CN111881722B - 一种跨年龄人脸识别方法、***、装置及存储介质 - Google Patents

一种跨年龄人脸识别方法、***、装置及存储介质 Download PDF

Info

Publication number
CN111881722B
CN111881722B CN202010521560.7A CN202010521560A CN111881722B CN 111881722 B CN111881722 B CN 111881722B CN 202010521560 A CN202010521560 A CN 202010521560A CN 111881722 B CN111881722 B CN 111881722B
Authority
CN
China
Prior art keywords
age
training
loss function
network
face recognition
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
CN202010521560.7A
Other languages
English (en)
Other versions
CN111881722A (zh
Inventor
陈竹
罗卫
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 Xindun Microelectronics Technology Co ltd
Original Assignee
Guangdong Xindun Microelectronics 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 Guangdong Xindun Microelectronics Technology Co ltd filed Critical Guangdong Xindun Microelectronics Technology Co ltd
Priority to CN202010521560.7A priority Critical patent/CN111881722B/zh
Publication of CN111881722A publication Critical patent/CN111881722A/zh
Application granted granted Critical
Publication of CN111881722B publication Critical patent/CN111881722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种跨年龄人脸识别模型、方法、***、装置及存储介质，其中方法包括以下步骤：获取人脸图像对；将所述人脸图像对输入至跨年龄人脸识别模型进行比对后，输出比对结果；其中，所述跨年龄人脸识别模型包括年龄判别网络，所述年龄判别网络包括年龄判别模块和特征生成器，所述跨年龄人脸识别模型由年龄判别模块和特征生成器根据相关损失函数进行交替更新后获得。本发明不仅提高年龄判别模块对年龄的判别能力，而且提高特征生成器获取令年龄判别模块无法进行年龄判别的人脸特征的能力，从而提高特征生成器对身份特征的提取能力，进而降低年龄信息对身份特征的影响，提高跨年龄人脸识别的准确率。本发明可广泛应用于深度学习技术领域内。

