CN112070012A - 一种基于儿童跨年龄段人脸识别技术的人脸检测方法 - Google Patents

一种基于儿童跨年龄段人脸识别技术的人脸检测方法 Download PDF

Info

Publication number
CN112070012A
CN112070012A CN202010935352.1A CN202010935352A CN112070012A CN 112070012 A CN112070012 A CN 112070012A CN 202010935352 A CN202010935352 A CN 202010935352A CN 112070012 A CN112070012 A CN 112070012A
Authority
CN
China
Prior art keywords
face
neural network
age
deep neural
double
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.)
Pending
Application number
CN202010935352.1A
Other languages
English (en)
Inventor
张云龙
张云凤
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.)
Anhui Lanchen Information Technology Co ltd
Original Assignee
Anhui Lanchen Information 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 Anhui Lanchen Information Technology Co ltd filed Critical Anhui Lanchen Information Technology Co ltd
Priority to CN202010935352.1A priority Critical patent/CN112070012A/zh
Publication of CN112070012A publication Critical patent/CN112070012A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition

Landscapes

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

Abstract

本发明涉及人脸检测方法，具体涉及一种基于儿童跨年龄段人脸识别技术的人脸检测方法，获取训练人脸数据库和年龄人脸数据库，提取训练人脸数据库中的人脸基础特征，并输入双层异构深度神经网络进行训练，提取年龄人脸数据库中相同人物不同年龄的人脸特征及人脸特征对应的年龄，并输入双层异构深度神经网络进行训练，得到不同年龄人脸特征的空间映射关系，对至少两张不同待识别人脸图像进行处理，将待识别人脸图像输入训练好的双层异构深度神经网络，双层异构深度神经网络根据从待识别人脸图像中提取人脸特征的相似度，判断人脸图像是否为同一人物；本发明提供的技术方案能够有效克服现有技术所存在的无法对跨年龄人脸进行快速有效识别的缺陷。

