CN112766157B - 一种基于解纠缠表示学习的跨年龄人脸图像识别方法 - Google Patents
一种基于解纠缠表示学习的跨年龄人脸图像识别方法 Download PDFInfo
- Publication number
- CN112766157B CN112766157B CN202110072429.1A CN202110072429A CN112766157B CN 112766157 B CN112766157 B CN 112766157B CN 202110072429 A CN202110072429 A CN 202110072429A CN 112766157 B CN112766157 B CN 112766157B
- Authority
- CN
- China
- Prior art keywords
- age
- face image
- image
- face
- identity
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000006870 function Effects 0.000 claims abstract description 57
- 238000012795 verification Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 14
- 230000014509 gene expression Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 208000016615 Central areolar choroidal dystrophy Diseases 0.000 description 7
- 230000001815 facial effect Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于解纠缠表示学习的跨年龄人脸图像识别方法,包括以下步骤:构建表示学习网络以及解纠缠表示学习网络的损失函数;根据损失函数对解纠缠表示学习网络进行训练;通过解纠缠表示学习网络生成待识别图像在其他年龄段的图像,得到其他年龄的预测图像;采集与预测图像相似的人脸图像,并将采集的图像输入解纠缠表示学习网络与待识别图像进行跨年龄验证,得到跨年龄人脸图像识别结果。本发明实现了跨年龄人脸图像识别,并且相比于现有技术,提高了识别的精度。
Description
技术领域
本发明属于图像识别领域,具体涉及一种基于解纠缠表示学习的跨年龄人 脸图像识别方法。
背景技术
跨年龄人脸识别是指,对若干张不同年龄的人脸图像进行识检测,进而判 断这些人脸图像是否属于同一身份。人脸随着年龄的增长,会产生很大的变化, 跨年龄人脸识别任务中的判别式方法试图通过使用年龄不变分类器来区分编码 的人脸特征来处理跨年龄的人脸识别问题。现有的跨年龄人脸识别技术存在识 别精度较低以及算法复杂的问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于解纠缠表示学习的跨 年龄人脸图像识别方法解决了现有技术中存在的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于解纠缠表示 学习的跨年龄人脸图像识别方法,包括以下步骤:
S1、构建解纠缠表示学习网络;
S2、构建解纠缠表示学习网络的损失函数;
S3、根据损失函数对解纠缠表示学习网络进行训练;
S4、通过解纠缠表示学习网络生成待识别图像在其他年龄段的图像,得到 其他年龄的预测图像;
S5、采集与预测图像相似的人脸图像,并将采集的图像输入解纠缠表示学 习网络与待识别图像进行跨年龄验证,得到跨年龄人脸图像识别结果。
进一步地,所述步骤S1中解纠缠表示学习网络包括第一输入端、编码器E、 生成器G、年龄鉴别器DA、身份鉴别器DI、第二输入端和VGG-Face;
所述第一输入端用于输入原始人脸图像,其分别与编码器E和VGG-Face 连接;所述编码器E分别与生成器G、年龄鉴别器DA和身份鉴别器DI连接;所 述生成器G用于生成原始人脸图像在其他年龄的预测图像;所述第二输入端用 于输入与预测图像相似的图像,其与VGG-Face连接。
进一步地,所述编码器E包括依次连接的第一卷积层、第一归一化层、第 一指数线性单元、第二卷积层、第二归一化层、第二指数线性单元、第三卷积 层、第三归一化层、第三指数线性单元、第四卷积层、第四归一化层、第四指 数线性单元、第五卷积层、第五归一化层、第五指数线性单元、平均池化层和 输出卷积层;
所述年龄鉴别器DA和身份鉴别器DI的结构均包括依次连接的编码器E、两 个连续的卷积层和两个连续的全连接层。