Description

一种跨年龄人脸识别方法、***、装置及存储介质
技术领域
本发明涉及深度学习技术领域，尤其是一种跨年龄人脸识别方法、***、装置及存储介质。
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，如果能够应对人脸随着年龄的增长而产生的变化，那么跨年龄的人脸识别技术将会在档案管理***、安全验证***、公安***的罪犯身份识别、银行和海关的监控等领域作出巨大贡献。
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。例如，Li等人提出了隐因子分析模型(HiddenFactor Analysis，HFA)来分离人脸信息中的年龄相关信息和身份相关信息。与深度学习结合，Wen等人拓展了HFA到卷积神经网络(Convolutional Neural Network，CNN)中，称为隐因子引导的卷积神经网络模型(Latent Factor Guided Convolutional Neural Network，LF-CNN)。在人脸识别模型中加入年龄估计网络，Zheng等人提出的年龄估计卷积神经网络(Age Estimation Guided Convolutional Neural Network，AE-CNN)可以从面部特征中减去年龄相关因子。根据这些判别模型，特征分解对于不变的面部特征学习是至关重要的。然而，年龄相关组件和身份相关组件具有潜在的关系，使得与年龄相关的信息在某些特征层可能不会被完全删除。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于：提供一种跨年龄人脸识别方法、***、装置及存储介质。
本发明一方面所采取的技术方案是：
一种跨年龄人脸识别方法，包括以下步骤：
获取人脸图像对；
将所述人脸图像对输入至跨年龄人脸识别模型进行比对后，输出比对结果；
其中，所述跨年龄人脸识别模型包括年龄判别网络，所述年龄判别网络包括年龄判别模块和特征生成器，所述跨年龄人脸识别模型由年龄判别模块和特征生成器根据相关损失函数进行交替更新后获得。
进一步，所述跨年龄人脸识别方法还包括建立所述跨年龄人脸识别模型的训练步骤，所述跨年龄人脸识别模型的训练步骤包括对所述年龄判别网络进行训练的步骤，所述对所述年龄判别网络进行训练这一步骤，包括以下步骤：
将带有年龄标签的数据集输入至所述年龄判别网络后，获得身份特征向量、年龄特征向量和年龄预测特征向量；
根据所述身份特征向量、所述年龄相关特征向量和所述年龄预测特征向量计算相关损失函数；
采用所述相关损失函数对所述年龄判别网络进行训练。
进一步，所述相关损失函数包括特征相关性损失函数和年龄对抗损失函数，所述采用相关损失函数对所述年龄判别网络进行训练这一步骤，包括以下步骤：
采用所述特征相关损失函数和所述年龄对抗损失函数对特征生成器进行训练；
采用所述年龄对抗损失函数对所述年龄判别模块进行训练。
进一步，所述跨年龄人脸识别模型还包括参考网络，所述跨年龄人脸识别模型的训练步骤还包括对所述参考网络进行训练的步骤，所述对所述参考网络进行训练这一步骤，包括以下步骤：
将带有身份标签的数据集输入至所述参考网络后，获取输出特征量；
根据所述输出特征量和真实身份类别计算参考损失函数；
利用所述参考损失函数对所述参考网络进行训练。
进一步，所述跨年龄人脸识别模型包括身份识别网络，所述跨年龄人脸识别模型的训练步骤还包括对所述身份识别网络进行训练的步骤，所述对所述身份识别网络进行训练这一步骤，包括以下步骤：
将带有年龄标签的数据集输入至所述参考网络和所述身份识别网络，并根据所述参考网络和所述身份识别网络的输出计算特征迁移损失；
利用所述迁移损失对所述身份识别网络进行训练。
本发明另一方面所采取的技术方案是：
一种跨年龄人脸识别***，包括：
图像对获取模块，用于获取人脸图像对；
识别模块，用于将所述人脸图像对输入至跨年龄人脸识别模型进行比对后，输出比对结果；
其中，所述跨年龄人脸识别模型包括年龄判别网络，所述年龄判别网络包括年龄判别模块和特征生成器，所述跨年龄人脸识别模型由年龄判别模块和特征生成器根据相关损失函数进行交替更新后获得。
进一步，所所述跨年龄的人脸识别***还包括模型训练模块，所述模型训练模块包括年龄判别网络训练模块，所述年龄判别网络模块包括：
获取单元，用于将带有年龄标签的数据集输入至所述年龄判别网络后，获得身份特征向量、年龄特征向量和年龄预测特征向量；
计算单元，用于根据所述身份特征向量、所述年龄相关特征向量和所述年龄预测特征向量计算相关损失函数；
训练单元，用于采用所述相关损失函数对所述年龄判别网络进行训练。
本发明一方面所采取的技术方案是：
一种跨年龄人脸识别装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的一种跨年龄人脸识别方法。
本发明一方面所采取的技术方案是：
一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现所述的一种跨年龄人脸识别方法。
本发明的有益效果是：本发明通过相关损失函数对年龄判别模块和特征生成器进行交替优化更新，不仅提高年龄判别模块对年龄的判别能力，而且提高特征生成器获取令年龄判别模块无法进行年龄判别的人脸特征的能力，从而提高了特征生成器对身份特征的提取能力，进而降低了年龄信息对身份特征的影响，提高跨年龄人脸识别的准确率。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1为本发明的一种跨年龄人脸识别方法的步骤流程图；
图2为本发明的一种跨年龄人脸识别模型框架图；
图3为本发明的一种跨年龄人脸识别***结构框图；
图4为本发明的一种跨年龄人脸识别装置结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
下面参照附图详细描述根据本发明实施例提出的一种跨年龄人脸识别模型、方法、***、装置及存储介质，首先将参照附图描述根据本发明实施例提出的一种跨年龄人脸识别模型。
参照图1，本发明实施例中的一种跨年龄人脸识别方法，包括以下步骤：
S1、训练跨年龄人脸识别模型。该跨年龄人脸识别模型包括年龄判别网络，年龄判别网络包括年龄判别模块和特征生成器，在训练过程中，该跨年龄人脸识别模型由年龄判别模块和特征生成器根据相关损失进行交替更新后获得。
S2、获取人脸图像对；
S3、将人脸图像对输入跨年龄人脸识别模型进行比对后，输出比对结果。
具体地，特征生成器用于提取输入至跨年龄人脸识别模型的人脸图像的人脸特征，该人脸特征包括年龄信息和身份信息等，年龄判别模块用于判定特征生成器输出的特征信息对应的年龄。本发明通过相关损失函数对年龄判别模块和特征生成器进行交替优化更新，不仅提高年龄判别模块对年龄的判别能力，而且提高特征生成器获取令年龄判别模块无法进行年龄判别的人脸特征的能力，从而提高了特征生成器对身份特征的提取能力，进而降低了年龄信息对身份特征的影响，提高跨年龄人脸识别的准确率。
进一步作为可选的实施方式，步骤S1包括以下步骤S11-S13：
S11、对参考网络进行训练；
S12、对身份识别网络进行训练；
S13、对年龄判别网络进行训练。
具体地，参照图2，本实施例提供了一种可能的跨年龄人脸识别模型，本发明通过预先训练好的参考网络，并利用迁移学习的方式，使得身份识别网络学习参考网络的对人脸特征的识别能力，采用迁移学习的方式，能够减少训练模型的工作量。本发明的身份识别网络和年龄判别网络共用一个特征生成器，因此，身份识别网络包括特征生成器和身份保持模块，年龄判别网络包括特征生成器和年龄判别模块。
本发明对跨年龄人脸识别模型的训练，主要包括采用迁移学习的方式训练身份识别网络以及基于对抗学习的思想训练年龄判别网络。
进一步作为可选的实施方式，步骤S11包括以下步骤S111-S113：
S111、将带有身份标签的数据集输入至参考网络后，获取输出特征量；
S112、根据输出特征量和真实身份类别计算参考损失函数；
S113、利用参考损失函数对参考网络进行训练。
具体地，构建参考网络，是为了通过迁移学习的方式，更快捷、高效地建立身份识别网络。因为通常这些预先训练的模型在开发神经网络的时候已经消耗了巨大的时间资源和计算资源，迁移学习可以将已习得的强大技能迁移到相关的问题上。通过迁移学习的方式对身份识别网络进行训练，能够减少模型训练的时间和训练难度，而且减少了对训练数据的要求。