Description

一种基于儿童跨年龄段人脸识别技术的人脸检测方法
技术领域
本发明涉及人脸检测方法，具体涉及一种基于儿童跨年龄段人脸识别技术的人脸检测方法。
背景技术
人脸识别作为一种重要的生物特征识别技术已经成为图像处理与模式识别领域的研究热点，在公共安全、人机交互和身份认证等领域也得到广泛应用。
在人脸识别的实际应用中，待识别的人脸图像受到各种因素的影响，其中因年龄变化使人脸图像发生改变尤为突出。虽然通用人脸识别的准确率凭借深度学习技术的发展已经得到了提高，但跨年龄人脸识别依然具有很高的挑战性。尽管如此，由于其在很多场景中都有着无法替代的价值，例如寻找走失儿童、长期通缉罪犯、长时间间隔下的人脸比对等，跨年龄人脸识别已经成为人脸识别研究中备受关注的问题。
人脸特征提取就是针对人脸的某些特征进行的，其中一个经典的方法是采用提取局部人脸特征的方法，比如提取局部二值模式和尺度不变特征转换来做特征表达，虽然这些方法取得了一定的成功，但是依旧存在一些局限性。采用传统的特征描述符来提取通用的人脸局部特征，而传统的LBP算法是基于经验编码的方式，其主观地认为人脸特征中等价二值模式出现的频率远大于非等价二值模式，即认为大部分LBP码中0、1的跳变次数不多于两次，从而经验地将非均匀的二值模式一律用同一个编码来代表。事实上，在跨年龄人脸识别中，非均匀二值模式出现的频率往往是很高的，这就导致了用LBP特征描述符描述丢失了大量的人脸特征信息，从而影响识别性能。
另一类解决跨年龄人脸识别问题的方法是用老化感知去噪自动编码器合成不同年龄的人脸，然后比较合成的同一年龄段的人脸来进行跨年龄人脸识别。这种方法有效消除了年龄带来的人脸识别的困难，但是这种方法中自动编码器的输入输出均为人脸图像，没有使用有效的特征描述符，因此存在效率低下、合成人脸的鲁棒性不好等问题。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种基于儿童跨年龄段人脸识别技术的人脸检测方法，能够有效克服现有技术所存在的无法对跨年龄人脸进行快速有效识别的缺陷。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于儿童跨年龄段人脸识别技术的人脸检测方法，包括以下步骤：
S1、获取训练人脸数据库和年龄人脸数据库，提取训练人脸数据库中的人脸基础特征，并输入双层异构深度神经网络进行训练；
S2、提取年龄人脸数据库中相同人物不同年龄的人脸特征及人脸特征对应的年龄，并输入双层异构深度神经网络进行训练，得到不同年龄人脸特征的空间映射关系；
S3、对至少两张不同待识别人脸图像进行处理，将待识别人脸图像输入训练好的双层异构深度神经网络；
S4、双层异构深度神经网络根据从待识别人脸图像中提取人脸特征的相似度，判断人脸图像是否为同一人物。
优选地，所述双层异构深度神经网络由隐性分子模型引导。
优选地，所述提取训练人脸数据库中的人脸基础特征，并输入双层异构深度神经网络进行训练，包括：
在第一全连接层参数保持不变的情况下，将人脸基础特征输入双层异构深度神经网络，得到更新后的第一卷积层参数。
优选地，所述提取年龄人脸数据库中相同人物不同年龄的人脸特征及人脸特征对应的年龄，并输入双层异构深度神经网络进行训练，包括：
在第一卷积层参数保持不变的情况下，将相同人物不同年龄的人脸特征及人脸特征对应的年龄输入双层异构深度神经网络，得到更新后的第一全连接层参数。
优选地，所述第一卷积层参数收敛于卷积层阈值，且所述第一全连接层参数收敛于全连接层阈值时，停止对双层异构深度神经网络的训练，并将第一卷积层参数作为双层异构深度神经网络中的卷积层参数，将第一全连接层参数作为双层异构深度神经网络中的全连接层参数。
优选地，所述对至少两张不同待识别人脸图像进行处理，包括：
对待识别人脸图像进行3D人脸旋正以及光照规整，以提高待识别人脸图像的清晰度。
优选地，所述双层异构深度神经网络根据从待识别人脸图像中提取人脸特征的相似度，判断人脸图像是否为同一人物，包括：
所述双层异构深度神经网络根据从待识别人脸图像中提取人脸特征计算余弦距离，并通过分类器根据相似度值判断待识别人脸图像是否为同一人物。
优选地，所述训练人脸数据库包括2000万张人脸图像，所述年龄人脸数据库包括5万张不同年龄段人脸图像。
(三)有益效果
与现有技术相比，本发明所提供的一种基于儿童跨年龄段人脸识别技术的人脸检测方法，先对双层异构深度神经网络进行人脸基础特征的识别训练，保证神经网络能够准确提取人脸特征，再对双层异构深度神经网络进行不同年龄人脸特征空间映射关系的训练，使得训练后的双层异构深度神经网络能够快速有效地进行跨年龄人脸识别。
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为本发明跨年龄人脸识别的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
一种基于儿童跨年龄段人脸识别技术的人脸检测方法，如图1所示，获取训练人脸数据库和年龄人脸数据库，提取训练人脸数据库中的人脸基础特征，并输入双层异构深度神经网络进行训练；
提取年龄人脸数据库中相同人物不同年龄的人脸特征及人脸特征对应的年龄，并输入双层异构深度神经网络进行训练，得到不同年龄人脸特征的空间映射关系。
本申请技术方案中，双层异构深度神经网络由隐性分子模型引导，通过在神经网络中添加隐性分子模型，使得神经网络能够注意到相同人物不同年龄的人脸特征与年龄之间的关系，帮助神经网络快速建立起不同年龄人脸特征的空间映射关系。
