一种基于统一式生成模型的跨衰老人脸识别方法技术

本发明专利技术提出了一种基于统一式生成模型的跨衰老人脸识别方法，属于计算机视觉和机器学习技术领域，涉及人脸识别中的跨衰老识别问题。该方法首先假设深度网络提取出的人脸身份特征并不能完全剔除人脸上衰老的信息，然后利用生成方法补全建立字典库缺失的年龄图片，再通过人脸识别网络提取出每张图片的特征，接着把相关的图片特征进行融合，然后求出待测图片特征与字典库中每一个特征的余弦相似度，最后把余弦相似度最大的作为正确匹配对象。本发明专利技术的方法，可以用于各种场景下的跨衰老人脸识别。

A Face Recognition Method for Cross-aging Based on Unified Generation Model

The invention proposes a cross-aging face recognition method based on a unified generation model, which belongs to the field of computer vision and machine learning technology, and relates to the cross-aging face recognition problem in face recognition. Firstly, the method assumes that the face identity features extracted from the depth network can not completely eliminate the aging information on the face. Then, the generation method is used to complete the age pictures that are missing in the dictionary database. Then, the features of each picture are extracted through the face recognition network. Then, the relevant image features are fused, and then the features of the pictures to be tested and each feature in the dictionary database are obtained. Finally, the cosine similarity is taken as the correct matching object. The method of the invention can be used for cross-aging face recognition in various scenarios.

【技术实现步骤摘要】
一种基于统一式生成模型的跨衰老人脸识别方法
本专利技术属于计算机视觉和机器学习
，涉及人脸识别中的跨衰老识别问题。
技术介绍
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。它是近年来计算机视觉和机器学习领域研究的热门问题，在人机交互、安全驾驶和关注度分析等方面都有非常广泛的应用。而由于人的年龄跨度有时会很大，这会造成人的面部衰老特征尤为明显，跨衰老人脸识别针对的正是此类问题。跨衰老人脸识别能帮助人们寻找失散儿童，进行年龄预测等。近年来，跨衰老人脸识别问题在度量学习和深度学习发展的基础上，有了进一步的发展。现有跨衰老人脸识别方法可以分为两个大的类别：1.基于判别的方法，2.基于生成的方法。基于判别的跨衰老人脸识别方法的基本原理是将输入的人脸图片通过网络提取特征后再将特征映射进一个设计好的特征空间中，以期进一步减少特征中的年龄信息，达到良好的识别效果。该类方法最大的缺陷在于对同一人的年龄图片要求很高，但是现实生活中这类图片很难收集，总有很多年龄缺失，会对识别问题带来很大的干扰。参见文献：B.C.Chen,C.S.Chen,W.H.Hsu,FaceRecognitionandRetrievalUsingCross-AgeReferenceCodingWithCross-AgeCelebrityDataset.IEEETransactionsonMultimedia,vol.17,no.6,pp.804-815,2015.基于生成的跨衰老人脸识别方法是指在进行人脸识别时，将待测图片通过合成的方法生成特定年龄的图片。该类方法中大多基于自编码器(Autoencoder)或者生成式对抗网络(GenerativeAdversarialNetworks)。由于生成方法都有着很强的假设条件(假设样本满足多维正态分布)，有时会导致生成的人脸图片不真实，同时计算过程过于繁琐，需要的计算资源很大。参见文献：G.Antipov,M.Baccouche,J.L.Dugelay,FaceAgingWithConditionalGenerativeAdversarialNetworks.InProceedingsoftheIEEEInternationalConferenceonImageProcessing，pp.2089-2093,2017.
技术实现思路
本专利技术的任务是提供一种基于统一式生成模型的跨衰老人脸识别方法。该方法利用统一式生成模型生成每一原图的衰老图片序列，再利用深度网络提取人脸图片的身份特征，最终建立字典库来进行人脸识别。通过上述方法，能很好地提高跨衰老人脸识别问题的准确性。为了方便地描述本
技术实现思路
，首先对一些术语进行定义。定义1：跨衰老人脸识别。人脸识别的一个分支，针对的是年龄差距大，差别明显的人脸识别问题。在图1给出了同一个人在不同年龄时的面部图片。定义2：人脸对齐。将拍摄到的不同角度、不同大小的人脸归一化成正面且大小相同人脸图片。人脸对齐涉及特征点检测和归一化的过程。人脸对齐是人脸相关工作的重要步骤，能很好地帮助后续工作的展开。目前人脸对齐方法已经相对成熟。在图2给出了一幅图片对齐前和对齐后的效果。定义3：CASIA-WebFace数据库。由中国科学院自动化研究所生物识别与安全技术研究中心提出，包含10575个人的共494414张图片，每个人的图片都有身份标签，常用于人脸识别研究。定义4：FGNET数据库。包含82个人的共1002张图片，每个人的图片都有身份和年龄标签，年龄跨度为0-69岁，常用于跨衰老人脸识别研究。定义5：UTKface数据库。包含23708张图片，每张图片都有年龄、性别和种族标签，年龄跨度为0-116岁，常用于人脸检测、年龄预测等研究。定义6：OpenCV库。是一个基于BSD许可(开源)发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和MacOS操作系统上。它轻量级而且高效——由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图片处理和计算机视觉方面的很多通用算法，是使用最多的视觉库之一。定义7：Iception-ResnetV1网络。是由Google在15年提出，建立块(block)将不同的卷积结果堆叠在一起，一方面增加了网络的宽度，另一方面增加了网络对尺度的适应性。在图3给出了该网络的结构图。定义8：UnifiedGAN网络。统一式生成网络，一种基于条件生成对抗式网络的改进网络，可以针对一张待测图片生成各个不同年龄段的新图片，并很好地保留原有身份信息。图4给出了该网络的结构图，图5给出了一张图片通过该网络得到的所有生成图。定义9：Softmaxloss。应用Softmax分类方法时得到的损失函数。Softmax分类是一种多分类方法，用于处理分类结果达两个以上的问题，目的是使得分类结果类别之间的差距明显。Softmaxloss用符号来表示，其中表示第i个特征是d维的，属于第yi类；是最后全连接层的权重矩阵的第j列，是权重项。m表示样本个数，n表示样本类别数。定义10：Centerloss。在求解多分类问题时，应用Centerloss可以使得样本距离自己类别中心的距离更近，也就是减少类内距离。Centerloss用符号来表示，其中表示第i个特征是d维的，属于第yi类。表示第yi类的类中心。m表示样本个数。定义11：余弦相似度。余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。相比距离度量，余弦相似度更加注重两个向量在方向上的差异，而非距离或长度上。两个向量之间的余弦相似度表示为其中x,y表示两个向量，||x||，||y||表示两个向量的模。定义12：范数。是向量所有元素的平方和再开平方。对一个向量它的范数表示为其中ai表示向量a中的元素。范数的作用是改善过拟合。过拟合是：模型训练时候的误差很小，但是测试误差很大，也就是说模型复杂到可以拟合到所有训练数据，但在预测新的数据的时候，结果很差。通过对网络权重施加范数约束，可以使得权重的每个元素都很小，都接近于0。而越小的参数说明模型越简单，越简单的模型则越不容易产生过拟合现象。按照本专利技术的一种基于统一式生成模型的跨衰老人脸识别方法，它包含以下步骤：步骤1：获取人脸数据库；将获得人脸数据库分为3部分，分别为A部分，B部分，C部分；步骤2：对下载的图片进行人脸对齐处理；进一步的，所述步骤2处理之后的大小为128×128像素的图片；对齐时首先检测出人脸上的5个特征点：左眼、右眼、鼻尖、左嘴角、右嘴角，然后根据两眼之间的距离和角度旋转图片并分割，使得人面部处于图片中心位置。步骤3：利用步骤2处理后的A部分数据库图片训练一个人脸识别网络，该网络结构采用Iception-ResnetV1(如图3)，训练的损失函数采用SoftmaxLoss，CenterLoss以及网络参数权重范数的组合，总的损失函数用符号表示，其中表示第i个特征是d维的，属于第yi类；是最后全连接层的权重矩阵的第j列，是权重项；m表示样本个数，n表示样本类别数；表示第i个特征是d维的，属于第yi类；表示第yi类的类中心；m表示样本个数；W表示网络所有权重的集合，两本文档来自技高网...

【技术保护点】
1.一种基于统一式生成模型的跨衰老人脸识别方法，它包含以下步骤：步骤1：获取人脸数据库；将获得人脸数据库分为3部分，分别为A部分，B部分，C部分；步骤2：对下载的图片进行人脸对齐处理；步骤3：利用步骤2处理后的A部分数据库图片训练一个人脸识别网络，该网络结构采用Iception‑Resnet V1，训练的损失函数采用Softmax Loss，Center Loss以及网络参数权重

【技术特征摘要】
1.一种基于统一式生成模型的跨衰老人脸识别方法，它包含以下步骤：步骤1：获取人脸数据库；将获得人脸数据库分为3部分，分别为A部分，B部分，C部分；步骤2：对下载的图片进行人脸对齐处理；步骤3：利用步骤2处理后的A部分数据库图片训练一个人脸识别网络，该网络结构采用Iception-ResnetV1，训练的损失函数采用SoftmaxLoss，CenterLoss以及网络参数权重范数的组合，总的损失函数用符号表示，其中表示第i个特征是d维的，属于第yi类；是最后全连接层的权重矩阵的第j列，是权重项；m表示样本个数，n表示样本类别数；表示第i个特征是d维的，属于第yi类；表示第yi类的类中心；m表示样本个数；W表示网络所有权重的集合，两个超参数λc和λw用于调节CenterLoss和权重范数在总的损失函数中的比重；步骤4：利用步骤2处理后的B部分数据库图片训练一个年龄图片生成网络，该网络采用UnifiedGAN的网络结构；训练时损失函数分为两部分；其中生成器的损失函数用来表示，其中β是超参数，调节损失权重；公式中的第一项是传统条件生成对抗网络的生成器损失函数，z表示输入的随机噪声信号，服从pz(z)分布，这里取-1到1之间的均匀分布；l表示年龄标签，pdata(l)是年龄分布；G(z，l)表示生成器根据输入的随机信号和年龄标签生成的年龄图片，Da(G(z，l)，l)则表示判别器D对生成图片的判别结果，是判断是否为真实图片的概率值，该值为1表示判断为真实图片；公式中的第二项表示原图和生成图之间的差别，是两张图片像素级别的比较；其中I表示输入原图即真实图片，Dz(I，l)表示原图通过判别器后提取出的特征，G(Da(I，l)，l)表示根据原图特征和年龄信息重构出的生成图；判别器的损失函数用来表示，其中γ是超参数，调节损失权重；公式中的第一项是传统条件生成对抗网络的判别器损失函数，符号表示与前述一致；公式中第二项表示原图和生成图的隐特征之间的差别，是隐特征向量的比较；其中符号表示与前述一致；步骤5：利用步骤4中训练好的生成网络，将步骤2处理后的C部分数据库图片生成不同年龄段的新图片，每张原图分别生成10个年龄段的图片，以编号0，1，2，3，4，5，6，7，8，9代表年龄段0-5岁，6-10岁，11-20岁，21-30岁，31-40岁，41-50岁，51-60岁，61-70岁，71岁及以上；所有原图和生成图组成一个新的集合；步骤6：利用步骤3中训练好的人脸识别网络，提取出步骤5新的集合中所有图片的特征，第i个人的第j张图片生成的第k个年龄段的图片提取出的特征用符号来表示；步骤7：测试；测试方法如下：取步骤6中每人一张原图的特征作为测试集，采用如下两种方法的中的任意一种构建其余原图与其生成图的特征共同构造特征字典库：方法(1)将同一个人同一年龄段的所有生成图特征作平均化处理，融合为一个特征，这样每一个人最终均...

【专利技术属性】
技术研发人员：陈家祥，柏邱建，潘力立，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51