进一步地,所述生成器G包括依次连接的全连接层、第五反卷积层、第四 反卷积层、第三反卷积层、第二反卷积层和第一反卷积层。
进一步地,所述步骤S2中损失函数包括生成器损失函数、年龄损失函数和 身份损失函数。
进一步地,所述生成器损失函数LG具体为:
其中,φl(xj)表示由生成器G合成的人脸图像xj在VGG-Face中第l层的激 活值,φl(xi)表示输入第i个人脸图像xi时,VGG-Face中第l层的激活值;||||2表示2范数;
其中,i和j均为数据的索引,yi表示输入人脸图像xi的身份标签,yj表示 由生成器G合成的人脸图像xj的身份标签,sj表示合成人脸图像xj的年龄特征 对应的one-hot向量,si'表示人工设定的目标年龄对应的one-hot向量;G(E(xi),si') 表示生成器G以编码器E编码后的潜在特征E(x)和目标年龄si'为输入,得到的 合成人脸图像,其与输入数据xi有相同的身份特征以及年龄标签为si';si'=si时, 生成器G尝试重建原始输入数据xi,si'≠si时,生成器G生成与xi身份相同的, 年龄由si'决定的合成人脸图像xj,si表示原始输入数据xi的年龄对应的one-hot 向量。
所述lEMD(xi,si)具体为:
其中,DA(E(xi),si)表示输入人脸图像xi,预测年龄为si的预测得分; DA(E(xi),k)表示输入人脸图像xi,预测年龄为k的预测得分;<si,D(E(xi))>表 示由si和D(E(xi)表示的函数;
其中,δ()表示狄拉克三角函数,logDI(E(x),m)表示身份鉴别器DI对第m 个身份的预测分数,y表示输入图像对应的身份标签。
进一步地,所述步骤S3中根据损失函数对解纠缠表示学习网络进行训练的 具体方法为:
S3.1、采集若干人脸样本图像;
S3.2、构建目标函数为:
S3.3、将人脸样本图像依次输入解纠缠表示学习网络,以目标函数对其进行 训练,直至损失函数收敛,训练完成。
进一步地,所述步骤S4具体为:
S4.1、将待识别图像输入编码器E进行编码,得到编码特征f(x);
S4.2、将编码特征分别输入年龄鉴别器DA和身份鉴别器DI,得到身份识别 结果和年龄识别结果;
S4.3、人工标定目标年龄对应的one-hot向量si',并将si'和编码特征f(x)输 入生成器G,生成与待识别图像身份特征相同且年龄特征不同的预测图像,得 到其他年龄的预测图像;
所述步骤S5中将采集的图像输入解纠缠表示学习网络与待识别图像进行跨 年龄验证的具体方法为:将采集的图像和预测图像输入至VGG-Face进行跨年龄 验证。
本发明的有益效果为:
(1)本发明将解纠缠表示学习、对抗学习和多任务学习相结合,很好的保 留了人脸图像的身份信息,并提高了跨年龄人脸图像识别的精度。
(2)本发明将人脸图像由编码器映射到潜在特征表示,通过鉴别器试图分 别预测年龄和身份的类分布,编码器在除去特征表示中的任何年龄变化的同时 对图像的身份信息进行编码,提取有利于身份鉴别而不利于年龄鉴别的特征, 从而达到分离身份特征和年龄特征的目的。
(3)本发明通过学习与年龄因素无关的人脸图像特征,得到的特征表示只 包含明显的同一性;并且采用对抗性学习和多任务学习相结合的方法训练鉴别 器,提高了人脸图像合成和身份验证的性能,并且较好地保留了人脸图像的身 份信息。
附图说明
图1为本发明提出的一种基于解纠缠表示学习的跨年龄人脸图像识别方法 流程图。
图2为本发明中解纠缠表示学习网络的结构图。
图3为本发明中编码器E的结构图。
图4为本发明中生成器G的结构图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理 解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的 普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精 神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保 护之列。
下面结合附图详细说明本发明的实施例。
如图1所示,一种基于解纠缠表示学习的跨年龄人脸图像识别方法,包括 以下步骤:
S1、构建解纠缠表示学习网络;
S2、构建解纠缠表示学习网络的损失函数;
S3、根据损失函数对解纠缠表示学习网络进行训练;
S4、通过解纠缠表示学习网络生成待识别图像在其他年龄段的图像,得到 其他年龄的预测图像;
S5、采集与预测图像相似的人脸图像,并将采集的图像输入解纠缠表示学 习网络与待识别图像进行跨年龄验证,得到跨年龄人脸图像识别结果。
如图2所示,所述步骤S1中解纠缠表示学习网络包括第一输入端、编码器 E、生成器G、年龄鉴别器DA、身份鉴别器DI、第二输入端和VGG-Face;
所述第一输入端用于输入原始人脸图像,其分别与编码器E和VGG-Face 连接;所述编码器E分别与生成器G、年龄鉴别器DA和身份鉴别器DI连接;所 述生成器G用于生成原始人脸图像在其他年龄的预测图像;所述第二输入端用 于输入与预测图像相似的图像,其与VGG-Face连接。
如图3所示,所述编码器E包括依次连接的第一卷积层、第一归一化层、 第一指数线性单元、第二卷积层、第二归一化层、第二指数线性单元、第三卷 积层、第三归一化层、第三指数线性单元、第四卷积层、第四归一化层、第四 指数线性单元、第五卷积层、第五归一化层、第五指数线性单元、平均池化层 和输出卷积层;
所述年龄鉴别器DA和身份鉴别器DI的结构均包括依次连接的编码器E、两 个连续的卷积层和两个连续的全连接层。
如图4所示,所述生成器G包括依次连接的全连接层、第五反卷积层、第 四反卷积层、第三反卷积层、第二反卷积层和第一反卷积层。
所述步骤S2中损失函数包括生成器损失函数、年龄损失函数和身份损失函 数。
其中,φl(xj)表示由生成器G合成的人脸图像xj在VGG-Face中第l层的激 活值,φl(xi)表示输入第i个人脸图像xi时,VGG-Face中第l层的激活值;||||2表示2范数;
其中,i和j均为数据的索引,yi表示输入人脸图像xi的身份标签,yj表示 由生成器G合成的人脸图像xj的身份标签,sj表示合成人脸图像xj的年龄特征 对应的one-hot向量,si'表示人工设定的目标年龄对应的one-hot向量;G(E(xi),si') 表示生成器G以编码器E编码后的潜在特征E(x)和目标年龄si'为输入,得到的 合成人脸图像,其与输入数据xi有相同的身份特征以及年龄标签为si';si'=si时, 生成器G尝试重建原始输入数据xi,si'≠si时,生成器G生成与xi身份相同的, 年龄由si'决定的合成人脸图像xj,si表示原始输入数据xi的年龄对应的one-hot 向量。
所述lEMD(xi,si)具体为:
其中,DA(E(xi),si)表示输入人脸图像xi,预测年龄为si的预测得分; DA(E(xi),k)表示输入人脸图像xi,预测年龄为k的预测得分;<si,D(E(xi))>表 示由si和D(E(xi)表示的函数;
其中,δ()表示狄拉克三角函数,logDI(E(x),m)表示身份鉴别器DI对第m 个身份的预测分数,y表示输入图像对应的身份标签。
所述步骤S3中根据损失函数对解纠缠表示学习网络进行训练的具体方法 为:
S3.1、采集若干人脸样本图像;
S3.2、构建目标函数为:
S3.3、将人脸样本图像依次输入解纠缠表示学习网络,以目标函数对其进行 训练,直至损失函数收敛,训练完成。
所述步骤S4具体为:
S4.1、将待识别图像输入编码器E进行编码,得到编码特征f(x);
S4.2、将编码特征分别输入年龄鉴别器DA和身份鉴别器DI,得到身份识别 结果和年龄识别结果;
S4.3、人工标定目标年龄对应的one-hot向量si',并将si'和编码特征f(x)输 入生成器G,生成与待识别图像身份特征相同且年龄特征不同的预测图像,得 到其他年龄的预测图像;
所述步骤S5中将采集的图像输入解纠缠表示学习网络与待识别图像进行跨 年龄验证的具体方法为:将采集的图像和预测图像输入至VGG-Face进行跨年龄 验证。
由于目标是进行人脸图像合成和解纠缠表示学习,因此通过身份保持的跨 年龄的人脸图像验证来评估本申请提出的解纠缠表示学习网络的性能。由于经 过训练的编码器E可以提取出一个跨年龄的人脸图像特征表示。通过计算特征向 量间的余弦相似度,实现人脸图像验证。接下来在CACD-VS集和LFW集上进行 了人脸图像验证实验。
在CACD-VS数据集上,将解纠缠表示学习网络与不同的模型或方法(基于 局部二值模式的高维特征、隐藏因子分析、跨年龄参考编码、深度编码模型、 耦合自动编码网络、VGG-F模型、中心损失、隐藏因子卷积神经网络、身份保 持的生成对抗网络和观察者投票)进行了人脸图像验证结果的比较;表1给出了 这些方法在CACD-VS数据集上的验证精度。根据十倍交叉验证规则,计算出特 征向量间的余弦相似度,用九组作为训练集进行训练,一组作为测试集进行测 试,最后计算出平均验证精度。通过对验证结果比较发现,本申请中的解纠缠 表示学习网络的验证精度为99.12%,验证性能明显优于其它方法,并且在很大程度上超过了人类水平;同时还发现解纠缠表示学习网络的精度比最低的验证 精度高9.2%,比人类投票的性能高4.89%。这表明,解纠缠表示学习网络学习到 的特征表示是分离的,比较结果显示了解纠缠表示学习网络具有强大解纠缠表 示学习能力,其可以作为人脸图像验证模型,用于在CACD-VS集上进行人脸图 像验证。
表1 CACD-VS集上的人脸图像验证结果比较
表2列出了在LFW集上将解纠缠表示学习网络和不同的人脸图像验证模型 (基于局部二值模式的高维特征、高保真姿势和表情规范化、人脸正面化、人 脸身份保持的生成对抗网络、深度人脸、VGG-F模型、人脸网络和隐藏因子卷 积神经网络)进行验证的结果。通过对验证结果比较发现,解纠缠表示学习网 络的验证精度为99.53±0.57,准确率达到了最高,验证性能明显优于其它方法, 并且在很大程度上超过了人类水平;同时还发现解纠缠表示学习网络比最低的 验证精度高4.6%。结果表明,解纠缠表示学习网络学习到的特征表示是分离的, 具有强大解纠缠表示学习能力,用解纠缠表示学习网络进行人脸图像验证能取 得很好的验证性能。同时表明解纠缠表示学习网络可以作为人脸图像验证模型,用于在LFW集上进行人脸图像验证。
表2 LFW集上的人脸图像验证结果比较
表3列出了在MORPH Album 2集上,解纠缠表示学习网络的验证结果和各种 最先进的传统和基于深度学习的AIFR方法的验证结果。如表所示,解纠缠表示 学习网络的验证精度为98.7%,准确率达到了最高,验证性能明显优于其它方法。 结果表明,解纠缠表示学习网络学习到的特征表示是分离的,具有强大的解纠 缠表示学习能力,用解纠缠表示学习网络进行人脸图像验证能取得很好的验证 性能。同时表明解纠缠表示学习网络可以作为人脸图像验证模型,用于在 MORPH Album 2集上进行人脸图像验证。
表3 MORPH Album 2上的验证结果比较
通过将解纠缠表示学习网络在LFW集、MORPH Album 2集和CACD-VS集上 的验证实验可知,解纠缠表示学习网络在CACD-VS集上能取得99.12%的人脸图 像验证精度,高出人类估计精度的4.89%,在LFW集上能取得99.53±0.57的人脸 图像验证精度,在MORPHAlbum 2集上能取得98.7%的人脸图像验证精度。从以 上三个人脸图像数据集上的验证结果可以看出,解纠缠表示学习网络的人脸图 像验证性能达到了目前的较高水平,可以用于跨年龄的人脸图像验证。
Claims (5)
1.一种基于解纠缠表示学习的跨年龄人脸图像识别方法,其特征在于,包括以下步骤:
S1、构建解纠缠表示学习网络;
S2、构建解纠缠表示学习网络的损失函数;
S3、根据损失函数对解纠缠表示学习网络进行训练;
S4、通过解纠缠表示学习网络生成待识别图像在其他年龄段的图像,得到其他年龄的预测图像;
S5、采集与预测图像相似的人脸图像,并将采集的图像输入解纠缠表示学习网络与待识别图像进行跨年龄验证,得到跨年龄人脸图像识别结果;
所述步骤S1中解纠缠表示学习网络包括第一输入端、编码器E、生成器G、年龄鉴别器DA、身份鉴别器DI、第二输入端和VGG-Face;
所述第一输入端用于输入原始人脸图像,其分别与编码器E和VGG-Face连接;所述编码器E分别与生成器G、年龄鉴别器DA和身份鉴别器DI连接;所述生成器G用于生成原始人脸图像在其他年龄的预测图像;所述第二输入端用于输入与预测图像相似的图像,其与VGG-Face连接;
所述编码器E包括依次连接的第一卷积层、第一归一化层、第一指数线性单元、第二卷积层、第二归一化层、第二指数线性单元、第三卷积层、第三归一化层、第三指数线性单元、第四卷积层、第四归一化层、第四指数线性单元、第五卷积层、第五归一化层、第五指数线性单元、平均池化层和输出卷积层;
所述年龄鉴别器DA和身份鉴别器DI的结构均包括依次连接的编码器E、两个连续的卷积层和两个连续的全连接层;
所述生成器G包括依次连接的全连接层、第五反卷积层、第四反卷积层、第三反卷积层、第二反卷积层和第一反卷积层;
所述步骤S2中损失函数包括生成器损失函数、年龄损失函数和身份损失函数;
其中,φl(xj)表示由生成器G合成的人脸图像xj在VGG-Face中第l层的激活值,φl(xi)表示输入第i个人脸图像xi时,VGG-Face中第l层的激活值;||||2表示2范数;
其中,i和j均为数据的索引,yi表示输入人脸图像xi的身份标签,yj表示由生成器G合成的人脸图像xj的身份标签,sj表示合成人脸图像xj的年龄特征对应的one-hot向量,s′i表示人工设定的目标年龄对应的one-hot向量;G(E(xi),s′i)表示生成器G以编码器E编码后的潜在特征E(x)和目标年龄s′i为输入,得到的合成人脸图像,其与输入数据xi有相同的身份特征以及年龄标签为s′i;s′i=si时,生成器G尝试重建原始输入数据xi,s′i≠si时,生成器G生成与xi身份相同的,年龄由s′i决定的合成人脸图像xj,si表示原始输入数据xi的年龄对应的one-hot向量。
5.根据权利要求4所述的基于解纠缠表示学习的跨年龄人脸图像识别方法,其特征在于,所述步骤S4具体为:
S4.1、将待识别图像输入编码器E进行编码,得到编码特征f(x);
S4.2、将编码特征分别输入年龄鉴别器DA和身份鉴别器DI,得到身份识别结果和年龄识别结果;
S4.3、人工标定目标年龄对应的one-hot向量s′i,并将s′i和编码特征f(x)输入生成器G,生成与待识别图像身份特征相同且年龄特征不同的预测图像,得到其他年龄的预测图像;
所述步骤S5中将采集的图像输入解纠缠表示学习网络与待识别图像进行跨年龄验证的具体方法为:将采集的图像和预测图像输入至VGG-Face进行跨年龄验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110072429.1A CN112766157B (zh) | 2021-01-20 | 2021-01-20 | 一种基于解纠缠表示学习的跨年龄人脸图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110072429.1A CN112766157B (zh) | 2021-01-20 | 2021-01-20 | 一种基于解纠缠表示学习的跨年龄人脸图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766157A CN112766157A (zh) | 2021-05-07 |
CN112766157B true CN112766157B (zh) | 2022-08-30 |
Family
ID=75703341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110072429.1A Expired - Fee Related CN112766157B (zh) | 2021-01-20 | 2021-01-20 | 一种基于解纠缠表示学习的跨年龄人脸图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766157B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148085A (zh) * | 2019-04-22 | 2019-08-20 | 智慧眼科技股份有限公司 | 人脸图像超分辨率重建方法及计算机可读取的存储介质 |
CN111612872A (zh) * | 2020-05-22 | 2020-09-01 | 中国科学院自动化研究所 | 人脸年龄变化图像对抗生成方法及系统 |
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 |
CN111951153A (zh) * | 2020-08-12 | 2020-11-17 | 杭州电子科技大学 | 基于生成对抗网络隐空间解构的人脸属性精细化编辑方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866829B (zh) * | 2015-05-25 | 2019-02-19 | 苏州大学 | 一种基于特征学习的跨年龄人脸验证方法 |
US10565758B2 (en) * | 2017-06-14 | 2020-02-18 | Adobe Inc. | Neural face editing with intrinsic image disentangling |
US11734955B2 (en) * | 2017-09-18 | 2023-08-22 | Board Of Trustees Of Michigan State University | Disentangled representation learning generative adversarial network for pose-invariant face recognition |
CN109523463B (zh) * | 2018-11-20 | 2023-04-07 | 中山大学 | 一种基于条件生成对抗网络的人脸老化方法 |
CN111310648B (zh) * | 2020-02-13 | 2023-04-11 | 中国科学院西安光学精密机械研究所 | 基于解纠缠表达学习的跨模态生物特征匹配方法及系统 |
CN111340186B (zh) * | 2020-02-17 | 2022-10-21 | 之江实验室 | 基于张量分解的压缩表示学习方法 |
CN111898482B (zh) * | 2020-07-14 | 2024-02-02 | 贵州大学 | 基于渐进型生成对抗网络的人脸预测方法 |
CN111985405B (zh) * | 2020-08-21 | 2022-07-26 | 南京理工大学 | 一种人脸年龄合成方法及系统 |
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 |
-
2021
- 2021-01-20 CN CN202110072429.1A patent/CN112766157B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148085A (zh) * | 2019-04-22 | 2019-08-20 | 智慧眼科技股份有限公司 | 人脸图像超分辨率重建方法及计算机可读取的存储介质 |
CN111612872A (zh) * | 2020-05-22 | 2020-09-01 | 中国科学院自动化研究所 | 人脸年龄变化图像对抗生成方法及系统 |
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 |
CN111951153A (zh) * | 2020-08-12 | 2020-11-17 | 杭州电子科技大学 | 基于生成对抗网络隐空间解构的人脸属性精细化编辑方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112766157A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837836B (zh) | 基于最大化置信度的半监督语义分割方法 | |
CN107085716B (zh) | 基于多任务生成对抗网络的跨视角步态识别方法 | |
Kusakunniran et al. | Gait recognition under various viewing angles based on correlated motion regression | |
CN111652049A (zh) | 人脸图像处理模型训练方法、装置、电子设备及存储介质 | |
JPH1055444A (ja) | Dctをベースとするフィーチャー・ベクトルを使った顔の認識 | |
CN111861945B (zh) | 一种文本引导的图像修复方法和系统 | |
CN112668519A (zh) | 基于MCCAE网络和Deep SVDD网络的异常人脸识别活体检测方法及系统 | |
CN104077742B (zh) | 基于Gabor特征的人脸素描合成方法及系统 | |
CN114386534A (zh) | 一种基于变分自编码器和对抗生成网络的图像增广模型训练方法及图像分类方法 | |
Baek et al. | Generative adversarial ensemble learning for face forensics | |
CN112784929A (zh) | 一种基于双元组扩充的小样本图像分类方法及装置 | |
CN114118165A (zh) | 基于脑电的多模态情绪数据预测方法、装置及相关介质 | |
CN114332544A (zh) | 一种基于图像块评分的细粒度图像分类方法和装置 | |
CN114445681A (zh) | 模型训练及图像识别方法和装置、设备及存储介质 | |
Filković et al. | Deep metric learning for person Re-identification and De-identification | |
CN113160032A (zh) | 一种基于生成对抗网络的无监督多模态图像转换方法 | |
CN115222954A (zh) | 弱感知目标检测方法及相关设备 | |
CN112329662B (zh) | 基于无监督学习的多视角显著性估计方法 | |
CN102779271B (zh) | 基于谱稀疏典型相关分析的表情语义稀疏量化方法 | |
CN112766157B (zh) | 一种基于解纠缠表示学习的跨年龄人脸图像识别方法 | |
CN111737688A (zh) | 基于用户画像的攻击防御系统 | |
JP5382786B2 (ja) | 特徴量生成装置、特徴量生成方法および特徴量生成プログラム、ならびにクラス判別装置、クラス判別方法およびクラス判別プログラム | |
Wu et al. | Learning age semantic factor to enhance group-based representations for cross-age face recognition | |
Zhang | Image recognition methods based on deep learning | |
CN113344110A (zh) | 一种基于超分辨率重建的模糊图像分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220830 |
|
CF01 | Termination of patent right due to non-payment of annual fee |