提取训练人脸数据库中的人脸基础特征，并输入双层异构深度神经网络进行训练，包括：
在第一全连接层参数保持不变的情况下，将人脸基础特征输入双层异构深度神经网络，得到更新后的第一卷积层参数。
提取年龄人脸数据库中相同人物不同年龄的人脸特征及人脸特征对应的年龄，并输入双层异构深度神经网络进行训练，包括：
在第一卷积层参数保持不变的情况下，将相同人物不同年龄的人脸特征及人脸特征对应的年龄输入双层异构深度神经网络，得到更新后的第一全连接层参数。
第一卷积层参数收敛于卷积层阈值，且第一全连接层参数收敛于全连接层阈值时，停止对双层异构深度神经网络的训练，并将第一卷积层参数作为双层异构深度神经网络中的卷积层参数，将第一全连接层参数作为双层异构深度神经网络中的全连接层参数。
本申请技术方案中，为了确保双层异构深度神经网络的模型训练效果，训练人脸数据库中包括2000万张人脸图像，年龄人脸数据库中包括5万张不同年龄段人脸图像，用于对双层异构深度神经网络进行训练。
对至少两张不同待识别人脸图像进行处理，将待识别人脸图像输入训练好的双层异构深度神经网络；
双层异构深度神经网络根据从待识别人脸图像中提取人脸特征的相似度，判断人脸图像是否为同一人物。
其中，对至少两张不同待识别人脸图像进行处理，包括：
对待识别人脸图像进行3D人脸旋正以及光照规整，以提高待识别人脸图像的清晰度。
待识别人脸图像本身的清晰化，可以有效提高跨年龄人脸识别的准确性和响应性。
其中，双层异构深度神经网络根据从待识别人脸图像中提取人脸特征的相似度，判断人脸图像是否为同一人物，包括：
双层异构深度神经网络根据从待识别人脸图像中提取人脸特征计算余弦距离，并通过分类器根据相似度值判断待识别人脸图像是否为同一人物。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于儿童跨年龄段人脸识别技术的人脸检测方法，其特征在于：包括以下步骤：
S1、获取训练人脸数据库和年龄人脸数据库，提取训练人脸数据库中的人脸基础特征，并输入双层异构深度神经网络进行训练；
S2、提取年龄人脸数据库中相同人物不同年龄的人脸特征及人脸特征对应的年龄，并输入双层异构深度神经网络进行训练，得到不同年龄人脸特征的空间映射关系；
S3、对至少两张不同待识别人脸图像进行处理，将待识别人脸图像输入训练好的双层异构深度神经网络；
S4、双层异构深度神经网络根据从待识别人脸图像中提取人脸特征的相似度，判断人脸图像是否为同一人物。
2.根据权利要求1所述的基于儿童跨年龄段人脸识别技术的人脸检测方法，其特征在于：所述双层异构深度神经网络由隐性分子模型引导。
3.根据权利要求2所述的基于儿童跨年龄段人脸识别技术的人脸检测方法，其特征在于：所述提取训练人脸数据库中的人脸基础特征，并输入双层异构深度神经网络进行训练，包括：
在第一全连接层参数保持不变的情况下，将人脸基础特征输入双层异构深度神经网络，得到更新后的第一卷积层参数。
4.根据权利要求3所述的基于儿童跨年龄段人脸识别技术的人脸检测方法，其特征在于：所述提取年龄人脸数据库中相同人物不同年龄的人脸特征及人脸特征对应的年龄，并输入双层异构深度神经网络进行训练，包括：
在第一卷积层参数保持不变的情况下，将相同人物不同年龄的人脸特征及人脸特征对应的年龄输入双层异构深度神经网络，得到更新后的第一全连接层参数。
5.根据权利要求4所述的基于儿童跨年龄段人脸识别技术的人脸检测方法，其特征在于：所述第一卷积层参数收敛于卷积层阈值，且所述第一全连接层参数收敛于全连接层阈值时，停止对双层异构深度神经网络的训练，并将第一卷积层参数作为双层异构深度神经网络中的卷积层参数，将第一全连接层参数作为双层异构深度神经网络中的全连接层参数。
6.根据权利要求1所述的基于儿童跨年龄段人脸识别技术的人脸检测方法，其特征在于：所述对至少两张不同待识别人脸图像进行处理，包括：
对待识别人脸图像进行3D人脸旋正以及光照规整，以提高待识别人脸图像的清晰度。
7.根据权利要求1所述的基于儿童跨年龄段人脸识别技术的人脸检测方法，其特征在于：所述双层异构深度神经网络根据从待识别人脸图像中提取人脸特征的相似度，判断人脸图像是否为同一人物，包括：
所述双层异构深度神经网络根据从待识别人脸图像中提取人脸特征计算余弦距离，并通过分类器根据相似度值判断待识别人脸图像是否为同一人物。
8.根据权利要求1-7任意一项所述的基于儿童跨年龄段人脸识别技术的人脸检测方法，其特征在于：所述训练人脸数据库包括2000万张人脸图像，所述年龄人脸数据库包括5万张不同年龄段人脸图像。
CN202010935352.1A 2020-09-08 2020-09-08 一种基于儿童跨年龄段人脸识别技术的人脸检测方法 Pending CN112070012A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010935352.1A CN112070012A (zh) 2020-09-08 2020-09-08 一种基于儿童跨年龄段人脸识别技术的人脸检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010935352.1A CN112070012A (zh) 2020-09-08 2020-09-08 一种基于儿童跨年龄段人脸识别技术的人脸检测方法

Publications (1)

Publication Number Publication Date
CN112070012A true CN112070012A (zh) 2020-12-11

Family

ID=73664373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010935352.1A Pending CN112070012A (zh) 2020-09-08 2020-09-08 一种基于儿童跨年龄段人脸识别技术的人脸检测方法

Country Status (1)

Country Link
CN (1) CN112070012A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766157A (zh) * 2021-01-20 2021-05-07 乐山师范学院 一种基于解纠缠表示学习的跨年龄人脸图像识别方法
CN113191298A (zh) * 2021-05-13 2021-07-30 北京睿芯高通量科技有限公司 一种基于单维局部特征的人脸检索的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480575A (zh) * 2016-06-07 2017-12-15 深圳市商汤科技有限公司 模型的训练方法、跨年龄人脸识别方法和对应的装置
CN108846350A (zh) * 2018-06-08 2018-11-20 江苏大学 容忍年龄变化的人脸识别方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480575A (zh) * 2016-06-07 2017-12-15 深圳市商汤科技有限公司 模型的训练方法、跨年龄人脸识别方法和对应的装置
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
CN108846350A (zh) * 2018-06-08 2018-11-20 江苏大学 容忍年龄变化的人脸识别方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766157A (zh) * 2021-01-20 2021-05-07 乐山师范学院 一种基于解纠缠表示学习的跨年龄人脸图像识别方法
CN113191298A (zh) * 2021-05-13 2021-07-30 北京睿芯高通量科技有限公司 一种基于单维局部特征的人脸检索的方法
CN113191298B (zh) * 2021-05-13 2024-08-23 北京中科通量科技有限公司 一种基于单维局部特征的人脸检索的方法

Similar Documents

Publication Publication Date Title
Li et al. Facial expression recognition with identity and emotion joint learning
Li et al. DenseFuse: A fusion approach to infrared and visible images
Zhang et al. Short and long range relation based spatio-temporal transformer for micro-expression recognition
CN110569756A (zh) 人脸识别模型构建方法、识别方法、设备和存储介质
CN108446601A (zh) 一种基于动静特征融合的人脸识别方法
CN106372622A (zh) 一种人脸表情分类方法及装置
CN111401211B (zh) 一种采用图像增广和小样本学习的虹膜识别方法
CN107729890B (zh) 基于lbp和深度学习的人脸识别方法
CN110555380A (zh) 基于Center Loss损失函数的指静脉识别方法
CN112434553B (zh) 一种基于深度字典学习的视频鉴别方法及系统
CN111191564A (zh) 基于多角度神经网络的多姿态人脸情绪识别方法及系统
CN112949570B (zh) 一种基于残差注意力机制的指静脉识别方法
CN103679136A (zh) 基于局部宏观特征和微观特征结合的手背静脉身份识别方法
CN108875629A (zh) 基于多样本特征融合的掌静脉识别方法
CN112070012A (zh) 一种基于儿童跨年龄段人脸识别技术的人脸检测方法
Booysens et al. Ear biometrics using deep learning: a survey
Ou et al. GAN-based inter-class sample generation for contrastive learning of vein image representations
Abinaya et al. A novel biometric approach for facial image recognition using deep learning techniques
CN110929239B (zh) 一种基于唇语指令的终端解锁方法
CN116612542A (zh) 基于多模态生物特征一致性的音视频人物识别方法及系统
Zhao et al. Single-sample finger vein recognition via competitive and progressive sparse representation
CN116092134A (zh) 一种基于深度学习和特征融合的指纹活体检测方法
CN109522865A (zh) 一种基于深度神经网络的特征加权融合人脸识别方法
Lefkovits et al. CNN approaches for dorsal hand vein based identification
CN111950454A (zh) 一种基于双向特征提取的手指静脉识别方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201211