如图2所示，本发明的参考网络的网络结构采用多个卷积核为3×3的卷积层搭建而成，目的是增加参考网络的非线性表达能力，使得输入的人脸图像更具有可分性，同时减少网络卷积层参数的个数。
每个卷积层后面增加有BN(Batch Normalization)操作、ReLU线性激活函数和最大池化层，该最大池化层使得图像的深度特征维数变为原来的二分之一。
多个卷积层的最后还连接有两个全连接层，对这两个全连接层的参数进行调整，分别将第一全连接层FC1、第二全连接层FC2的卷积核调整为4096、512，并将第二全连接层FC2的输出端连接至Softmax层，通过Softmax层将第二全连接层FC2输出的人脸特征分为10575类。
用于训练参考网络的人脸图像可来自于自公共人脸数据库，该公共人脸数据库主要包括CASIA-WebFace，MS-Celeb-1M等。对带有身份标签的人脸图像进行预处理，预处理包括人脸检测、人脸裁剪和人脸对齐、图像增强等，最终得到规格为112×112的标准人脸图像，该标准人脸图像构成带身份标签的数据集。
将带有身份标签的数据集输入到参考网络，设定初始的学习率为0.1，每个输入块(Batch)的人脸图像数量为64，预计最大训练的迭代次数为300万次。
通过计算标准人脸图像所带的身份标签与参考网络的输出特征量之间的交叉熵损失函数作为参考网络的参考损失函数，该交叉熵损失函数的公式如下：
Figure BDA0002532280980000051
其中，N表示每个输入块(Batch)的人脸图像数目，即64。yi表示人脸图像对应的真实身份类别，m是指决策边界，Wj表示的是第二全连接层FC2层第j个卷积核的权重，fi表示的是第二全连接层FC2层第i个卷积核的输出特征量。损失函数L的目的是使得真实身份类别yi在所有类别中的概率最大。
根据损失函数的值，利用随机梯度下降的方法对参考网络进行训练，对参考网络中所有层的参数进行调整，得到最佳的人脸识别模型，即参考网络。
进一步作为可选的实施方式，步骤S12包括以下步骤S121-S122：
S121、将带有年龄标签的数据集输入至参考网络和身份识别网络，得到参考特征向量和身份特征向量；
S122、利用参考特征向量和身份特征向量计算特征迁移损失并利用特征迁移损失对身份识别网络进行训练。
具体地，身份识别网络包括身份保持模块和特征生成器，身份识别网络和年龄判别网络共用特征生成器。
特征生成器是由若干个卷积核为3×3的卷积层构成，每个卷积层后面增加有BN(BatchNormalization)操作、ReLU线性激活函数和最大池化层。
身份保持模块是由两个全连接层组成，分别为卷积核数目为4096的第三全连接层FC3和卷积核数目为512的第四全连接层FC4。身份保持模块的目的是将特征生成器输出的特征转换到参考网络输出特征的特征空间，便于计算特征迁移损失，进而保留特征中的身份信息。
在对身份识别网络进行训练时，需要将仅含有年龄标签的人脸图像输入到参考网络和身份识别网络中，当然，该含有年龄标签的人脸图像同样经过预处理，预处理包括人脸检测、人脸裁剪和人脸对齐、图像增强等，最终得到规格为112×112的标准人脸图像，该带有年龄标签的标准人脸图像形成带年龄标签的数据集。
参考网络对输入的标准人脸图像进行处理，最终输出一个512维的参考特征向量yRF，身份识别网络对输入的标准人脸图像进行处理，也会输出一个512维的身份特征向量yid，计算参考特征向量yRF和身份特征向量yid之间的欧式距离和余弦相似度，将欧式距离和余弦相似度作为参考特征向量yRF和身份特征向量yid的特征迁移损失函数，因此，该特征迁移损失函数的公式如下：
Figure BDA0002532280980000061
其中，λ1和λ2是两个损失项对应的权重，L表示每个输入块(Batch)的人脸图像数目，第一个损失项用于计算参考特征向量yRF和身份特征向量yid之间的欧式距离，第二个损失项用于计算参考特征向量和身份特征向量之间的余弦相似度。欧式距离可以衡量两个特征向量之间的差异，欧式距离越小表示两个特征向量之间的差异越小。余弦相似度可以用来衡量两个特征向量之间的相似度，当余弦相似度的数值越接近1，表示两个特征向量之间越相似。
