施例中，隐因子还可以指的是遮挡因子和光照因子，本发明实施例中重点阐述对跨年龄具有鲁棒性质的身份因子。例如，步骤C2中，可以使用隐因子分析模型对卷积特征进行因子分析，得到卷积特征的隐因子表达式，卷积特征的隐因子表达式其中，v为卷积特征v的平均分量，Uid、Uag和Ue分别为身份子空间、年龄子空间和噪声子空间，xid、xag、xe分别为身份因子、年龄因子和噪声因子。
在步骤C3中，根据卷积特征的隐因子信息确定深度卷积神经网络模型的参数组，参数组包括卷积特征的平均分量、身份子空间、年龄子空间和噪声能量。通过步骤C2的因子分析，可以得到将卷积特征按照隐因子表达式来展开，其中，步骤C1计算出的卷积特征可以表示为：按照身份因子和年龄因子展开之后，可以得到该深度卷积神经网络模型的参数组θ可以表示为：其中，σ为噪声能量。
举例说明如下，在步骤C4中可以对参数组θ取初始值之后执行如下循环过程：C41、使用参数组θ的初始值计算身份因子xid、年龄因子xag，得到更新后的身份因子xid、更新后的年龄因子xag；C42、使用更新后的身份因子xid、更新后的年龄因子xag对参数组θ的取值进行更新，得到更新后的身份子空间Uid、更新后的年龄子空间Uag。由上述隐因子表达式可知，Uid，Uag，σ可以构成一个参数组，用θ来表示。对于θ取初始值之后可以执行步骤C41和步骤C42的循环过程，身份子空间、年龄子空间与身份因子、年龄因子之间的计算关系如步骤C2所示，需要说明的是，在本发明的上述实施例中，循环过程需要多次执行，即步骤C41执行之后触发步骤C42执行，然后步骤C42中的结果又触发步骤C41再次执行，对于每轮的输出结果都可以和预置的最大期望条件进行判断，以确定输出身份子空间终值U′id、年龄子空间终值Ua′g，在得到输出身份子空间终值U′id、年龄子空间终值Ua′g之后执行步骤C5。
在步骤C4中，例如当身份子空间Uid、年龄子空间Uag都具有最大期望时，结束上述循环过程，输出身份子空间终值U′id、年龄子空间终值Ua′g，通过如下方式计算身份因子终值x′id的表达式：其中，Σ＝σ2I+U′idU′id T+U′agU′ag T，I为单位矩阵。在步骤C4中，身份子空间Uid具有最大期望时的身份子空间Uid定义为身份子空间终值U′id，年龄子空间Uag具有最大期望时的年龄子空间Uag定义为年龄子空间终值U′ag，通过如下方式计算身份因子终值x′id的表达式：其中，Σ表示如下等式的含义：Σ＝σ2I+U′idU′id T+U′agU′ag T。因此当给定卷积矩阵v时可以计算其对应的身份因子终值x′id。
在上述步骤C5中，例如根据身份因子终值x′id的表达式对第一全连接层参数进行更新，第一全连接层参数的输出参数Ffc满足如下关系：Ffc＝WFconv+b，v为Fconv，x′id为Ffc，U′idΣ-1为W，为b。在上述步骤C5中，第一全连接层参数的输出参数Ffc满足如下关系：Ffc＝WFconv+b，该表示式与步骤C4中身份因子终值x′id的表达式结构之间的替换关系为：v为Fconv，x′id为Ffc，U′idΣ-1为W，为b。因此身份因子终值x′id的表达式可以用于计算第一全连接层参数的输出参数Ffc，身份因子终值x′id用于计算第一全连接层参数的输出参数Ffc可以实现隐因子分析模型嵌入到深度卷积神经网络模型，该第一全连接层参数可以用于计算身份因子终值。
需要说明的是，在本发明实施例中更新第一全连接层参数时可以不局限于上述步骤C1至步骤C5所示的所有步骤，对卷积特征的因子分析可以不局限于步骤C2所示，例如需要考虑光照因子作为隐因子时v的表达式可以根据具体实现而确定，d的取值也不限于3，同样可以为其它情况，具体取决于隐因子的实现。在隐因子引导的深度卷积神经网络模型中，通过不同隐因子的具体实现，步骤C3至C5中均有相应的细节改变，但是不脱离于本发明实施例中将隐因子分析模型嵌入到深度卷积神经网络模型中的详细实现过程。
通过前述对本发明的举例说明可知，本发明的模型的训练方案中，分别获取通用人脸数据库和跨年龄人脸数据库，跨年龄人脸数据库中包括按照人脸的身份特征和年龄特征分类的多个人脸图像组，使用通用人脸数据库和跨年龄人脸数据库对由隐因子分析模型引导的深度卷积神经网络模型进行训练，输出训练完成后的深度卷积神经网络模型。本发明实施例可以利用深度学习与隐因子分析，学习出隐因子分析模型引导的深度卷积神经网模型，该深度卷积神经网络模型可以用于对每张人脸图像计算年龄变化鲁棒的身份特征，达到高精度与高效率的跨年龄深度人脸识别。通过深度卷积神经网络模型提取到的身份特征对年龄跨度具有很强的鲁棒性，可降低跨年龄的人脸识别的复杂度。
前述实施例介绍了本发明实施例提供的模型的训练方法，接下来介绍基于模型的训练方法输出的深度卷积神经网络模型实现的跨年龄人脸识别方法。本发明实施例提供一种跨年龄人脸识别方法，请参阅如图2所示，该方法可以包括如下步骤：
201、使用深度卷积神经网络模型从两幅人脸图像中分别提取出对应的身份特征，深度卷积神经网络模型由隐因子分析模型引导，且通过通用人脸数据库和跨年龄人脸数据库进行训练后输出。
在本发明实施例中，前述实施例中描述了输出深度卷积神经网络模型，接下来可以将深度卷积神经网络模型用于人脸识别，例如可以将深度卷积神经网络模型中的卷积层参数和全连接层参数用于对需要测试的人脸图像进行身份特征提取，本发明实施例中可以包括至少两幅人脸图像在跨年龄人脸识别上的应用，接下来以两幅人脸图像在跨年龄人脸识别上的应用为例，针对这两幅人脸图像可以根据深度卷积神经网络模型中的卷积层参数和全连接层参数分别提取到第一身份特征和第二身份特征，其中，第一人脸图像对应第一身份特征，第二人脸图像对应第二身份特征，本发明实施例中采用对跨年龄具有鲁棒效果的身份特征作为人脸识别的依据，对于因年龄造成的图像特征差异具有很强的识别特性。
202、根据至少两幅人脸图像分别提取到的身份特征之间的相似程度确定至少两幅人脸图像是否属于跨年龄的同一个人脸。
在本发明实施例中，以两幅人脸图像在跨年龄人脸识别上的应用为例，获取到第一人脸图像的第一身份特征，第二人脸图像的第二身份特征，不限定的是，还可以获取到更多的人脸图像对应的身份特征。例如，对多个身份特征之间的相似程度进行判断，通过身份特征是否具有相似性确定多幅人脸图像是否属于跨年龄的同一个人脸。
在本发明的一些实施例中，步骤202根据至少两幅人脸图像分别提取到的身份特征之间的相似程度确定至少两幅人脸图像是否属于跨年龄的同一个人脸，具体可以包括如下步骤：
D1、确定至少两幅人脸图像分别提取到的身份特征之间的相似度度量值；
D2、使用分类器对相似度度量值进行判断，根据分类器输出的分类结果确定至少两幅人脸图像是否属于跨年龄的同一个人脸。
其中，在判断至少两幅人脸图像是否属于跨年龄的同一个人脸时，可以根据至少两幅人脸图像分别提取到的身份特征之间的相似度度量值进行判断，在实际应用中，该相似度度量值可以有多种实现方式，例如相似度度量值包括：余弦距离、马氏距离和欧式距离。接下来可以使用分类器对相似度度量值进行判断，根据分类器输出的分类结果确定至少两幅人脸图像是否属于跨年龄的同一个人脸，该分类器具体可以包括：最邻近分类器和线性分类器。在实际应用中，也可以不局限于上述相似度度量值和分类器的具体实现。优选的，可以多个身份特征之间可以分别计算出余弦距离，通过最邻近分类器对余弦距离进行判断，这种分类方法简单易实现，具体过程不再赘述。
通过前述实施例对本发明的具体实现方式可知，本发明的跨年龄人脸识别方案中，使用深度卷积神经网络模型从至少两幅人脸图像中分别提取出对应的身份特征，根据至少两幅人脸图像分别提取到的身份特征之间的相似程度确定至少两幅人脸图像是否属于跨年龄的同一个人脸。本发明实施例可以实现对跨年龄鲁棒的深度人脸识别，深度卷积神经网模型可用于对每张人脸图像计算年龄变化鲁棒的身份特征，达到高精度与高效率的跨年龄深度人脸识别。通过深度卷积神经网络模型提取到的身份特征对年龄跨度具有很强的鲁棒性，并且从待测试人脸图像中提取到的身份特征具有低维度的特征，可降低跨年龄的人脸识别的复杂度。
为便于更好的理解和实施本发明实施例的上述方案，下面举例相应的应用场景来进行具体说明。
如图3所示，为本发明提供的模型的训练方法和跨年龄人脸识别方法的总体框架示意图。本发明通过跨年龄的深度人脸识别算法，使用计算机对人脸图像进行处理，提取出对年龄变化鲁棒的身份特征，从而对人的身份进行识别，应用在需要通过人脸进行身份识别的场景中。本发明实施例提出的算法具体包含卷积特征学习和隐因子分析模型两部分。前者以人脸图像信息为对象，计算高层抽象的卷积特征；后者通过隐因子分析模型，对卷积特征提取出身份因子与年龄因子，并以此引导前端的网络学习和预测。隐因子分析模型将身份因子和年龄因子作为独立分布的隐因子，以身份因子估计为核心，达到跨年龄人脸识别分析的目的。由于通过隐因子引导的深度卷积神经网络能学习到非常有效的特征，识别时仅仅需要用余弦距离及最邻近分类器即可。
跨年龄人脸识的具体过程可以包括预处理、特征提取、隐因子模型、人脸身份识别。具体的，预处理包括人脸检测和剪切、人脸关键点对齐。本发明实施例中通用人脸数据库和跨年龄人脸数据库中的人脸图像都经过同一的预处理，再输入到所提出的跨年龄深度人脸识别方法中。其中预处理包含：
(1)人脸检测。通过人脸检测算法，以适当大小的窗口和适当的步长扫描输入图像，直到检测到人脸，剪切人脸区域并保存。可以使用的人脸检测算法是一种基于Haar-Like特征的Adaboost人脸检测算法，也可以使用其他人脸检测器。(2)人脸关键点定位对齐。人脸关键点包括眼睛、嘴巴、鼻子等，根据在人脸区域中检测到的关键点，通过刚体变换对人脸图像进行对齐校准，使得人脸在图像中各关键点的位置基本一致。(3)人脸剪切与缩放。根据人脸关键点，将所有训练与测试图像按统一模式剪切出来，并缩放到统一大小。
根据跨年龄人脸数据库中人脸图像作为训练数据，具有已知的身份信息与年龄信息，分别将人脸图像进行分组。其中有多少个不同身份的人，即标记成不同的身份类标。年龄则根据人脸所在不同的阶段，如婴儿、少年、青年、中年、老年等，因此根据人脸的年龄统计信息对年龄因子进行分组。
整个框架通过耦合学习来进行迭代优化，充分利用了大型通用人脸数据库和小型的跨年龄人脸数据库。具体的学习步骤为：(1)初始化整个网络模型的卷积层参数θCONV，全连接层参数θFC，其中深度卷积神经网络模型包括卷积单元和全连接层组成。(2)固定全连接层参数θFC，在大型通用人脸数据库上用随机梯度下降法更新卷积层参数θCONV。(3)固定卷积层参数θCONV，在小型跨年龄人脸数据库上计算隐因子分析模型确定的参数组θ，并以此更新全连接层参数θFC。(4)若卷积层参数θCONV，全连接层参数θFC均收敛，输出网络参数，例如θCONV,θFC；否则回到步骤(2)。
其中，本发明实施例中提出的隐因子引导的深度卷积神经网络由两部分组成。第一部分为卷积特征提取，作用为对输入的每张人脸图像计算其卷积特征。第二部分为隐因子分析模型，作用为对输入的卷积特征进行因子分析，得到身份因子与年龄因子，最终则根据身份因子进行识别。需要说明的是，在本发明的一些实施例中该，深度卷积神经网络模型具体可以执行的是有监督的导师训练，例如可以配置监督函数来完成。如图4所示，图4为本发明提供的隐因子引导的深度卷积神经网络模型的方框示意图，在隐因子引导的深度卷积神经网络模型中主要包括：卷积特征提取模块和隐因子分析模块，接下来进行详细举例说明。
卷积特征提取模块(也称为卷积单元)，由典型的深度卷积神经网络模型组成。例如，本卷积神经网络模型可以有五层卷积层，每层的非线性单元为参数化的ReLU函数(Parametric Rectified Linear Units,简称PReLU)。每层的卷积核大小为3×3，步长为1，五层卷积层中各层的卷积核个数分别为128，128，128，256和256。深度卷积神经网络模型中还包括池化层，池化层的作用为取每个2×2区域内的最大值，步长为2。该卷积单元的输入为人脸图像，输出为卷积特征，公式表达为Fconv＝f(FI)，其中FI为输入的人脸图像，f(.)表示卷积特征提取过程，Fconv为卷积特征。
隐因子分析模块则由一层全连接层来表示，连接在卷积单元后面。该全连接的输出并不通过非线性单元。本发明实施例中主要关注身份信息，所以年龄因子可以不用计算出来。该隐因子分析模块的输入为卷积特征，输出为年龄不变的深度身份特征，公式表达为Ffc＝WFconv+b，其中W为全连接的权重，b为偏置参数，Ffc为全连接的输出。
具体的，隐因子分析模块可以将人脸图像的卷积特征表示为各个组件的线性组合其中d和为标量。
在本发明实施例中组件的具体形式为身份组件和年龄组件以及噪声组件。每个组件由其子空间和隐因子来决定，所以深度卷积神经网络模型中的卷积特征可以简化为其中为卷积特征的平均分量，Uid、Uag和Ue分别为身份子空间、年龄子空间和噪声子空间；xid、xag、xe分别为身份因子、年龄因子和噪声因子，Uidxid、Uagxag、Uexe分别称为身份组件、年龄组件和噪声组件。由于噪声服从零均值的高斯分布，所以Ue为单位矩阵。整个模型由参数组决定，σ为噪声组件(Uexe)的能量。经过一系列数学推导，在已知θ的情况下，可求出xid和xag；在已知xid和xag条件下，可对原有的θ进行更新。在训练过程中，使用最大期望算法(英文全称为：
Expectation Maximization Algorithm)，经过充分迭代，得到最优解，输出身份子空间终值U′id、年龄子空间终值Ua′g，当模型的4个参数已知时，给定一个卷积特征v，即可将要求的身份因子通过推断出来，其中，Σ＝σ2I+U′idU′id T+U′agU′ag T，I为单位矩阵。令v为Fconv，xid为Ffc，U′idΣ-1为W，为b，可知隐因子推断的公式正好与上文中全连接层参数的输出参数形式一致。因此隐因子分析模型可以很容易嵌入到深度卷积神经网络模型中。
通过前述描述确定深度卷积神经网络模型中的卷积层参数和全连接层参数之后，接下来使用卷积层参数和全连接层参数对测试数据中的人脸图像进行身份特征的提取，根据提取出的身份特征，与测试数据库中的人脸图像的身份特征进行比对，寻找最相似的人脸图像，将人脸图像的身份标签作为识别结果。
在本发明的前述实施例中，针对具有年龄因素干扰的人脸身份识别问题，提出了一种新颖的年龄不变的深度人脸识别方法，包括预处理、训练隐因子引导的深度卷积神经网络模型、特征提取、人脸识别等四部分组成。本发明通过一系列的数学推导，将隐因子分析模型自然地嵌入到了深度卷积神经网络模型中的全连接层，结合了深度卷积神经网络和隐因子模型的长处，得到了更加有效的对年龄变化鲁棒的身份特征。本发明构建的隐因子分析模型，可以很好地同时利用小型跨年龄人脸数据库，并将其训练结果用于引导卷积单元在大型通用人脸数据库上的训练。很好的弥补了单独使用大型通用人脸数据库、小型跨年龄人脸数据库的缺陷。与传统方法中手动设计特征相比，本发明实施例通过深度卷积神经网络在大型通用人脸数据库学习出来的身份特征有更强的身份表征能力和鉴别力，可以非常明显地提高人脸识别性能。况且，该身份特征还具有低维度的特点，避免了在高维数据上的复杂计算。与最近兴起的深度学习方法相比，本发明实施例将隐因子分析模型嵌入进了深度卷积神经网络模型，可以明确的通过小型跨年龄人脸数据库去学习人脸的年龄信息，使其得到身份特征对年龄变化有更好的鲁棒性。由于学习出来的身份特征足够有效，后端也不需要用复杂的分类器，仅仅使用余弦距离和最邻近分类器即可达到很好的效果。
为验证本发明实施例提出的跨年龄人脸识别方法的可行性和准确性，将本发明的方法在国际公开的跨年龄的人脸数据库MORPH上进行了实验测试，并与传统方法进行了比较。MORPH Album 2是国际公开的最大的跨年龄人脸数据库，包含20000个人的78000张图像，每个人有不同年龄的人脸图像。该实验随机抽取10000个人做训练集，10000个人做测试集，每个人选择年龄差距最大的2张图像。
实验测试结果如表1所示，传统的人脸识别方法有隐因子分析(Hidden FactorAnalysis，HFA)、跨年龄实例编码(Cross Age Reference Coding，CARC)、最大熵特征分析(Maximum Entropy Feature Analysis，MEFA):HOG,似然比、MEFA:尺度不变特征变换(Scale-invariant feature transform，SIFT)+HOG+LBP,似然比，其中准确率为最高为94.59％，单纯用深度卷积神经网络的人脸识别效果为95.13％。可以看出，本发明实施例提供的隐因子引导的深度卷积神经网络(LF-CNNs)的测试准确率有较大提升，为97.51％。目前常用的HFA方法中需要手动的输入特征数据，未能经常大量的样本进行学习，缺乏一定的灵活性，不能很好地刻画表征人脸图像的身份信息，也不具有对年龄变化鲁棒的效果。本发明实施例提出隐因子引导的深度卷积神经网络模型，充分地利用了大规模网络收集的通用人脸数据库和小规模的跨年龄人脸数据库进行学习。用跨年龄人脸数据库来建立隐因子分析模型，再在隐因子分析模型的引导下，用大型通用人脸数据库对深度卷积神经网络模型进行训练。通过该方法得到的特征，具有丰富的身份表征能力，并且对年龄的变化有很强鲁棒性。
表1MORPH人脸库跨年龄人脸识别测试准确率
方法 准确率
HFA 91.14％
CARC 92.80％
MEFA:HOG,似然比 93.80％
MEFA:SIFT+HOG+LBP,似然比 94.59％
CNNs 95.13％
LF-CNNs 97.51％
不限的是，本发明实施例提供的人脸预处理方法有多种实现手段，人脸检测、人脸关键点定位可以选择多种方法。本发明所用到的深度卷积神经网络模型的结构，也可以有多种形式，如增删卷积层的层数、替换非线性单元等。另外，本发明中隐因子模型中的因子数量，也可以具体问题而定。比如加入表情、姿态等因子。
接下来请参阅图5、图6、图7、图8所示，介绍本发明实施例提供的装置以及模块。请参阅如图5所示，模型的训练装置500，包括：
获取模块501，用于分别获取通用人脸数据库和跨年龄人脸数据库，所述跨年龄人脸数据库中包括按照人脸的身份特征和年龄特征分类的多个人脸图像组；
模型训练模块502，用于使用所述通用人脸数据库和所述跨年龄人脸数据库对由隐因子分析模型引导的深度卷积神经网络模型进行训练，输出训练完成后的所述深度卷积神经网络模型。
在本发明的一些实施例中，请参阅图6所示，所述模型训练模块502，包括：
参数获取模块5021，用于获取所述深度卷积神经网络模型的第一卷积层参数和第一全连接层参数，所述第一卷积层参数为所述深度卷积神经网络模型的初始的卷积层参数，所述第一全连接层参数为所述深度卷积神经网络模型的初始的全连接层参数；
参数迭代模块5022，用于将所述第一卷积层参数和所述第一全连接层参数作为初始条件执行如下循环过程：在所述第一全连接层参数取值保持不变的情况下，使用所述通用人脸数据库训练所述深度卷积神经网络模型，得到更新后的第一卷积层参数；在所述第一卷积层参数取值保持不变的情况下，将所述隐因子分析模型嵌入到所述深度卷积神经网络模型中，使用所述跨年龄人脸数据库训练嵌入有所述隐因子分析模型的深度卷积神经网络模型，得到更新后的第一全连接层参数；
参数输出模块5023，用于当最近更新后的所述第一卷积层参数和所述第一全连接层参数均满足预定条件时结束上述循环过程，确定最近更新后的第一卷积层参数为所述深度卷积神经网络模型中的最终的卷积层参数，确定更新后的第一全连接层参数为所述深度卷积神经网络模型中的最终的全连接层参数。
在本发明的一些实施例中，所述最近更新后的所述第一卷积层参数和所述第一全连接层参数均满足预定条件，包括：
最近更新后的所述第一卷积层参数收敛于卷积层阈值、且最近更新后的所述第一全连接层参数收敛于全连接层阈值。
在本发明的一些实施例中，请参阅图7所示，所述参数迭代模块5022，包括：
卷积单元50221，用于根据所述第一卷积层参数确定所述跨年龄人脸数据库中的多幅人脸图像各自对应的卷积特征；
隐因子分析单元50222，用于使用所述隐因子分析模型对所述卷积特征至少进行身份因子、年龄因子和噪声因子的分析，得到所述卷积特征的隐因子信息；
参数组建立单元50223，用于根据所述卷积特征的隐因子信息确定所述深度卷积神经网络模型的参数组，所述参数组包括卷积特征的平均分量、身份子空间、年龄子空间和噪声能量；
迭代单元50224，用于根据所述参数组的初始值确定更新后的身份因子和更新后的年龄因子，并根据更新后的身份因子和更新后的年龄因子更新对所述参数组的取值，得到更新后的身份子空间、更新后的年龄子空间；循环执行上述过程，直至最近更新后的身份子空间和最近更新的年龄子空间均满足预定条件，循环结束，输出身份子空间终值和年龄子空间终值；
全连接层参数更新单元50225，用于根据所述身份因子终值和所述年龄子空间终值更新所述第一全连接层参数。
在本发明的一些实施例中，请参阅图8所示，所述模型的训练装置500，还包括：预处理模块503，用于所述获取模块501分别获取通用人脸数据库和跨年龄人脸数据库之前，分别对通用人脸数据库和跨年龄人脸数据库中的多幅人脸图像进行预处理。
在本发明的一些实施例中，所述预处理模块503，具体用于对所述多幅人脸图像分别进行人脸检测；和/或，对所述多幅人脸图像中的人脸关键点进行定位对齐；和/或，对所述多幅人脸图像分别进行人脸剪切和缩放。
通过前述对本发明的举例说明可知，本发明的模型的训练方案中，分别获取通用人脸数据库和跨年龄人脸数据库，跨年龄人脸数据库中包括按照人脸的身份特征和年龄特征分类的多个人脸图像组，使用通用人脸数据库和跨年龄人脸数据库对由隐因子分析模型引导的深度卷积神经网络模型进行训练，输出训练完成后的深度卷积神经网络模型。本发明实施例可以利用深度学习与隐因子分析，学习出隐因子分析模型引导的深度卷积神经网模型，该深度卷积神经网络模型可以用于对每张人脸图像计算年龄变化鲁棒的身份特征，达到高精度与高效率的跨年龄深度人脸识别。通过深度卷积神经网络模型提取到的身份特征对年龄跨度具有很强的鲁棒性，可降低跨年龄的人脸识别的复杂度。
接下来请参阅图9、图10所示，介绍本发明实施例提供的装置以及模块。请参阅如图9所示，跨年龄人脸识别装置900，包括：
身份特征识别模块901，用于使用深度卷积神经网络模型从至少两幅人脸图像中分别提取出对应的身份特征，所述深度卷积神经网络模型由隐因子分析模型引导，且通过通用人脸数据库和跨年龄人脸数据库进行训练后输出；
跨年龄人脸判断模块902，用于根据所述至少两幅人脸图像分别提取到的身份特征之间的相似程度确定所述至少两幅人脸图像是否属于跨年龄的同一个人脸。
在本发明的一些实施例中，请参阅图10所示，所述跨年龄人脸判断模块902，包括：
相似度确定模块9021，用于确定所述至少两幅人脸图像分别提取到的身份特征之间的相似度度量值；
分类判断模块9022，用于使用分类器对所述相似度度量值进行判断，根据所述分类器输出的分类结果确定所述至少两幅人脸图像是否属于跨年龄的同一个人脸。
在本发明的一些实施例中，所述相似度度量值，包括：余弦距离、马氏距离和欧式距离；
所述分类器，包括：最邻近分类器和线性分类器。
本发明的跨年龄人脸识别方案中，使用深度卷积神经网络模型从至少两幅人脸图像中分别提取出对应的身份特征，根据至少两幅人脸图像分别提取到的身份特征之间的相似程度确定至少两幅人脸图像是否属于跨年龄的同一个人脸。本发明实施例可以实现对跨年龄鲁棒的深度人脸识别，深度卷积神经网模型可用于对每张人脸图像计算年龄变化鲁棒的身份特征，达到高精度与高效率的跨年龄深度人脸识别。通过深度卷积神经网络模型提取到的身份特征对年龄跨度具有很强的鲁棒性，并且从待测试人脸图像中提取到的身份特征具有低维度的特征，可降低跨年龄的人脸识别的复杂度。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质存储有程序，该程序执行包括上述方法实施例中记载的部分或全部步骤。
接下来介绍本发明实施例提供的另一种模型的训练装置，请参阅图10所示，模型的训练装置1000包括：
接收器1001、发射器1002、处理器1003和存储器1004(其中模型的训练装置1000中的处理器1003的数量可以一个或多个，图10中以一个处理器为例)。在本发明的一些实施例中，接收器1001、发射器1002、处理器1003和存储器1004可通过总线或其它方式连接，其中，图10中以通过总线连接为例。
存储器1004可以包括只读存储器和随机存取存储器，并向处理器1003提供指令和数据。存储器1004的一部分还可以包括非易失性随机存取存储器(英文全称：Non-VolatileRandom Access Memory，英文缩写：NVRAM)。存储器1004存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。
处理器1003控制模型的训练装置的操作，处理器1003还可以称为中央处理单元(英文全称：Central Processing Unit，英文简称：CPU)。具体的应用中，模型的训练装置的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。
上述本发明实施例揭示的方法可以应用于处理器1003中，或者由处理器1003实现。处理器1003可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1003中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1003可以是通用处理器、数字信号处理器(英文全称：digital signal processing，英文缩写：DSP)、专用集成电路(英文全称：Application Specific Integrated Circuit，英文缩写：ASIC)、现成可编程门阵列(英文全称：Field-Programmable Gate Array，英文缩写：FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1004，处理器1003读取存储器1004中的信息，结合其硬件完成上述方法的步骤。
本发明实施例中，处理器1003，用于执行如下步骤：
分别获取通用人脸数据库和跨年龄人脸数据库，所述跨年龄人脸数据库中包括按照人脸的身份特征和年龄特征分类的多个人脸图像组；
使用所述通用人脸数据库和所述跨年龄人脸数据库对由隐因子分析模型引导的深度卷积神经网络模型进行训练，输出训练完成后的所述深度卷积神经网络模型。
本发明的一些实施例中，处理器1003，具体用于执行如下步骤：
获取所述深度卷积神经网络模型的第一卷积层参数和第一全连接层参数，所述第一卷积层参数为所述深度卷积神经网络模型的初始的卷积层参数，所述第一全连接层参数为所述深度卷积神经网络模型的初始的全连接层参数；
将所述第一卷积层参数和所述第一全连接层参数作为初始条件执行如下循环过程：在所述第一全连接层参数取值保持不变的情况下，使用所述通用人脸数据库训练所述深度卷积神经网络模型，得到更新后的第一卷积层参数；在所述第一卷积层参数取值保持不变的情况下，将所述隐因子分析模型嵌入到所述深度卷积神经网络模型中，使用所述跨年龄人脸数据库训练嵌入有所述隐因子分析模型的深度卷积神经网络模型，得到更新后的第一全连接层参数；
当最近更新后的所述第一卷积层参数和所述第一全连接层参数均满足预定条件时结束上述循环过程，确定最近更新后的第一卷积层参数为所述深度卷积神经网络模型中的最终的卷积层参数，确定更新后的第一全连接层参数为所述深度卷积神经网络模型中的最终的全连接层参数。
本发明的一些实施例中，存储器1004存储的预定条件，包括：最近更新后的所述第一卷积层参数收敛于卷积层阈值、且最近更新后的所述第一全连接层参数收敛于全连接层阈值。
本发明的一些实施例中，处理器1003，具体用于执行如下步骤：
根据所述第一卷积层参数确定所述跨年龄人脸数据库中的多幅人脸图像各自对应的卷积特征；
使用所述隐因子分析模型对所述卷积特征至少进行身份因子、年龄因子和噪声因子的分析，得到所述卷积特征的隐因子信息；
根据所述卷积特征的隐因子信息确定所述深度卷积神经网络模型的参数组，所述参数组包括卷积特征的平均分量、身份子空间、年龄子空间和噪声能量；
根据所述参数组的初始值确定更新后的身份因子和更新后的年龄因子，并根据更新后的身份因子和更新后的年龄因子更新对所述参数组的取值，得到更新后的身份子空间、更新后的年龄子空间；循环执行上述过程，直至最近更新后的身份子空间和最近更新的年龄子空间均满足预定条件，循环结束，输出身份子空间终值和年龄子空间终值；
根据所述身份因子终值和所述年龄子空间终值更新所述第一全连接层参数。
本发明的一些实施例中，处理器1003，还用于执行如下步骤：
分别获取通用人脸数据库和跨年龄人脸数据库之前，分别对通用人脸数据库和跨年龄人脸数据库中的多幅人脸图像进行预处理。
本发明的一些实施例中，处理器1003，具体用于执行如下步骤：
对所述多幅人脸图像分别进行人脸检测；和/或，
对所述多幅人脸图像中的人脸关键点进行定位对齐；和/或，
对所述多幅人脸图像分别进行人脸剪切和缩放。
接下来介绍本发明实施例提供的另一种跨年龄人脸识别装置，请参阅图11所示，跨年龄人脸识别装置1100包括：
接收器1101、发射器1102、处理器1103和存储器1104(其中跨年龄人脸识别装置1100中的处理器1103的数量可以一个或多个，图11中以一个处理器为例)。在本发明的一些实施例中，接收器1101、发射器1102、处理器1103和存储器1104可通过总线或其它方式连接，其中，图11中以通过总线连接为例。
存储器1104可以包括只读存储器和随机存取存储器，并向处理器1103提供指令和数据。存储器1104的一部分还可以包括NVRAM。存储器1104存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。
处理器1103控制跨年龄人脸识别装置的操作，处理器1103还可以称为CPU。具体的应用中，跨年龄人脸识别装置的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。
上述本发明实施例揭示的方法可以应用于处理器1103中，或者由处理器1103实现。处理器1103可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1103中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1103可以是通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1104，处理器1103读取存储器1104中的信息，结合其硬件完成上述方法的步骤。
本发明实施例中，处理器1103，用于执行如下步骤：
使用深度卷积神经网络模型从至少两幅人脸图像中分别提取出对应的身份特征，所述深度卷积神经网络模型由隐因子分析模型引导，且通过通用人脸数据库和跨年龄人脸数据库进行训练后输出；
根据所述至少两幅人脸图像分别提取到的身份特征之间的相似程度确定所述至少两幅人脸图像是否属于跨年龄的同一个人脸。
本发明的一些实施例中，处理器1103，具体用于执行如下步骤：
确定所述至少两幅人脸图像分别提取到的身份特征之间的相似度度量值；
使用分类器对所述相似度度量值进行判断，根据所述分类器输出的分类结果确定所述至少两幅人脸图像是否属于跨年龄的同一个人脸。
本发明的一些实施例中，存储器1104存储的所述相似度度量值，包括：余弦距离、马氏距离和欧式距离；所述分类器，包括：最邻近分类器和线性分类器。
以上为对本发明所提供的一种模型的训练方法、跨年龄人脸识别方法和对应的装置的描述，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (18)

1.一种模型的训练方法，其特征在于，包括：
分别获取通用人脸数据库和跨年龄人脸数据库，所述跨年龄人脸数据库中包括按照人脸的身份特征和年龄特征分类的多个人脸图像组；
使用所述通用人脸数据库和所述跨年龄人脸数据库对由隐因子分析模型引导的深度卷积神经网络模型进行训练，输出训练完成后的所述深度卷积神经网络模型。
2.根据权利要求1所述的方法，其特征在于，所述使用所述通用人脸数据库和所述跨年龄人脸数据库对由隐因子分析模型引导的深度卷积神经网络模型进行训练，包括：
获取所述深度卷积神经网络模型的第一卷积层参数和第一全连接层参数，所述第一卷积层参数为所述深度卷积神经网络模型的初始的卷积层参数，所述第一全连接层参数为所述深度卷积神经网络模型的初始的全连接层参数；
将所述第一卷积层参数和所述第一全连接层参数作为初始条件执行如下循环过程：在所述第一全连接层参数取值保持不变的情况下，使用所述通用人脸数据库训练所述深度卷积神经网络模型，得到更新后的第一卷积层参数；在所述第一卷积层参数取值保持不变的情况下，将所述隐因子分析模型嵌入到所述深度卷积神经网络模型中，使用所述跨年龄人脸数据库训练嵌入有所述隐因子分析模型的深度卷积神经网络模型，得到更新后的第一全连接层参数；
当最近更新后的所述第一卷积层参数和所述第一全连接层参数均满足预定条件时结束上述循环过程，确定最近更新后的第一卷积层参数为所述深度卷积神经网络模型中的最终的卷积层参数，确定更新后的第一全连接层参数为所述深度卷积神经网络模型中的最终的全连接层参数。
3.根据权利要求2所述的方法，其特征在于，所述最近更新后的所述第一卷积层参数和所述第一全连接层参数均满足预定条件，包括：
最近更新后的所述第一卷积层参数收敛于卷积层阈值、且最近更新后的所述第一全连接层参数收敛于全连接层阈值。
4.根据权利要求2所述的方法，其特征在于，所述在所述第一卷积层参数取值保持不变的情况下，将所述隐因子分析模型嵌入到所述深度卷积神经网络模型中，使用所述跨年龄人脸数据库训练嵌入有所述隐因子分析模型的深度卷积神经网络模型，得到更新后的第一全连接层参数，包括：
根据所述第一卷积层参数确定所述跨年龄人脸数据库中的多幅人脸图像各自对应的卷积特征；
使用所述隐因子分析模型对所述卷积特征至少进行身份因子、年龄因子和噪声因子的分析，得到所述卷积特征的隐因子信息；
根据所述卷积特征的隐因子信息确定所述深度卷积神经网络模型的参数组，所述参数组包括卷积特征的平均分量、身份子空间、年龄子空间和噪声能量；
根据所述参数组的初始值确定更新后的身份因子和更新后的年龄因子，并根据更新后的身份因子和更新后的年龄因子更新对所述参数组的取值，得到更新后的身份子空间、更新后的年龄子空间；循环执行上述过程，直至最近更新后的身份子空间和最近更新的年龄子空间均满足预定条件，循环结束，输出身份子空间终值和年龄子空间终值；
根据所述身份因子终值和所述年龄子空间终值更新所述第一全连接层参数。
5.根据权利要求1所述的方法，其特征在于，所述分别获取通用人脸数据库和跨年龄人脸数据库之前，所述方法还包括：
分别对通用人脸数据库和跨年龄人脸数据库中的多幅人脸图像进行预处理。
6.根据权利要求5所述的方法，其特征在于，所述分别对通用人脸数据库和跨年龄人脸数据库中的多幅人脸图像进行预处理，包括：
对所述多幅人脸图像分别进行人脸检测；和/或，
对所述多幅人脸图像中的人脸关键点进行定位对齐；和/或，
对所述多幅人脸图像分别进行人脸剪切和缩放。
7.一种跨年龄人脸识别方法，其特征在于，包括：
使用深度卷积神经网络模型从至少两幅人脸图像中分别提取出对应的身份特征，所述深度卷积神经网络模型由隐因子分析模型引导，且通过通用人脸数据库和跨年龄人脸数据库进行训练后输出；
根据所述至少两幅人脸图像分别提取到的身份特征之间的相似程度确定所述至少两幅人脸图像是否属于跨年龄的同一个人脸。
8.根据权利要求7所述的方法，其特征在于，所述根据所述至少两幅人脸图像分别提取到的身份特征之间的相似程度确定所述至少两幅人脸图像是否属于跨年龄的同一个人脸，包括：
确定所述至少两幅人脸图像分别提取到的身份特征之间的相似度度量值；
使用分类器对所述相似度度量值进行判断，根据所述分类器输出的分类结果确定所述至少两幅人脸图像是否属于跨年龄的同一个人脸。
9.根据权利要求8所述的方法，其特征在于，所述相似度度量值，包括：余弦距离、马氏距离和欧式距离；
所述分类器，包括：最邻近分类器和线性分类器。
10.一种模型的训练装置，其特征在于，包括：
获取模块，用于分别获取通用人脸数据库和跨年龄人脸数据库，所述跨年龄人脸数据库中包括按照人脸的身份特征和年龄特征分类的多个人脸图像组；
模型训练模块，用于使用所述通用人脸数据库和所述跨年龄人脸数据库对由隐因子分析模型引导的深度卷积神经网络模型进行训练，输出训练完成后的所述深度卷积神经网络模型。
11.根据权利要求10所述的装置，其特征在于，所述模型训练模块，包括：
参数获取模块，用于获取所述深度卷积神经网络模型的第一卷积层参数和第一全连接层参数，所述第一卷积层参数为所述深度卷积神经网络模型的初始的卷积层参数，所述第一全连接层参数为所述深度卷积神经网络模型的初始的全连接层参数；
参数迭代模块，用于将所述第一卷积层参数和所述第一全连接层参数作为初始条件执行如下循环过程：在所述第一全连接层参数取值保持不变的情况下，使用所述通用人脸数据库训练所述深度卷积神经网络模型，得到更新后的第一卷积层参数；在所述第一卷积层参数取值保持不变的情况下，将所述隐因子分析模型嵌入到所述深度卷积神经网络模型中，使用所述跨年龄人脸数据库训练嵌入有所述隐因子分析模型的深度卷积神经网络模型，得到更新后的第一全连接层参数；
参数输出模块，用于当最近更新后的所述第一卷积层参数和所述第一全连接层参数均满足预定条件时结束上述循环过程，确定最近更新后的第一卷积层参数为所述深度卷积神经网络模型中的最终的卷积层参数，确定更新后的第一全连接层参数为所述深度卷积神经网络模型中的最终的全连接层参数。
12.根据权利要求11所述的装置，其特征在于，所述最近更新后的所述第一卷积层参数和所述第一全连接层参数均满足预定条件，包括：
最近更新后的所述第一卷积层参数收敛于卷积层阈值、且最近更新后的所述第一全连接层参数收敛于全连接层阈值。
13.根据权利要求11所述的装置，其特征在于，所述参数迭代模块，包括：
卷积单元，用于根据所述第一卷积层参数确定所述跨年龄人脸数据库中的多幅人脸图像各自对应的卷积特征；
隐因子分析单元，用于使用所述隐因子分析模型对所述卷积特征至少进行身份因子、年龄因子和噪声因子的分析，得到所述卷积特征的隐因子信息；
参数组建立单元，用于根据所述卷积特征的隐因子信息确定所述深度卷积神经网络模型的参数组，所述参数组包括卷积特征的平均分量、身份子空间、年龄子空间和噪声能量；
迭代单元，用于根据所述参数组的初始值确定更新后的身份因子和更新后的年龄因子，并根据更新后的身份因子和更新后的年龄因子更新对所述参数组的取值，得到更新后的身份子空间、更新后的年龄子空间；循环执行上述过程，直至最近更新后的身份子空间和最近更新的年龄子空间均满足预定条件，循环结束，输出身份子空间终值和年龄子空间终值；
全连接层参数更新单元，用于根据所述身份因子终值和所述年龄子空间终值更新所述第一全连接层参数。
14.根据权利要求10所述的装置，其特征在于，所述模型的训练装置，还包括：预处理模块，用于所述获取模块分别获取通用人脸数据库和跨年龄人脸数据库之前，分别对通用人脸数据库和跨年龄人脸数据库中的多幅人脸图像进行预处理。
15.根据权利要求14所述的装置，其特征在于，所述预处理模块，具体用于对所述多幅人脸图像分别进行人脸检测；和/或，对所述多幅人脸图像中的人脸关键点进行定位对齐；和/或，对所述多幅人脸图像分别进行人脸剪切和缩放。
16.一种跨年龄人脸识别装置，其特征在于，包括：
身份特征识别模块，用于使用深度卷积神经网络模型从至少两幅人脸图像中分别提取出对应的身份特征，所述深度卷积神经网络模型由隐因子分析模型引导，且通过通用人脸数据库和跨年龄人脸数据库进行训练后输出；
跨年龄人脸判断模块，用于根据所述至少两幅人脸图像分别提取到的身份特征之间的相似程度确定所述至少两幅人脸图像是否属于跨年龄的同一个人脸。
17.根据权利要求16所述的装置，其特征在于，所述跨年龄人脸判断模块，包括：
相似度确定模块，用于确定所述至少两幅人脸图像分别提取到的身份特征之间的相似度度量值；
分类判断模块，用于使用分类器对所述相似度度量值进行判断，根据所述分类器输出的分类结果确定所述至少两幅人脸图像是否属于跨年龄的同一个人脸。
18.根据权利要求17所述的装置，其特征在于，所述相似度度量值，包括：余弦距离、马氏距离和欧式距离；
所述分类器，包括：最邻近分类器和线性分类器。
CN201610399405.6A 2016-06-07 2016-06-07 模型的训练方法、跨年龄人脸识别方法和对应的装置 Active CN107480575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610399405.6A CN107480575B (zh) 2016-06-07 2016-06-07 模型的训练方法、跨年龄人脸识别方法和对应的装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610399405.6A CN107480575B (zh) 2016-06-07 2016-06-07 模型的训练方法、跨年龄人脸识别方法和对应的装置

Publications (2)

Publication Number Publication Date
CN107480575A true CN107480575A (zh) 2017-12-15
CN107480575B CN107480575B (zh) 2020-09-22

Family

ID=60593329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610399405.6A Active CN107480575B (zh) 2016-06-07 2016-06-07 模型的训练方法、跨年龄人脸识别方法和对应的装置

Country Status (1)

Country Link
CN (1) CN107480575B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763493A (zh) * 2018-05-30 2018-11-06 深圳市思迪信息技术股份有限公司 一种基于深度学习的推荐方法
CN108877053A (zh) * 2018-09-30 2018-11-23 爱九九（青岛）科技股份有限公司 基于人脸识别的多媒体共享智能直饮水机装置管控方法
CN108962216A (zh) * 2018-06-12 2018-12-07 北京市商汤科技开发有限公司 一种说话视频的处理方法及装置、设备和存储介质
CN109636867A (zh) * 2018-10-31 2019-04-16 百度在线网络技术（北京）有限公司 图像处理方法、装置及电子设备
CN109977887A (zh) * 2019-01-30 2019-07-05 四川电科维云信息技术有限公司 一种抗年龄干扰的人脸识别方法
CN110197099A (zh) * 2018-02-26 2019-09-03 腾讯科技（深圳）有限公司 跨年龄人脸识别及其模型训练的方法和装置
CN110245679A (zh) * 2019-05-08 2019-09-17 北京旷视科技有限公司 图像聚类方法、装置、电子设备及计算机可读存储介质
CN110390290A (zh) * 2019-07-17 2019-10-29 北京天正聚合科技有限公司 一种识别目标对象的方法、装置、电子设备及存储介质
CN111104823A (zh) * 2018-10-25 2020-05-05 北京奇虎科技有限公司 人脸识别方法、装置及存储介质、终端设备
TWI693556B (zh) * 2018-01-22 2020-05-11 美商耐能有限公司 臉部辨識系統及臉部辨識方法
WO2020199932A1 (zh) * 2019-04-03 2020-10-08 腾讯科技（深圳）有限公司 模型训练方法、人脸识别方法、装置、设备及存储介质
CN111783532A (zh) * 2020-05-27 2020-10-16 东南大学 一种基于在线学习的跨年龄人脸识别方法
CN111881721A (zh) * 2020-06-10 2020-11-03 广东芯盾微电子科技有限公司 一种跨年龄的人脸识别方法、系统、装置及存储介质
CN112070012A (zh) * 2020-09-08 2020-12-11 安徽兰臣信息科技有限公司 一种基于儿童跨年龄段人脸识别技术的人脸检测方法
WO2021135863A1 (zh) * 2019-12-31 2021-07-08 华为技术有限公司 一种图像识别方法及装置
US11443559B2 (en) 2019-08-29 2022-09-13 PXL Vision AG Facial liveness detection with a mobile device
CN117095434A (zh) * 2023-07-24 2023-11-21 山东睿芯半导体科技有限公司 一种不同年纪人脸识别方法、芯片及终端

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866829A (zh) * 2015-05-25 2015-08-26 苏州大学 一种基于特征学习的跨年龄人脸验证方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866829A (zh) * 2015-05-25 2015-08-26 苏州大学 一种基于特征学习的跨年龄人脸验证方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DIHONG GONG: "Hidden Factor Analysis for Age Invariant Face Recognition", 《2013 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI693556B (zh) * 2018-01-22 2020-05-11 美商耐能有限公司 臉部辨識系統及臉部辨識方法
US10885314B2 (en) 2018-01-22 2021-01-05 Kneron Inc. Face identification system and face identification method with high security level and low power consumption
CN110197099A (zh) * 2018-02-26 2019-09-03 腾讯科技（深圳）有限公司 跨年龄人脸识别及其模型训练的方法和装置
CN110197099B (zh) * 2018-02-26 2022-10-11 腾讯科技（深圳）有限公司 跨年龄人脸识别及其模型训练的方法和装置
CN108763493B (zh) * 2018-05-30 2022-06-21 深圳市思迪信息技术股份有限公司 一种基于深度学习的推荐方法
CN108763493A (zh) * 2018-05-30 2018-11-06 深圳市思迪信息技术股份有限公司 一种基于深度学习的推荐方法
CN108962216A (zh) * 2018-06-12 2018-12-07 北京市商汤科技开发有限公司 一种说话视频的处理方法及装置、设备和存储介质
CN108877053A (zh) * 2018-09-30 2018-11-23 爱九九（青岛）科技股份有限公司 基于人脸识别的多媒体共享智能直饮水机装置管控方法
CN111104823A (zh) * 2018-10-25 2020-05-05 北京奇虎科技有限公司 人脸识别方法、装置及存储介质、终端设备
CN109636867A (zh) * 2018-10-31 2019-04-16 百度在线网络技术（北京）有限公司 图像处理方法、装置及电子设备
CN109977887A (zh) * 2019-01-30 2019-07-05 四川电科维云信息技术有限公司 一种抗年龄干扰的人脸识别方法
WO2020199932A1 (zh) * 2019-04-03 2020-10-08 腾讯科技（深圳）有限公司 模型训练方法、人脸识别方法、装置、设备及存储介质
US11763599B2 (en) 2019-04-03 2023-09-19 Tencent Technology (Shenzhen) Company Limited Model training method and apparatus, face recognition method and apparatus, device, and storage medium
CN110245679A (zh) * 2019-05-08 2019-09-17 北京旷视科技有限公司 图像聚类方法、装置、电子设备及计算机可读存储介质
CN110390290A (zh) * 2019-07-17 2019-10-29 北京天正聚合科技有限公司 一种识别目标对象的方法、装置、电子设备及存储介质
US11443559B2 (en) 2019-08-29 2022-09-13 PXL Vision AG Facial liveness detection with a mobile device
US11669607B2 (en) 2019-08-29 2023-06-06 PXL Vision AG ID verification with a mobile device
CN113128278A (zh) * 2019-12-31 2021-07-16 华为技术有限公司 一种图像识别方法及装置
WO2021135863A1 (zh) * 2019-12-31 2021-07-08 华为技术有限公司 一种图像识别方法及装置
CN111783532A (zh) * 2020-05-27 2020-10-16 东南大学 一种基于在线学习的跨年龄人脸识别方法
CN111783532B (zh) * 2020-05-27 2024-05-17 东南大学 一种基于在线学习的跨年龄人脸识别方法
CN111881721A (zh) * 2020-06-10 2020-11-03 广东芯盾微电子科技有限公司 一种跨年龄的人脸识别方法、系统、装置及存储介质
CN112070012A (zh) * 2020-09-08 2020-12-11 安徽兰臣信息科技有限公司 一种基于儿童跨年龄段人脸识别技术的人脸检测方法
CN117095434A (zh) * 2023-07-24 2023-11-21 山东睿芯半导体科技有限公司 一种不同年纪人脸识别方法、芯片及终端

Also Published As

Publication number Publication date
CN107480575B (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN107480575A (zh) 模型的训练方法、跨年龄人脸识别方法和对应的装置
Yang et al. Learning face age progression: A pyramid architecture of gans
CN106650806B (zh) 一种用于行人检测的协同式深度网络模型方法
CN105718868B (zh) 一种针对多姿态人脸的人脸检测系统及方法
CN103942577B (zh) 视频监控中基于自建立样本库及混合特征的身份识别方法
CN106951825A (zh) 一种人脸图像质量评估系统以及实现方法
CN110321870B (zh) 一种基于lstm的掌静脉识别方法
CN110309706A (zh) 人脸关键点检测方法、装置、计算机设备及存储介质
CN109101938B (zh) 一种基于卷积神经网络的多标签年龄估计方法
CN109800628A (zh) 一种加强ssd小目标行人检测性能的网络结构及检测方法
CN110992351B (zh) 基于多输入卷积神经网络的sMRI图像分类方法和装置
CN107463920A (zh) 一种消除局部遮挡物影响的人脸识别方法
CN106909938B (zh) 基于深度学习网络的视角无关性行为识别方法
CN107871100A (zh) 人脸模型的训练方法和装置、人脸认证方法和装置
CN108846350A (zh) 容忍年龄变化的人脸识别方法
CN105303150B (zh) 实现图像处理的方法和系统
CN103984948B (zh) 一种基于人脸图像融合特征的软双层年龄估计方法
CN110163069B (zh) 用于辅助驾驶的车道线检测方法
CN105740808B (zh) 人脸识别方法和装置
CN109190643A (zh) 基于卷积神经网络中药识别方法及电子设备
CN103136533A (zh) 基于动态阈值的人脸识别方法及装置
CN111401339B (zh) 识别人脸图像中的人的年龄的方法、装置及电子设备
CN110543906B (zh) 基于Mask R-CNN模型的肤质自动识别方法
CN112418360B (zh) 卷积神经网络的训练方法、行人属性识别方法及相关设备
CN109948735A (zh) 一种多标签分类方法、系统、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant