CN114582006B - 儿童跨年龄的面部识别方法、装置、电子设备及介质 - Google Patents

儿童跨年龄的面部识别方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN114582006B
CN114582006B CN202210483165.3A CN202210483165A CN114582006B CN 114582006 B CN114582006 B CN 114582006B CN 202210483165 A CN202210483165 A CN 202210483165A CN 114582006 B CN114582006 B CN 114582006B
Authority
CN
China
Prior art keywords
facial
child
facial features
age group
face
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.)
Active
Application number
CN202210483165.3A
Other languages
English (en)
Other versions
CN114582006A (zh
Inventor
林伟辉
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.)
Guangdong Hongchengyun Big Data Co ltd
Original Assignee
Guangdong Hongchengyun Big Data 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 Guangdong Hongchengyun Big Data Co ltd filed Critical Guangdong Hongchengyun Big Data Co ltd
Priority to CN202210483165.3A priority Critical patent/CN114582006B/zh
Publication of CN114582006A publication Critical patent/CN114582006A/zh
Application granted granted Critical
Publication of CN114582006B publication Critical patent/CN114582006B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请提供一种儿童跨年龄的面部识别方法、装置、电子设备及介质。该方法在获取待识别面部图像中当前儿童的目标年龄和待识别面部图像的待识别面部特征后，查找存储的面部特征库中预测年龄段对应的多个儿童标识的面部特征、预测年龄段对应的平均面部特征和目标年龄所属的目标年龄段对应的平均面部特征；将任一儿童标识对应的面部特征、预测年龄段对应的平均面部特征和目标年龄段对应的平均面部特征，输入训练好的特征预测网络中，得到该儿童标识在目标年龄段的预测面部特征，若目标儿童标识对应的预测面部特征与待识别面部特征匹配，则将目标儿童标识确定为当前儿童的儿童标识。该方法提高了儿童面部识别的准确性。

Description

儿童跨年龄的面部识别方法、装置、电子设备及介质
技术领域
本申请涉及图像处理的技术领域，具体而言，涉及一种儿童跨年龄的面部识别方法、装置、电子设备及介质。
背景技术
目前，市面上的面部识别系统在成人照片上的准确率已取得极大成功，但是在儿童照片上的表现还远远达不到成人照片。以美国国家标准技术局(NIST)组织的FRVT在2020年1月人脸认证排行榜为例，冠军模型在非约束环境照片类比赛中，错误匹配率(FalseMatch Rate, FMR) <=0.00001(十万分之一)时，其拒绝匹配率(False None-Match Rate,FNMR)为3.01 %，而在非约束性环境儿童照片，错误匹配率(False Match Rate, FMR) <=0.01(百分之一)时，其拒绝匹配率(False None-Match Rate, FNMR)为34.22 %。由此可见，面部识别系统在儿童照片上，较之成人照片，检测准确率存在显著差距。也就是说，现有面部识别系统缺乏了解面部随着年龄的变化机制。当面部随着年龄变化时，现有的面部识别系统的识别准确率不高。
发明内容
本申请实施例的目的在于提供一种儿童跨年龄的面部识别方法、装置、电子设备及介质，用以解决了现有技术存在的上述问题，提高了儿童面部识别的准确性。
第一方面，提供了一种儿童跨年龄的面部识别方法，该方法可以包括：
获取待识别面部图像中当前儿童的目标年龄和所述待识别面部图像的待识别面部特征；所述待识别面部图像中当前儿童的头部姿态满足预设姿态；
基于预设的预测年龄段，查找存储的面部特征库中所述预测年龄段对应的多个儿童标识的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄所属的目标年龄段对应的平均面部特征；所述面部特征库包括各儿童标识在不同年龄段对应的面部特征和所述不同年龄段对应的平均面部特征，所述平均面部特征是根据各年龄段中的面部特征和相应个数确定的；所述预测年龄段与所述目标年龄段不同；
针对各儿童标识，将所述儿童标识对应的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄段对应的平均面部特征，输入训练好的特征预测网络中，得到所述特征预测网络输出的所述儿童标识在所述目标年龄段的预测面部特征；
若目标儿童标识对应的预测面部特征与所述待识别面部特征匹配，则将所述目标儿童标识确定为所述当前儿童的儿童标识。
在一个可能的实现中，基于预设的预测年龄段，查找存储的面部特征库中所述预测年龄段对应的多个儿童标识的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄段对应的平均面部特征，包括：
基于预设的预测年龄段，查找存储的面部特征库中所述预测年龄段对应的多个儿童标识的面部特征；
将所述待识别面部特征分别和所述预测年龄段对应的多个儿童标识的面部特征进行匹配；
若匹配失败，则基于预设的预测年龄段，查找存储的面部特征库中所述预测年龄段对应的平均面部特征和所述目标年龄段对应的平均面部特征。
在一个可能的实现中，确定所述待识别面部特征对应的目标儿童标识之后，所述方法还包括：
将所述待识别面部特征确定为所述目标儿童标识在所述目标年龄段的面部特征，并基于所述待识别面部特征，对所述面部特征库进行更新。
在一个可能的实现中，所述特征预测网络包括：特征预测模块、特征叠加模块和L2范数归一化模块；
将所述儿童标识对应的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄段对应的平均面部特征，输入训练好的特征预测网络中，得到所述特征预测网络输出的所述儿童标识在所述目标年龄段的预测面部特征，包括：
将所述儿童标识对应的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄段对应的平均面部特征，输入所述特征预测模块，输出所述儿童标识在所述目标年龄段的中间预测特征；
将所述中间预测特征和所述儿童标识对应的面部特征，输入所述特征叠加模块，输出叠加后的中间预测特征；
将所述叠加后的中间预测特征输入所述L2范数归一化模块，输出所述儿童标识在所述目标年龄段的预测面部特征。
在一个可能的实现中，所述特征预测网络的训练过程：
采集训练数据，所述训练数据包括各儿童标识在第一年龄段的第一面部图像和相应儿童标识在第二年龄段的第二面部图像；所述第一年龄段和所述第二年龄段不同；所述第一面部图像和所述第二面部图像中儿童的头部态满足预设姿态；
获取所述第一面部图像的面部特征和所述第二面部图像的面部特征；
基于所述第一年龄段内第一面部图像的面部特征和相应个数，计算所述第一年龄段对应的平均面部特征，以及基于所述第二年龄段内第二面部图像的面部特征和相应个数，计算所述第二年龄段对应的平均面部特征；
针对各儿童标识，基于所述儿童标识对应的第一面部图像的面部特征、所述第一年龄段对应的平均面部特征、所述第二年龄段对应的平均面部特征，以及所述儿童标识对应的第二面部图像的面部特征，对预训练的神经网络进行迭代训练，得到训练出的特征预测网络。
在一个可能的实现中，采集训练数据之后，所述方法还包括：
若采集的训练数据的数量不大于预设数量阈值，则获取待扩充面部图像Iq和所述待扩充面部图像中扩充儿童的年龄所属的当前年龄段；所述待扩充面部图像中扩充儿童的头部姿态满足预设姿态；
利用预先配置的位置图回归网络PRNet模型，得到所述待扩充面部图像对应的面部网格和相应纹理图，并获取所述待扩充面部图像对应的姿态标准化的待扩充面部图像的面部网格；所述姿态标准化是指将所述扩充儿童的头部姿态中偏航角、俯仰角与滚转角的角度均更新为0°；
将存储的面部网格训练集中扩充儿童标识在当前年龄段对应的姿态标准化的平均面部网格和所述扩充儿童标识在扩充年龄段对应的姿态标准化的平均面部网格，以及所述姿态标准化的待扩充面部图像的面部网格，输入预先训练好的姿态标准化面部网格合成网络，得到所述姿态标准化面部网格合成网络输出的所述扩充年龄段对应的姿态标准化的合成面部网格；其中，所述面部网格训练集包括各儿童标识在不同年龄段的姿态标准化的面部网格、不同年龄段对应的姿态标准化的平均面部网格；所述当前年龄段与所述扩充年龄段不同；所述姿态标准化面部网格合成网络是基于所述面部网格训练集中相同儿童标识在两个不同年龄段对应的姿态标准化的面部网格和所述两个不同年龄段分别对应的姿态标准化的平均面部网格，对神经网络进行迭代训练得到的；
将所述姿态标准化的合成面部网格转换为满足所述预设姿态的合成面部网格；
基于转换后的合成面部网格和所述纹理图，生成新的面部图像；
将所述新的面部图像确定为新的训练数据。
在一个可能的实现中，所述姿态标准化面部网格合成网络包括一个合并函数层和编码-解码网络结构。
在一个可能的实现中，所述面部网格训练集的获取过程：
获取初始的面部网格训练集，所述初始的面部网格训练集包括各儿童标识在不同年龄段对应的面部图像；所述待识别面部图像中各儿童的头部姿态满足预设姿态；
针对各儿童标识，利用预先配置的位置图回归网络PRNet模型，得到所述儿童标识对应的面部图像的面部网格和相应纹理图，并获取所述面部图像对应的姿态标准化的面部图像的面部网格；
根据各年龄段对应的姿态标准化的面部图像的面部网格和相应个数，确定各年龄段对应的姿态标准化的平均面部网格；
基于所述各年龄段对应的姿态标准化的平均面部网格，对所述初始的面部网格训练集进行更新，得到所述面部网格训练集。
第二方面，提供了一种儿童跨年龄的面部识别装置，该装置可以包括：
获取单元，用于获取待识别面部图像中当前儿童的目标年龄和所述待识别面部图像的待识别面部特征；所述待识别面部图像中当前儿童的头部姿态满足预设姿态；
查找单元，用于基于预设的预测年龄段，查找存储的面部特征库中所述预测年龄段对应的多个儿童标识的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄所属的目标年龄段对应的平均面部特征；所述面部特征库包括各儿童标识在不同年龄段对应的面部特征和所述不同年龄段对应的平均面部特征，所述平均面部特征是根据各年龄段中的面部特征和相应个数确定的；所述预测年龄段与所述目标年龄段不同；
所述获取单元，还用于针对各儿童标识，将所述儿童标识对应的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄段对应的平均面部特征，输入训练好的特征预测网络中，得到所述特征预测网络输出的所述儿童标识在所述目标年龄段的预测面部特征；
确定单元，用于若目标儿童标识对应的预测面部特征与所述待识别面部特征匹配，则将所述目标儿童标识确定为所述当前儿童的儿童标识。
在一个可能的实现中，所述查找单元，具体用于：
基于预设的预测年龄段，查找存储的面部特征库中所述预测年龄段对应的多个儿童标识的面部特征；
将所述待识别面部特征分别和所述预测年龄段对应的多个儿童标识的面部特征进行匹配；
若匹配失败，则基于预设的预测年龄段，查找存储的面部特征库中所述预测年龄段对应的平均面部特征和所述目标年龄段对应的平均面部特征。
在一个可能的实现中，所述装置还包括更新单元；
所述确定单元，还用于将所述待识别面部特征确定为所述目标儿童标识在所述目标年龄段的面部特征；
所述更新单元，用于基于所述待识别面部特征，对所述面部特征库进行更新。
在一个可能的实现中，所述特征预测网络包括：特征预测模块、特征叠加模块和L2范数归一化模块；所述获取单元，具体用于：
将所述儿童标识对应的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄段对应的平均面部特征，输入所述特征预测模块，输出所述儿童标识在所述目标年龄段的中间预测特征；
以及，将所述中间预测特征和所述儿童标识对应的面部特征，输入所述特征叠加模块，输出叠加后的中间预测特征；
以及，将所述叠加后的中间预测特征输入所述L2范数归一化模块，输出所述儿童标识在所述目标年龄段的预测面部特征。
在一个可能的实现中，所述装置还包括训练单元；
所述训练单元，具体用于：
采集训练数据，所述训练数据包括各儿童标识在第一年龄段的第一面部图像和相应儿童标识在第二年龄段的第二面部图像；所述第一年龄段和所述第二年龄段不同；所述第一面部图像和所述第二面部图像中儿童的头部态满足预设姿态；
获取所述第一面部图像的面部特征和所述第二面部图像的面部特征；
基于所述第一年龄段内第一面部图像的面部特征和相应个数，计算所述第一年龄段对应的平均面部特征，以及基于所述第二年龄段内第二面部图像的面部特征和相应个数，计算所述第二年龄段对应的平均面部特征；
针对各儿童标识，基于所述儿童标识对应的第一面部图像的面部特征、所述第一年龄段对应的平均面部特征、所述第二年龄段对应的平均面部特征，以及所述儿童标识对应的第二面部图像的面部特征，对预训练的神经网络进行迭代训练，得到训练出的特征预测网络。
在一个可能的实现中，在采集训练数据之后，所述获取单元，还具体用于：
若采集的训练数据的数量不大于预设数量阈值，则获取待扩充面部图像Iq和所述待扩充面部图像中扩充儿童的年龄所属的当前年龄段；所述待扩充面部图像中扩充儿童的头部姿态满足预设姿态；
利用预先配置的位置图回归网络PRNet模型，得到所述待扩充面部图像对应的面部网格和相应纹理图，并获取所述待扩充面部图像对应的姿态标准化的待扩充面部图像的面部网格；所述姿态标准化是指将所述扩充儿童的头部姿态中偏航角、俯仰角与滚转角的角度均更新为0°；
将存储的面部网格训练集中扩充儿童标识在当前年龄段对应的姿态标准化的平均面部网格和所述扩充儿童标识在扩充年龄段对应的姿态标准化的平均面部网格，以及所述姿态标准化的待扩充面部图像的面部网格，输入预先训练好的姿态标准化面部网格合成网络，得到所述姿态标准化面部网格合成网络输出的所述扩充年龄段对应的姿态标准化的合成面部网格；其中，所述面部网格训练集包括各儿童标识在不同年龄段的姿态标准化的面部网格、不同年龄段对应的姿态标准化的平均面部网格；所述当前年龄段与所述扩充年龄段不同；所述姿态标准化面部网格合成网络是基于所述面部网格训练集中相同儿童标识在两个不同年龄段对应的姿态标准化的面部网格和所述两个不同年龄段分别对应的姿态标准化的平均面部网格，对神经网络进行迭代训练得到的；
将所述姿态标准化的合成面部网格转换为满足所述预设姿态的合成面部网格；
基于转换后的合成面部网格和所述纹理图，生成新的面部图像；
将所述新的面部图像确定为新的训练数据。
在一个可能的实现中，所述姿态标准化面部网格合成网络包括一个合并函数层和编码-解码网络结构。
在一个可能的实现中，所述获取单元，还具体用于：
获取初始的面部网格训练集，所述初始的面部网格训练集包括各儿童标识在不同年龄段对应的面部图像；所述待识别面部图像中各儿童的头部姿态满足预设姿态；
针对各儿童标识，利用预先配置的位置图回归网络PRNet模型，得到所述儿童标识对应的面部图像的面部网格和相应纹理图，并获取所述面部图像对应的姿态标准化的面部图像的面部网格；
根据各年龄段对应的姿态标准化的面部图像的面部网格和相应个数，确定各年龄段对应的姿态标准化的平均面部网格；
基于所述各年龄段对应的姿态标准化的平均面部网格，对所述初始的面部网格训练集进行更新，得到所述面部网格训练集。
第三方面，提供了一种电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面中任一所述的方法步骤。
第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一所述的方法步骤。
本申请实施例提供的一种儿童跨年龄的面部识别方法在获取待识别面部图像中当前儿童的目标年龄和待识别面部图像的待识别面部特征后，查找存储的面部特征库中预测年龄段对应的多个儿童标识的面部特征、预测年龄段对应的平均面部特征和目标年龄所属的目标年龄段对应的平均面部特征；面部特征库包括各儿童标识在不同年龄段对应的面部特征和不同年龄段对应的平均面部特征，平均面部特征是根据各年龄段中的面部特征和相应个数确定的；预测年龄段与目标年龄段不同；针对各儿童标识，将儿童标识对应的面部特征、预测年龄段对应的平均面部特征和目标年龄段对应的平均面部特征，输入训练好的特征预测网络中，得到特征预测网络输出的儿童标识在目标年龄段的预测面部特征，若目标儿童标识对应的预测面部特征与待识别面部特征匹配，则将目标儿童标识确定为当前儿童的儿童标识。该方法通过面部特征库对不同年龄的面部特征进行追踪，以及对不同年龄的面部特征进行预测，能够减轻待识别的面部图像由于年龄差距导致的特征差异，提高了儿童面部识别的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种儿童跨年龄的面部识别方法的流程示意图；
图2为本申请实施例提供的一种特征预测网络的结构示意图；
图3为本申请实施例提供的一种特征预测模块的结构示意图；
图4为本申请实施例提供的一种姿态标准化面部网格合成网络的结构示意图；
图5为本申请实施例提供的一种儿童跨年龄的面部识别装置的结构示意图；
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，并不是全部的实施例。基于本申请实施例，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，都属于本申请保护的范围。
人脸识别是基于人的面部特征信息进行身份识别的一种生物识别技术，人脸识别相对于一般的识别问题存在人脸对比这样一个需求，这就将人脸识别的主要方向变成了尺度学习问题而并非简单的分类问题。由于人的面部骨骼在0-6岁期间快速生长，到18岁左右停止生长。面部骨骼的变化导致面部特征也会发生变化，这就导致市面上的面部识别系统在成人照片上的准确率已取得极大成功，但在儿童照片上的表现（即面部识别的准确性）远远达不到成人照片的表现，也就是说，市面上的面部识别系统在儿童照片，相比于成人照片，性能存在显著差距。由此本申请实施例提供了一种儿童跨年龄的面部识别方法，该方法可通过建立的面部特征库对不同年龄的面部特征进行追踪，以及对不同年龄的面部特征进行预测，能够减轻待识别的面部图像由于年龄差距导致的特征差异，提高了儿童面部识别的准确性。
本申请实施例提供的儿童跨年龄的面部识别方法可以应用在服务器上，也可以应用在终端上。其中，服务器该服务器可以是物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（Content DeliveryNetwork，CDN），以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是具有较强计算能力的移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理（PDA）、平板电脑（PAD）等用户设备（User Equipment，UE）、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备、移动台（Mobile Station，MS）、移动终端（Mobile Terminal）等。
以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1
由于儿童的面部特征会随着年龄的变化而变化，故获取到包含当前儿童面部的待识别面部图像后，可以基于存储的各个儿童在不同年龄段的面部特征，对当前儿童在其他年龄段的面部特征进行预测，从而确定当前儿童身份信息，如下对具体方式进行详细描述。
图1为本申请实施例提供的一种儿童跨年龄的面部识别方法的流程示意图。如图1所示，该方法可以包括：
步骤S110、获取待识别面部图像中当前儿童的目标年龄和待识别面部图像的待识别面部特征。
待识别面部图像中当前儿童的头部姿态满足预设姿态。
具体实施中，采集包含当前儿童面部的待识别面部图像img_p，并采用面部特征提取算法，提取出该待识别面部图像的待识别面部特征feat_p，以及采用年龄特征分析算法，如年龄估计技术或年龄回归分析技术，获取到待识别面部图像中当前儿童的目标年龄tp。其中，预设姿态包括：头部的偏航角yaw满足（-30°，30）的范围，俯仰角pitch满足（-30°，30）的范围，以及显示面部且面部无遮挡。
步骤S120、基于预设的预测年龄段，查找存储的面部特征库中预测年龄段对应的多个儿童标识的面部特征、预测年龄段对应的平均面部特征和目标年龄所属的目标年龄段对应的平均面部特征。
面部特征库可以包括各儿童标识在不同年龄段的面部图像、相应的面部特征和不同年龄段对应的平均面部特征。其中，平均面部特征是根据各年龄段中的面部特征和相应个数确定的。
具体实施中，预先设置一个与目标年龄所属的目标年龄段不同的预测年龄段tg，如目标年龄段为3-4岁，预测年龄段可以为2-3岁或5-6岁。可以理解的是，上述的年龄段可以是一个时间段，也可以是一个时间点，即年龄点，如3岁或4岁，本申请实施例在此不做限定。
之后，在面部特征库中查找预测年龄段tg，得到预测年龄段对应的多个儿童标识面部图像img_g，以及相应的面部特征feat_g、预测年龄段对应的平均面部特征feat_avg[tg]和目标年龄所属的目标年龄段对应的平均面部特征feat_avg[tp]。
步骤S130、针对各儿童标识，将该儿童标识对应的面部特征、预测年龄段对应的平均面部特征和目标年龄段对应的平均面部特征，输入训练好的特征预测网络中，得到特征预测网络输出的儿童标识在目标年龄段的预测面部特征。
具体实施中，如图2所示，特征预测网络可以包括特征预测模块、特征叠加模块和L2范数归一化模块。
针对各儿童标识，将该儿童标识对应的面部特征feat_g、预测年龄段对应的平均面部特征feat_avg[tg]和目标年龄段对应的平均面部特征feat_avg[tp]，输入特征预测模块，特征预测模块输出该儿童标识在目标年龄段的中间预测特征。
其中，如图3所示，特征预测模块可以包括4层：两层全连接FC层、一个合并函数concat层和一个激励函数ReLU层，其中，特征预测模块的4层分布顺序为concat层、全连接FC层、ReLU层和全连接FC层。
将特征预测模块输出的中间预测特征和该儿童标识对应的面部特征，输入特征叠加模块，特征叠加模块输出叠加后的中间预测特征；
将特征叠加模块输出的叠加后的中间预测特征输入L2范数归一化模块，L2范数归一化模块输出该儿童标识在目标年龄段的预测面部特征feat_g[tp]。
步骤S140、基于各儿童标识对应的预测面部特征分别与待识别面部特征的匹配结果，确定当前儿童的儿童标识。
将各儿童标识对应的预测面部特征feat_g[tp]分别与待识别面部特征feat_p进行匹配。其中，对于匹配算法可以采用余弦相似性算法、欧氏距离算法等现有的向量匹配算法，本申请在此不做限定。
若目标儿童标识对应的预测面部特征feat_g[tp]与待识别面部特征feat_p不匹配，则确定存储的面部特征库中不存在当前儿童的儿童标识。此时需要对面部特征库中进行更新，具体的，基于当前儿童的儿童标识、目标年龄、待识别面部图像和待识别面部图像的待识别面部特征，对该面部特征库进行更新。
若目标儿童标识对应的预测面部特征feat_g[tp]与待识别面部特征feat_p匹配，则将目标儿童标识确定为当前儿童的儿童标识。该目标儿童标识为各儿童标识中的一个儿童标识。
在一些实施例中，为了提高面部特征库中面部特征的丰富性，以提高特征匹配的成功率，在确定待识别面部特征对应的目标儿童标识之后，可以对面部特征库进行更新。具体的，将待识别面部特征确定为该目标儿童标识在目标年龄段的面部特征，并将其加入面部特征库。
在一些实施例中，为了降低特征匹配过程的计算量，提高特征匹配效率，在执行步骤S120过程中可以先在面部特征库中查找到预测年龄段，得到预测年龄段对应的多个儿童标识的面部特征；
之后，将待识别面部特征分别和预测年龄段对应的多个儿童标识的面部特征进行匹配；
若匹配失败，则从面部特征库中查找出预测年龄段对应的平均面部特征和目标年龄段对应的平均面部特征，之后执行步骤S130。
若匹配成功，则确定匹配成功的面部特征对应的儿童标识为待识别面部特征对应的儿童标识，即确定匹配成功的面部特征对应的儿童标识为该当前儿童的儿童标识。
可见，上述实施例通过面部特征库对面部图像的面部特征进行追踪，以及对同一儿童不同年龄的面部特征进行预测，减轻了待匹配图像由于年龄差距导致的面部特征差异，提高了儿童面部识别的准确性。
实施例2
对于实施例1的儿童跨年龄的面部识别方法中应用的特征预测网络，该特征预测网络的训练过程可以包括如下步骤：
步骤A、采集训练数据。
其中，训练数据包括各儿童标识在第一年龄段的第一面部图像和相应儿童标识在第二年龄段的第二面部图像。第一年龄段和第二年龄段不同，且第一面部图像和第二面部图像中儿童的头部态满足预设姿态。
步骤B、获取第一面部图像的面部特征和第二面部图像的面部特征。
步骤C、基于第一年龄段内第一面部图像的面部特征和相应个数，计算第一年龄段对应的平均面部特征，以及基于第二年龄段内第二面部图像的面部特征和相应个数，计算第二年龄段对应的平均面部特征。
例如，儿童标识为ID1、第一年龄段为t0和第二年龄段为t1。获取儿童标识ID1在t0内第一面部图像的面部特征feat[i]和面部特征个数N0，以及儿童标识ID1在t1内第而面部图像的面部特征feat[j]和面部特征个数N1。其中，i，j=1,…,n，n为正整数，N0和N1为正整数。
儿童标识ID1在t0对应的平均面部特征feat_avg[t0]可以表示为：feat_avg[t0]= SUM(feat[i])/N0。
儿童标识ID1在t1对应的平均面部特征feat_avg[t1] 可以表示为：feat_avg[t1]= SUM(feat[j])/N1。
步骤D、针对各儿童标识，基于该儿童标识对应的第一面部图像的面部特征、第一年龄段对应的平均面部特征、第二年龄段对应的平均面部特征，以及该儿童标识对应的第二面部图像的面部特征，对预训练的神经网络进行迭代训练，得到训练出的特征预测网络。
其中，在迭代训练过程中，若满足预设迭代停止条件，则停止迭代训练得到训练完成的特征预测网络。训练该特征预测网络可采用余弦相似度损失函数，以判断特征预测网络输出的某一儿童标识在目标年龄段的预测面部特征p_feat[m]与该儿童标识在目标年龄段的待识别面部特征feat[n]的相似程度，如CosineLoss=1-<p_feat[m],feat[n]>。
预设迭代停止条件可以是迭代次数满足预设次数阈值，或迭代训练的损失值不大于预设损失阈值，或根据实际业务需求设置的其他迭代停止条件，本申请在此不做限定。
本申请上述实施例通过提取儿童在各年龄段的面部特征，学习面部特征变化的知识，来训练特征预测网络，提高了儿童面部识别的准确性。
进一步的，由于训练数据越多，训练出的模型的准确性越高，故若采集的训练数据的数量不大于预设数量阈值，则需要增加训练数据的数量。其中，增加训练数据的数量的方式可以包括通过继续采集面部图像的方式增加训练数据，或者对现有的训练数据或新采集的面部图像进行处理，实现训练数据的扩充。对于训练数据的扩充方案具体包括：
步骤1，获取待扩充面部图像和待扩充面部图像中扩充儿童的年龄所属的当前年龄段。
待扩充面部图像中扩充儿童的头部姿态满足预设姿态。该待扩充面部图像可以是现有的训练数据或新采集的面部图像。
步骤2，利用预先配置的位置图回归网络PRNet模型，得到待扩充面部图像对应的面部网格和相应纹理图，并获取待扩充面部图像对应的姿态标准化的待扩充面部图像的面部网格。该面部网格是由各面部关键点相连接形成的网格，例如，眼睛部位的各关键点、鼻子部位的各关键点和嘴部位的各关键点相连接形成的网格。
姿态标准化是指将扩充儿童的头部姿态更新为偏航角yaw、俯仰角pitch与滚转角roll均为0°的头部姿态。
具体实施中，将待扩充面部图像通过PRNet模型，输出面部网格的UV位置图（UVPosition Map）和相应的2D纹理图，其中，将UV位置图记为Pos，其矩阵形状为(256,256,3)，其中Pos[:,:,0]为2D纹理图在3D空间中的X坐标，Pos[:,:,1]为2D纹理图在3D空间中的Y坐标，Pos[:,:,2]为2D纹理图在3D空间中的Z坐标。
之后，由于待扩充面部图像中扩充儿童的头部姿态满足预设姿态，即满足-30°<yaw<30°、-30°<pitch<30°，以及显示面部且面部无遮挡的姿态，故可根据实际业务要求，通过仿射变换矩阵T或其他自定义的变换方式，将待扩充面部图像中扩充儿童的头部姿态标准化，得到待扩充面部图像对应的姿态标准化的待扩充面部图像，从而可得到相应姿态标准化的面部网格的CPos，本申请对变换方式在此不做限定。
步骤3，将存储的面部网格训练集中扩充儿童标识在当前年龄段对应的姿态标准化的平均面部网格和扩充儿童标识在扩充年龄段对应的姿态标准化的平均面部网格，以及获取的姿态标准化的待扩充面部图像的面部网格，输入预先训练好的姿态标准化面部网格合成网络，得到姿态标准化面部网格合成网络输出的扩充年龄段对应的姿态标准化的合成面部网格。
其中，面部网格训练集包括各儿童标识在不同年龄段的姿态标准化的面部网格、不同年龄段对应的姿态标准化的平均面部网格；当前年龄段与扩充年龄段不同。姿态标准化面部网格合成网络是基于面部网格训练集中相同儿童标识在两个不同年龄段对应的姿态标准化的面部网格和两个不同年龄段分别对应的姿态标准化的平均面部网格，对神经网络进行迭代训练得到的，且损失函数采用最小均方误差。
在一些实施例中，如图4所示，姿态标准化面部网格合成网络可以包括一个合并函数concat层和编码-解码（encoder-decoder）网络结构。
在一个例子中，获取年龄段tx的姿态标准化的面部网格CPos[tx]，以及面部网格训练集中的年龄段tx对应的姿态标准化的平均面部网格CPos_avg[tx]、年龄段ty对应的姿态标准化的平均面部网格CPos_avg[ty]。
首先，将CPos[tx]、CPos_avg[tx]和CPos_avg[ty]输入合并函数concat层，合并函数concat层输出年龄段ty的姿态标准化的合并后的面部网格；之后，将年龄段ty的姿态标准化的合并后的面部网格输入encoder-decoder网络结构，encoder-decoder网络结构输出年龄段ty的姿态标准化的面部网格CPos[ty]。
步骤4，将姿态标准化的合成面部网格转换为满足预设姿态的合成面部网格。
可根据实际业务要求，通过仿射逆变换矩阵T_inv或其他自定义的变换方式，将姿态标准化的合成面部网格转换为满足预设姿态的合成面部网格，本申请对变换方式在此不做限定。
步骤5，基于转换后的合成面部网格和该纹理图，生成新的面部图像，并将新的面部图像确定为新的训练数据。
基于转换后的合成面部网格可得到满足预设姿态的UV位置图像，故基于该UV位置图像和该纹理图渲染为新的面部图像，并将其确定为新的训练数据。
在一些实施例中，上述的面部网格训练集可以通过如下方式获取：
获取初始的面部网格训练集，初始的面部网格训练集包括各儿童标识在不同年龄段对应的面部图像，其中，待识别面部图像中各儿童的头部姿态满足预设姿态。
针对各儿童标识，利用预先配置的位置图回归网络PRNet模型，得到儿童标识对应的面部图像的面部网格和相应纹理图，并获取面部图像对应的姿态标准化的面部图像的面部网格。
根据各年龄段对应的姿态标准化的面部图像的面部网格和相应面部图像的个数，确定各年龄段对应的姿态标准化的平均面部网格。例如，某一年龄段对应的姿态标准化的面部图像有3个，那么该年龄段对应的姿态标准化的面部网格就有3种。由于面部网格是不同面部关键点间连接形成的网格，故若想要得到该年龄段对应的姿态标准化的平均面部网格需要先获取3种面部网格中每个面部关键点（如左眼角处的关键点）的位置，计算出3种面部网格中相同面部关键点（如左眼角处的关键点）的位置对应的平均位置，由各面部关键点的平均位置间连接形成的网格即为该年龄段对应的姿态标准化的平均面部网格。
基于各年龄段对应的姿态标准化的平均面部网格，对初始的面部网格训练集进行更新，得到面部网格训练集。
与上述方法对应的，本申请实施例还提供一种儿童跨年龄的面部识别装置，如图5所示，该儿童跨年龄的面部识别装置包括：获取单元510、查找单元520和确定单元530；
获取单元510，用于获取待识别面部图像中当前儿童的目标年龄和所述待识别面部图像的待识别面部特征；所述待识别面部图像中当前儿童的头部姿态满足预设姿态；
查找单元520，用于基于预设的预测年龄段，查找存储的面部特征库中所述预测年龄段对应的多个儿童标识的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄所属的目标年龄段对应的平均面部特征；所述面部特征库包括各儿童标识在不同年龄段对应的面部特征和所述不同年龄段对应的平均面部特征，所述平均面部特征是根据各年龄段中的面部特征和相应个数确定的；所述预测年龄段与所述目标年龄段不同；
获取单元510，还用于针对各儿童标识，将所述儿童标识对应的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄段对应的平均面部特征，输入训练好的特征预测网络中，得到所述特征预测网络输出的所述儿童标识在所述目标年龄段的预测面部特征；
确定单元530，用于若目标儿童标识对应的预测面部特征与所述待识别面部特征匹配，则将所述目标儿童标识确定为所述当前儿童的儿童标识。
本申请上述实施例提供的儿童跨年龄的面部识别装置的各功能单元的功能，可以通过上述各方法步骤来实现，因此，本申请实施例提供的儿童跨年龄的面部识别装置中的各个单元的具体工作过程和有益效果，在此不复赘述。
本申请实施例还提供了一种电子设备，如图6所示，包括处理器610、通信接口620、存储器630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线540完成相互间的通信。
存储器630，用于存放计算机程序；
处理器610，用于执行存储器630上所存放的程序时，实现如下步骤：
获取待识别面部图像中当前儿童的目标年龄和所述待识别面部图像的待识别面部特征；所述待识别面部图像中当前儿童的头部姿态满足预设姿态；
基于预设的预测年龄段，查找存储的面部特征库中所述预测年龄段对应的多个儿童标识的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄所属的目标年龄段对应的平均面部特征；所述面部特征库包括各儿童标识在不同年龄段对应的面部特征和所述不同年龄段对应的平均面部特征，所述平均面部特征是根据各年龄段中的面部特征和相应个数确定的；所述预测年龄段与所述目标年龄段不同；
针对各儿童标识，将所述儿童标识对应的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄段对应的平均面部特征，输入训练好的特征预测网络中，得到所述特征预测网络输出的所述儿童标识在所述目标年龄段的预测面部特征；
若目标儿童标识对应的预测面部特征与所述待识别面部特征匹配，则将所述目标儿童标识确定为所述当前儿童的儿童标识。
上述提到的通信总线可以是外设部件互连标准（Peripheral ComponentInterconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessing，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，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。
由于上述实施例中电子设备的各器件解决问题的实施方式以及有益效果可以参见图1所示的实施例中的各步骤来实现，因此，本申请实施例提供的电子设备的具体工作过程和有益效果，在此不复赘述。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的儿童跨年龄的面部识别方法。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的儿童跨年龄的面部识别方法。
本领域内的技术人员应明白，本申请实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请实施例中是参照根据本申请实施例中实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本申请实施例中实施例进行各种改动和变型而不脱离本申请实施例中实施例的精神和范围。这样，倘若本申请实施例中实施例的这些修改和变型属于本申请实施例中权利要求及其等同技术的范围之内，则本申请实施例中也意图包含这些改动和变型在内。

Claims (11)

1.一种儿童跨年龄的面部识别方法，其特征在于，所述方法包括：
获取待识别面部图像中当前儿童的目标年龄和所述待识别面部图像的待识别面部特征；所述待识别面部图像中当前儿童的头部姿态满足预设姿态；
基于预设的预测年龄段，查找存储的面部特征库中所述预测年龄段对应的多个儿童标识的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄所属的目标年龄段对应的平均面部特征；所述面部特征库包括各儿童标识在不同年龄段对应的面部特征和所述不同年龄段对应的平均面部特征，所述平均面部特征是根据各年龄段中的面部特征和相应个数确定的；所述预测年龄段与所述目标年龄段不同；
针对各儿童标识，将所述儿童标识对应的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄段对应的平均面部特征，输入训练好的特征预测网络中，得到所述特征预测网络输出的所述儿童标识在所述目标年龄段的预测面部特征；
若目标儿童标识对应的预测面部特征与所述待识别面部特征匹配，则将所述目标儿童标识确定为所述当前儿童的儿童标识。
2.如权利要求1所述的方法，其特征在于，基于预设的预测年龄段，查找存储的面部特征库中所述预测年龄段对应的多个儿童标识的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄段对应的平均面部特征，包括：
基于预设的预测年龄段，查找存储的面部特征库中所述预测年龄段对应的多个儿童标识的面部特征；
将所述待识别面部特征分别和所述预测年龄段对应的多个儿童标识的面部特征进行匹配；
若匹配失败，则基于预设的预测年龄段，查找存储的面部特征库中所述预测年龄段对应的平均面部特征和所述目标年龄段对应的平均面部特征。
3.如权利要求1所述的方法，其特征在于，确定所述待识别面部特征对应的目标儿童标识之后，所述方法还包括：
将所述待识别面部特征确定为所述目标儿童标识在所述目标年龄段的面部特征，并基于所述待识别面部特征，对所述面部特征库进行更新。
4.如权利要求1所述的方法，其特征在于，所述特征预测网络包括：特征预测模块、特征叠加模块和L2范数归一化模块；
将所述儿童标识对应的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄段对应的平均面部特征，输入训练好的特征预测网络中，得到所述特征预测网络输出的所述儿童标识在所述目标年龄段的预测面部特征，包括：
将所述儿童标识对应的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄段对应的平均面部特征，输入所述特征预测模块，输出所述儿童标识在所述目标年龄段的中间预测特征；
将所述中间预测特征和所述儿童标识对应的面部特征，输入所述特征叠加模块，输出叠加后的中间预测特征；
将所述叠加后的中间预测特征输入所述L2范数归一化模块，输出所述儿童标识在所述目标年龄段的预测面部特征。
5.如权利要求1或4所述的方法，其特征在于，所述特征预测网络的训练过程：
采集训练数据，所述训练数据包括各儿童标识在第一年龄段的第一面部图像和相应儿童标识在第二年龄段的第二面部图像；所述第一年龄段和所述第二年龄段不同；所述第一面部图像和所述第二面部图像中儿童的头部态满足预设姿态；
获取所述第一面部图像的面部特征和所述第二面部图像的面部特征；
基于所述第一年龄段内第一面部图像的面部特征和相应个数，计算所述第一年龄段对应的平均面部特征，以及基于所述第二年龄段内第二面部图像的面部特征和相应个数，计算所述第二年龄段对应的平均面部特征；
针对各儿童标识，基于所述儿童标识对应的第一面部图像的面部特征、所述第一年龄段对应的平均面部特征、所述第二年龄段对应的平均面部特征，以及所述儿童标识对应的第二面部图像的面部特征，对预训练的神经网络进行迭代训练，得到训练出的特征预测网络。
6.如权利要求5所述的方法，其特征在于，采集训练数据之后，所述方法还包括：
若采集的训练数据的数量不大于预设数量阈值，则获取待扩充面部图像和所述待扩充面部图像中扩充儿童的年龄所属的当前年龄段；所述待扩充面部图像中扩充儿童的头部姿态满足预设姿态；
利用预先配置的位置图回归网络PRNet模型，得到所述待扩充面部图像对应的面部网格和相应纹理图，并获取所述待扩充面部图像对应的姿态标准化的待扩充面部图像的面部网格；所述姿态标准化是指将所述扩充儿童的头部姿态中偏航角、俯仰角与滚转角的角度均更新为0°；
将存储的面部网格训练集中扩充儿童标识在当前年龄段对应的姿态标准化的平均面部网格和所述扩充儿童标识在扩充年龄段对应的姿态标准化的平均面部网格，以及所述姿态标准化的待扩充面部图像的面部网格，输入预先训练好的姿态标准化面部网格合成网络，得到所述姿态标准化面部网格合成网络输出的所述扩充年龄段对应的姿态标准化的合成面部网格；其中，所述面部网格训练集包括各儿童标识在不同年龄段的姿态标准化的面部网格、不同年龄段对应的姿态标准化的平均面部网格；所述当前年龄段与所述扩充年龄段不同；所述姿态标准化面部网格合成网络是基于面部网格训练集中相同儿童标识在两个不同年龄段对应的姿态标准化的面部网格和所述两个不同年龄段分别对应的姿态标准化的平均面部网格，对神经网络进行迭代训练得到的；
将所述姿态标准化的合成面部网格转换为满足所述预设姿态的合成面部网格；
基于转换后的合成面部网格和所述纹理图，生成新的面部图像；
将所述新的面部图像确定为新的训练数据。
7.如权利要求6所述的方法，其特征在于，所述姿态标准化面部网格合成网络包括一个合并函数层和编码-解码网络结构。
8.如权利要求6所述的方法，其特征在于，所述面部网格训练集的获取过程：
获取初始的面部网格训练集，所述初始的面部网格训练集包括各儿童标识在不同年龄段对应的面部图像；所述待识别面部图像中各儿童的头部姿态满足预设姿态；
针对各儿童标识，利用预先配置的位置图回归网络模型，得到所述儿童标识对应的面部图像的面部网格和相应纹理图，并获取所述面部图像对应的姿态标准化的面部图像的面部网格；
根据各年龄段对应的姿态标准化的面部图像的面部网格和相应个数，确定各年龄段对应的姿态标准化的平均面部网格；
基于所述各年龄段对应的姿态标准化的平均面部网格，对所述初始的面部网格训练集进行更新，得到所述面部网格训练集。
9.一种儿童跨年龄的面部识别装置，其特征在于，所述装置包括：
获取单元，用于获取待识别面部图像中当前儿童的目标年龄和所述待识别面部图像的待识别面部特征；所述待识别面部图像中当前儿童的头部姿态满足预设姿态；
查找单元，用于基于预设的预测年龄段，查找存储的面部特征库中所述预测年龄段对应的多个儿童标识的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄所属的目标年龄段对应的平均面部特征；所述面部特征库包括各儿童标识在不同年龄段对应的面部特征和所述不同年龄段对应的平均面部特征，所述平均面部特征是根据各年龄段中的面部特征和相应个数确定的；所述预测年龄段与所述目标年龄段不同；
所述获取单元，还用于针对各儿童标识，将所述儿童标识对应的面部特征、所述预测年龄段对应的平均面部特征和所述目标年龄段对应的平均面部特征，输入训练好的特征预测网络中，得到所述特征预测网络输出的所述儿童标识在所述目标年龄段的预测面部特征；
确定单元，用于若目标儿童标识对应的预测面部特征与所述待识别面部特征匹配，则将所述目标儿童标识确定为所述当前儿童的儿童标识。
10.一种电子设备，其特征在于，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存储的程序时，实现权利要求1-8任一所述的方法步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一所述的方法步骤。
CN202210483165.3A 2022-05-06 2022-05-06 儿童跨年龄的面部识别方法、装置、电子设备及介质 Active CN114582006B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210483165.3A CN114582006B (zh) 2022-05-06 2022-05-06 儿童跨年龄的面部识别方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210483165.3A CN114582006B (zh) 2022-05-06 2022-05-06 儿童跨年龄的面部识别方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN114582006A CN114582006A (zh) 2022-06-03
CN114582006B true CN114582006B (zh) 2022-07-08

Family

ID=81785889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210483165.3A Active CN114582006B (zh) 2022-05-06 2022-05-06 儿童跨年龄的面部识别方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN114582006B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111209878A (zh) * 2020-01-10 2020-05-29 公安部户政管理研究中心 跨年龄人脸识别方法及装置
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
CN113205017A (zh) * 2021-04-21 2021-08-03 深圳市海清视讯科技有限公司 跨年龄人脸识别方法及设备
CN113705383A (zh) * 2021-08-12 2021-11-26 南京英诺森软件科技有限公司 一种基于三元约束的跨年龄人脸识别方法及系统
CN114241585A (zh) * 2022-01-26 2022-03-25 深圳集智数字科技有限公司 一种跨年龄人脸识别模型训练方法、识别方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532965B (zh) * 2019-08-30 2022-07-26 京东方科技集团股份有限公司 年龄识别方法、存储介质及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN111209878A (zh) * 2020-01-10 2020-05-29 公安部户政管理研究中心 跨年龄人脸识别方法及装置
CN113205017A (zh) * 2021-04-21 2021-08-03 深圳市海清视讯科技有限公司 跨年龄人脸识别方法及设备
CN113705383A (zh) * 2021-08-12 2021-11-26 南京英诺森软件科技有限公司 一种基于三元约束的跨年龄人脸识别方法及系统
CN114241585A (zh) * 2022-01-26 2022-03-25 深圳集智数字科技有限公司 一种跨年龄人脸识别模型训练方法、识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Identifying Missing Children: Face Age-Progression via Deep Feature Aging;Debayan Deb et.al.;《2020 25th International Conference on Pattern Recognition (ICPR)》;20210115;第10540-10547页 *
基于深度学习的跨年龄人脸识别问题;郑天悦;《全国优秀硕士学位论文全文数据库 信息科技辑》;20190915;第I138-1159页 *

Also Published As

Publication number Publication date
CN114582006A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
Zhao et al. Recurrent attention model for pedestrian attribute recognition
Xiao et al. Robust kernel low-rank representation
CN104573652B (zh) 确定人脸图像中人脸的身份标识的方法、装置和终端
CN109829448B (zh) 人脸识别方法、装置及存储介质
JP7182021B2 (ja) キーポイント検出方法、キーポイント検出装置、電子機器及び記憶媒体
CN110232373A (zh) 人脸聚类方法、装置、设备和存储介质
CN112001932B (zh) 人脸识别方法、装置、计算机设备和存储介质
CN112395979A (zh) 基于图像的健康状态识别方法、装置、设备及存储介质
CN110738219A (zh) 图像中线条提取方法和装置、存储介质及电子装置
KR20220004009A (ko) 키 포인트 검출 방법, 장치, 전자 기기 및 저장 매체
CN114708644B (zh) 一种基于家庭基因模板的人脸识别方法和系统
Qin et al. Finger-vein quality assessment based on deep features from grayscale and binary images
CN117152459A (zh) 图像检测方法、装置、计算机可读介质及电子设备
CN116884045B (zh) 身份识别方法、装置、计算机设备和存储介质
CN116151965B (zh) 一种风险特征提取方法、装置、电子设备及存储介质
CN114582006B (zh) 儿童跨年龄的面部识别方法、装置、电子设备及介质
CN112257689A (zh) 人脸识别模型的训练和识别方法、存储介质及相关设备
Lin et al. Dual Information Enhanced Multiview Attributed Graph Clustering
CN112825143A (zh) 深度卷积神经网络压缩方法、装置、存储介质及设备
CN117079336B (zh) 样本分类模型的训练方法、装置、设备及存储介质
CN117152567B (zh) 特征提取网络的训练方法、分类方法、装置及电子设备
Neelima Social ski driver-jaya optimization-enabled deep convolution neural network for signature verification
CN110096954A (zh) 一种基于神经网络的指纹识别方法
Ye et al. Weighted Graph Based Feature Representation for Finger-Vein Recognition
CN114550257A (zh) 人脸识别网络训练方法、装置、电子设备及存储介质

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