通过随机梯度下降的方式不断地优化身份识别网络，使得身份识别网络输出的身份特征向量yid尽量地接近参考网络输出的参考特征向量yRF，参考网络具有人脸识别能力，通过迁移学习的方式，训练身份识别网络学习参考网络关于对于身份变量的判别能力。
进一步作为可选的实施方式，步骤S13包括以下步骤S131-S133：
S131、将带年龄标签的数据集输入至年龄判别网络后，获得身份特征向量yid、年龄相关特征向量yage和年龄预测特征向量ya；
S132、根据身份特征向量yid、年龄相关特征向量yage和年龄预测特征向量ya计算相关损失函数；
S133、采用相关损失函数对年龄判别网络进行训练。
具体地，本发明的年龄判别网络与身份识别网络共用一个特征生成器，该特征生成器在身份识别网络的训练过程中，已经具有了对人脸图像的识别能力，但是识别到的人脸特征中既包含身份特征又包含年龄特征，而年龄特征对于身份的判定会造成比较大的干扰，因此，通过对年龄判别网络的训练，再次训练特征生成器提取特征时的选择能力，即本发明希望特征生成器尽可能多地从输入的人脸图像中提取身份特征，尽可能少地提取年龄特征。
本发明的年龄判别网络还包括年龄判别模块，该年龄判别模块包括卷积核为2048的第五全连接层FC5、卷积核为512的第六全连接层FC6，特征生成器输出的特征向量包含身份信息和年龄信息，因此，采用年龄判别模块来判断特征生成器输出的特征向量中的年龄相关特征向量yage。
年龄判别模块还包括卷积核为99的第七全连接层FC7，该第七全连接层FC7连接至第六连接层的输出端，第七全连接层FC7用于根据年龄相关特征yage预测输入的人脸图像所对应的年龄。
输入带有年龄标签的数据集对年龄判别网络进行训练，该带有年龄标签的数据集，与训练身份识别网络所使用到的带有年龄标签的数据集是一样的。年龄判别网络的训练中，特征生成器提取输入的人脸图像的特征向量，该特征向量经过身份保持模块处理后，输出身份特征向量yid；该特征向量输入至年龄判别模块处理后，得到年龄相关特征yage和年龄预测特征向量ya计算相关损失函数，相关损失函数即是根据身份特征向量yid、年龄相关特征yage和年龄预测特征向量ya计算得到的。通过相关损失函数，不断地训练特征识别网络中的年龄判别模块准确判断年龄的能力，以及训练特征生成器提取非年龄信息的能力。
本发明的相关损失函数包括特征相关性损失函数和年龄对抗损失函数，该特征相关性损失函数用于衡量身份特征向量yid和年龄相关特征向量yage之间的线性关联程度，特征相关性损失函数的计算公式如下：
Figure BDA0002532280980000081
其中，Yid和Yage分别表示一个输入块(batch)输入的人脸图像对应的身份相关特征矩阵和年龄相关特征矩阵，λ3和λ4分别表示特征相关性损失函数中的两个分量的权重，C(Yid,Yage)是相关性分析的映射函数，具体表达式如下：
Figure BDA0002532280980000082
其中，Cor(Yid,Yage)表示两个特征矩阵的协方差，Var(Yid)表示特征矩阵的方差。
年龄对抗损失函数用于衡量预测年龄与真实年龄的差距，年龄对抗损失函数的公式如下：
Figure BDA0002532280980000083
其中，zk表示输入图像
Figure BDA0002532280980000084
的真实年龄，年龄预测特征向量ya是第七全连接层FC7的输出，而
Figure BDA0002532280980000085
是将年龄预测特征向量ya映射为对应的预测年龄，对应的R(·)可以表示为：
Figure BDA0002532280980000086
其中，yi表示特征向量y的第i维的数值，特征维度d的数值被设置为99，这个与年龄数据集中的最大年龄相对应。
进一步作为可选的实施方式，步骤S13包括以下步骤S1341-S1342：
S1341、采用特征相关损失函数和年龄对抗损失函数对特征生成器进行训练；
S1342、采用年龄对抗损失函数对身份判别模块进行训练。
具体地，当计算出相关损失函数后，根据生成对抗网络的思想，通过最大化相关损失函数来优化特征生成器，通过最小化特征损失函数来优化年龄判别模块。考虑到年龄判别模块具有两个输出端，一个输出端输出年龄相关特征向量yage，另一个输出端输出年龄预测特征向量ya，因此，在对年龄判别网络进行训练时，仅使用最小化年龄损失函数来训练年龄判别网络中的年龄判别模块，最小化后的年龄损失函数的表达式如下：
Figure BDA0002532280980000091
年龄判别模块可以根据特征生成器输入至年龄判别模块的特征向量进行年龄的预测，因此，通过最小年龄损失函数，利用随机梯度下降的方法来更新年龄判别模块的网络参数，使得年龄判别模块预测的年龄与真实年龄之间的差异最小化，提高年龄判别模块对年龄的识别和判定能力。
通过最大化相关损失函数来优化特征生成器，最大化后的相关损失函数的表达式如下：
Figure BDA0002532280980000092
最大化年龄损失函数的目的是为了使特征生成器尽可能少地提取输入的人脸图像中的年龄特征，因为特征生成器提取的特征信息将会输入至年龄判别模块，年龄判别模块根据特征信息中包含的年龄信息，判定该特征信息对应的人脸图像的年龄，如果年龄判别模块能够根据特征信息准确判定出对应人脸图像的年龄，则表明特征生成器提取的特征信息包含大量的年龄，该年龄信息必然会对身份识别造成影响，相反地，如果人脸判别模块无法根据特征生成器输出的特征信息判定该特征信息对应的人脸图像的年龄，则表明特征生成器输出的特征信息包含很少或者不包含年龄信息，从而降低了年龄信息对身份识别的干扰，提高了身份识别的准确率。
模型训练完毕，将人脸图像对输入至该跨年龄人脸识别模型中即可进行人脸图像对的身份识别。
综上所述，本发明至少具有以下有益效果：
(1)、相较于直接从特征信息中剥离年龄信息达到保留身份信息的目的，本发明通过相关损失函数交替地训练年龄判别网络中的年龄判别模块和特征生成器，降低了年龄因素对身份识别的干扰，从而提高了身份识别的准确率。
(2)、本发明通过迁移学习的方式，使得身份识别网络学习参考网络关于身份特征提取的能力，能够有效降低训练成本。
(3)、本发明的跨年龄人脸识别模型通过身份识别网络和年龄判别网络共用特征生成器，在实现模型功能的前提下，能够有效精简模型的结构，具有节约框架资源的特点。
其次，参照附图描述根据本发明实施例提出的一种跨年龄人脸识别***。
图3是本发明一个实施例的一种跨年龄人脸识别***结构示意图。
该***具体包括：
图像对获取模块201，用于获取人脸图像对；
识别模块202，用于将人脸图像对输入至跨年龄人脸识别模型进行比对后，输出比对结果；
其中，跨年龄人脸识别模型用于提取人脸图像对的年龄相关特征，并采用年龄相关特征对人脸图像对的人脸特征对进行年龄抑制。
进一步作为可选的实施方式，所述跨年龄的人脸识别***还包括模型训练模块200，所述模型训练模块200包括年龄判别网络训练模块2001，所述年龄判别网络模块2001包括：
获取单元20011，用于获取训练集图像并提取训练集图像的人脸特征对；
抑制单元20012，用于根据人脸特征对得到年龄相关特征，并采用年龄相关特征对人脸特征对进行年龄抑制，获得身份特征对；
训练单元20013，用于根据身份特征对计算得到欧氏距离和损失函数，并根据欧氏距离和损失函数对跨年龄人脸识别模型进行训练。
可见，上述方法实施例中的内容均适用于本***实施例中，本***实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图4，本发明实施例提供了一种跨年龄人脸识别装置，包括：
至少一个处理器301；
至少一个存储器302，用于存储至少一个程序；
当至少一个程序被至少一个处理器301执行时，使得至少一个处理器301实现的一种跨年龄人脸识别方法。
同理，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
此外，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，处理器可执行的指令在由处理器执行时用于执行上述的一种跨年龄人脸识别方法。
本实施例的一种存储介质，可执行本发明方法实施例所提供的一种跨年龄人脸识别方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (6)

1.一种跨年龄人脸识别方法，其特征在于，包括以下步骤：
获取人脸图像对；
将所述人脸图像对输入至跨年龄人脸识别模型进行比对后，输出比对结果；
其中，所述跨年龄人脸识别模型包括年龄判别网络，所述年龄判别网络包括年龄判别模块和特征生成器，所述跨年龄人脸识别模型由年龄判别模块和特征生成器根据相关损失函数进行交替更新后获得；
建立所述跨年龄人脸识别模型的训练步骤，所述跨年龄人脸识别模型的训练步骤包括对所述年龄判别网络进行训练的步骤，所述对所述年龄判别网络进行训练这一步骤，包括以下步骤：
将带有年龄标签的数据集输入至所述年龄判别网络后，获得身份特征向量、年龄相关特征向量和年龄预测特征向量；
根据所述身份特征向量、所述年龄相关特征向量和所述年龄预测特征向量计算相关损失函数，所述相关损失函数包括特征相关性损失函数和年龄对抗损失函数；所述根据所述身份特征向量、所述年龄相关特征向量和所述年龄预测特征向量计算相关损失函数这一步骤，包括以下步骤：
根据所述身份特征向量和所述年龄相关特征向量计算所述特征相关性损失函数，所述特征相关性损失函数用于衡量所述身份特征向量和所述年龄相关特征向量之间的线性程度；
根据所述年龄预测特征向量计算所述年龄对抗损失函数，所述年龄对抗损失函数用于衡量预测年龄与真实年龄的差距；
采用所述相关损失函数对所述年龄判别网络进行训练，所述采用所述相关损失函数对所述年龄判别网络进行训练这一步骤，包括以下步骤：
采用最大化所述特征相关性损失函数和所述年龄对抗损失函数对特征生成器进行训练；采用最小化所述年龄对抗损失函数对所述年龄判别模块进行训练。
2.根据权利要求1所述的一种跨年龄人脸识别方法，其特征在于，所述跨年龄人脸识别模型还包括参考网络，所述跨年龄人脸识别模型的训练步骤还包括对所述参考网络进行训练的步骤，所述对所述参考网络进行训练这一步骤，包括以下步骤：
将带有身份标签的数据集输入至所述参考网络后，获取输出特征量；
根据所述输出特征量和真实身份类别计算参考损失函数；
利用所述参考损失函数对所述参考网络进行训练。
3.根据权利要求2所述的一种跨年龄人脸识别方法，其特征在于，所述跨年龄人脸识别模型包括身份识别网络，所述跨年龄人脸识别模型的训练步骤还包括对所述身份识别网络进行训练的步骤，所述对所述身份识别网络进行训练这一步骤，包括以下步骤：
将带有年龄标签的数据集输入至所述参考网络和所述身份识别网络，并根据所述参考网络和所述身份识别网络的输出计算特征迁移损失；
利用所述特征迁移损失对所述身份识别网络进行训练。
4.一种跨年龄人脸识别***，其特征在于，包括：
图像对获取模块，用于获取人脸图像对；
识别模块，用于将所述人脸图像对输入至跨年龄人脸识别模型进行比对后，输出比对结果；
其中，所述跨年龄人脸识别模型包括年龄判别网络，所述年龄判别网络包括年龄判别模块和特征生成器，所述跨年龄人脸识别模型由年龄判别模块和特征生成器根据相关损失函数进行交替更新后获得；
模型训练模块，所述模型训练模块包括年龄判别网络训练模块，所述年龄判别网络训练模块包括：
获取单元，用于将带有年龄标签的数据集输入至所述年龄判别网络后，获得身份特征向量、年龄相关特征向量和年龄预测特征向量；
计算单元，用于根据所述身份特征向量、所述年龄相关特征向量和所述年龄预测特征向量计算相关损失函数，所述相关损失函数包括特征相关性损失函数和年龄对抗损失函数；所述计算单元包括：
第一计算子单元，用于根据所述身份特征向量和所述年龄相关特征向量计算所述特征相关性损失函数，所述特征相关性损失函数用于衡量所述身份特征向量和所述年龄相关特征向量之间的线性程度；
第二计算子单元，用于根据所述年龄预测特征向量计算所述年龄对抗损失函数，所述年龄对抗损失函数用于衡量预测年龄与真实年龄的差距；
训练单元，用于采用所述相关损失函数对所述年龄判别网络进行训练，所述训练单元包括：
第一训练子单元，用于采用最大化所述特征相关性损失函数和所述年龄对抗损失函数对特征生成器进行训练；
第二训练子单元，用于采用最小化所述年龄对抗损失函数对所述年龄判别模块进行训练。
5.一种跨年龄人脸识别装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-3任一项所述的一种跨年龄人脸识别方法。
6.一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如权利要求1-3任一项所述的一种跨年龄人脸识别方法。
CN202010521560.7A 2020-06-10 2020-06-10 一种跨年龄人脸识别方法、***、装置及存储介质 Active CN111881722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010521560.7A CN111881722B (zh) 2020-06-10 2020-06-10 一种跨年龄人脸识别方法、***、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010521560.7A CN111881722B (zh) 2020-06-10 2020-06-10 一种跨年龄人脸识别方法、***、装置及存储介质

Publications (2)

Publication Number Publication Date
CN111881722A CN111881722A (zh) 2020-11-03
CN111881722B true CN111881722B (zh) 2021-08-24

Family

ID=73156832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010521560.7A Active CN111881722B (zh) 2020-06-10 2020-06-10 一种跨年龄人脸识别方法、***、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111881722B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766169A (zh) * 2021-01-21 2021-05-07 中信银行股份有限公司 开户身份认证方法、装置、设备及存储介质
CN112560823B (zh) * 2021-02-23 2021-06-08 中国科学院自动化研究所 基于分布学习的自适应方差和权重的人脸年龄估计方法
CN113505698A (zh) * 2021-07-09 2021-10-15 平安信托有限责任公司 基于对抗学习的人脸识别方法、装置、设备及介质
CN113723386A (zh) * 2021-11-04 2021-11-30 杭州魔点科技有限公司 跨年龄的人脸识别方法、***、电子装置和存储介质
CN113920573B (zh) * 2021-11-22 2022-05-13 河海大学 基于对抗学习的人脸变化解耦的亲属关系验证方法
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650573A (zh) * 2016-09-13 2017-05-10 华南理工大学 一种跨年龄的人脸验证方法及***
CN107977647A (zh) * 2017-12-20 2018-05-01 上海依图网络科技有限公司 一种适合公安实战的人脸识别算法评测方法
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
CN109948561A (zh) * 2019-03-25 2019-06-28 广东石油化工学院 基于迁移网络的无监督图像视频行人重识别的方法及***
CN109993125A (zh) * 2019-04-03 2019-07-09 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
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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10579860B2 (en) * 2016-06-06 2020-03-03 Samsung Electronics Co., Ltd. Learning model for salient facial region detection
CN107679451A (zh) * 2017-08-25 2018-02-09 百度在线网络技术（北京）有限公司 建立人脸识别模型的方法、装置、设备和计算机存储介质
US10885383B2 (en) * 2018-05-16 2021-01-05 Nec Corporation Unsupervised cross-domain distance metric adaptation with feature transfer network
CN110084216B (zh) * 2019-05-06 2021-11-09 苏州科达科技股份有限公司 人脸识别模型训练和人脸识别方法、***、设备及介质
CN110348352B (zh) * 2019-07-01 2022-04-29 达闼机器人有限公司 一种人脸图像年龄迁移网络的训练方法、终端和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650573A (zh) * 2016-09-13 2017-05-10 华南理工大学 一种跨年龄的人脸验证方法及***
CN107977647A (zh) * 2017-12-20 2018-05-01 上海依图网络科技有限公司 一种适合公安实战的人脸识别算法评测方法
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
CN109948561A (zh) * 2019-03-25 2019-06-28 广东石油化工学院 基于迁移网络的无监督图像视频行人重识别的方法及***
CN109993125A (zh) * 2019-04-03 2019-07-09 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
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Deep Feature Identity-Preserved Method for Cross-Age Face Verification;Qiyue Guo等;《2019 International Conference on Algorithms, Computing and Artificial Intelligence》;20191231;第1-7页 *
Age Factor Removal Network Based on Transfer Learning and Adversarial Learning for Cross-Age Face Recognition;Lingshuang Du等;《IEEE Transactions on Circuits and Systems for Video Technology》;20190617;第2830-2842页 *
Cycle Age-Adversarial Model Based on Identity Preserving Network and Transfer Learning for Cross-Age Face Recognition;Lingshuang Du等;《IEEE Transactions on Information Forensics and Security》;20191218;第2241-2252页 *
基于深度学习的跨年龄人脸识别问题;郑天悦;《中国优秀硕士学位论文全文数据库信息科技辑》;20190915(第9期);第I138-1159页 *

Also Published As

Publication number Publication date
CN111881722A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN111881722B (zh) 一种跨年龄人脸识别方法、***、装置及存储介质
CN112100387B (zh) 用于文本分类的神经网络***的训练方法及装置
CN113076994B (zh) 一种开集域自适应图像分类方法及***
JP2022141931A (ja) 生体検出モデルのトレーニング方法及び装置、生体検出の方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム
CN113269647B (zh) 基于图的交易异常关联用户检测方法
CN113742733B (zh) 阅读理解漏洞事件触发词抽取和漏洞类型识别方法及装置
CN111597340A (zh) 一种文本分类方法及装置、可读存储介质
CN112085281B (zh) 检测业务预测模型安全性的方法及装置
CN113240506A (zh) 一种基于无监督领域自适应的金融风控冷启动建模方法
CN114861875A (zh) 基于自监督学习和自知识蒸馏的物联网入侵检测方法
CN115017513A (zh) 一种基于人工智能的智能合约漏洞检测方法
CN114881173A (zh) 基于自注意力机制的简历分类方法和装置
CN114579640A (zh) 一种基于生成式对抗网络的金融时间序列预测***和方法
CN114266252A (zh) 命名实体识别方法、装置、设备及存储介质
CN114328942A (zh) 关系抽取方法、装置、设备、存储介质和计算机程序产品
Ma et al. Rethinking safe semi-supervised learning: Transferring the open-set problem to a close-set one
CN114386436B (zh) 文本数据的分析方法、模型训练方法、装置及计算机设备
CN116502705A (zh) 兼用域内外数据集的知识蒸馏方法和计算机设备
CN116108363A (zh) 基于标签引导的不完备多视图多标签分类方法和***
CN111582404B (zh) 内容分类方法、装置及可读存储介质
CN114529191A (zh) 用于风险识别的方法和装置
CN111401112A (zh) 人脸识别方法和装置
CN117009883B (zh) 对象分类模型构建方法、对象分类方法、装置和设备
CN115831339B (zh) 基于深度学习的医疗***风险管控事前预测方法、***
CN114626520B (zh) 训练模型的方法、装置、设备以及存储介质

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
CB03 Change of inventor or designer information

Inventor after: Chen Zhu

Inventor after: Luo Wei

Inventor before: Hu Haifeng

Inventor before: Chen Dihu

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant