推荐星级：

抗年龄干扰的人脸识别

更新时间：2019-12-24 02:42:27 大小：1M 上传用户：守着阳光1985 查看TA发布的资源 标签：人脸识别 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

资料介绍

本文将人脸图像特征分解为身份特征部分和年龄干扰特征部分,并分别投影到两个独立的子空间.为了提高由字典张成的特征子空间的表征能力和区分能力,字典学习过程中同时引入了人脸图像的重构误差约束项和类别约束项.因此,任意的人脸特征都可以由学习到的身份字典和年龄字典投影到对应的身份子空间和年龄子空间,然后再基于身份子空间进行人脸识别,从而使年龄的干扰得到了有效的抑制.通过在MORPH和FGNET数据库上的实验,证实了基于年龄不变的身份特征子空间学习方法能提升人脸识别性能.

部分文件列表

文件名	大小
抗年龄干扰的人脸识别.pdf	1M

立即下载

【关注视频号领20积分】【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）

Vol． 46 No． 7

Jul． 2018

第

期

电

子

学

报

2018

ACTA ELECTRONICA SINICA

年

月

抗年龄干扰的人脸识别

，，

吴长虹苏剑波陈叶飞

(

，，

上海交通大学自动化系系统控制与信息处理教育部重点实验室上海

200240)

，．

本文将人脸图像特征分解为身份特征部分和年龄干扰特征部分并分别投影到两个独立的子空间为

摘

要

，

了提高由字典张成的特征子空间的表征能力和区分能力字典学习过程中同时引入了人脸图像的重构误差约束项和

．

，

类别约束项因此任意的人脸特征都可以由学习到的身份字典和年龄字典投影到对应的身份子空间和年龄子空间

MORPH FGNET

数据库上的

，

．

然后再基于身份子空间进行人脸识别从而使年龄的干扰得到了有效的抑制通过在

和

，

实验证实了基于年龄不变的身份特征子空间学习方法能提升人脸识别性能

．

;

关键词

中图分类号

URL: http: / /www． ejournal． org． cn

人脸识别年龄干扰字典分解子空间学习

TP391. 4

: 0372-2112 ( 2018) 07-1593-08

DOI: 10． 3969 /j． issn． 0372-2112． 2018． 07． 008

文献标识码

文章编号

电子学报

Age Invariant Face Recognition

WU Chang-hong，SU Jian-bo，CHEN Ye-fei

( Department of Automation，Shanghai Jiao Tong University，Ministry of Education Key Laboratory of System Control and

Information Processing，Shanghai 200240，China)

Abstract: In this paper，the face image is divided into two separated parts: aging effect feature part and identity relat-

ed feature part． The identity dictionary and the age dictionary are introduced to encode the two feature parts into two separa-

ted feature spaces． To make sure the learned dictionaries are discriminative for different classes，the reconstruction error and

label matrices constraints are added in the training． Face features can be encoded into identity and age space with the learned

identity and age dictionaries． The identity space can be used for further classification． Extensive experiments are conducted on

the MORPH and FGNET dataset，illustrating a great improvement over the state-of-the-arts．

Key words: face recognition; age invariance; dictionary decomposition; space learning

．

模型

引言

，，

近年来人脸识别技术已经取得了很大进展但对

( 、、、 )

于存在较大类内干扰如光照姿态表情年龄等的

．

情况人脸识别的效果依然不是很理想相比于对其他

［1 ～ 3］

，

干扰情况的研究

抗年龄干扰的人脸识别研究还相

，

对较少已有的关于年龄的研究主要集中在年龄估计

．，

和衰老过程模拟上然而在诸多应用场景中抗年龄干

，、

扰的人脸识别都有着广泛的需求如寻找失踪儿童辨

、．

别潜逃罪犯身份注册认证等考虑到随着年龄的增长

，

［4 ～6］

、 (

人脸的形状纹理等特征会随之发生较大的改变如图

，

充分利用年龄影响过程的渐进性构

生成模型

) ，

所示传统的直接提取人脸图像特征做分类的方法

．

建一个年龄影响下的人脸特征变化模型该模型能够利

．

并不能获得很好的效果现有的抗年龄干扰的人脸识

，

用已有年龄的人脸图像生成出其他年龄段的人脸图像

别模型主要集中在以下两个方向生成模型和判别

．［4，5］

并在此基础上进行人脸识别文献基于人脸形状和

: 2017-01-04;

: 2017-06-22; :

责任编辑孙瑶

收稿日期

修回日期

基金项目国家自然科学基金

( No． 61521063，No． 61533012)

1594

2018

年

电

子

学

报

［16］

PCA

纹理的

系数建立一个年龄变化模型来模拟年龄的

稀疏表示的核心思想是原始信号可以由一组过

，

影响在人脸识别之前将待测人脸图像转变到与待比对

．

完备的字典和稀疏系数进行表示对于存在较大干扰

［17］

，

的情况单一的字典学习方法并不能将干扰信息与

．

人脸图像相同年龄下的人脸生成模型构建的过程就是

．［18 ～ 20］

类别信息有效地区分开文献通过对字典的

，

一个模拟年龄变化对人脸特征影响的过程需要较为干

，

净的训练数据和准确的年龄估计做支撑且模型的生成

转化和约束使得学习到的字典能够将与类别相关的特

．［21］

征很好地区分出来文献将信号分解为与类别是

，

过程依赖大量的参数估计年龄影响的仿真结果容易失

［7，8］

，

否相关的部分和噪声部分从低秩矩阵分解的角度进

，

真计算的复杂度高

．

，

因此近年来关于抗年龄干扰的

．

行进一步求解但都忽略了对表示系数分类能力的约

，

人脸识别研究主要从判别模型的角度考虑的本文提出

．，［22］

束此外文献提出当单个类别样本数目不足或含

．

的模型也是属于判别模型的范畴

［7 ～ 14］

，

较大类内干扰的情况下样本并不能完全由字典中某

判别模型

充分利用人脸图像中与身份相关的

，

个特定类别的样本进行表示使用联合表示

( Collabora-

，

某些特征在年龄变化过程中的稳定性从提取年龄不

tion Representation) ( Sparse Representation)

比稀疏表示

．

变的特征的角度来克服年龄带来的干扰文献

［15］

使

．

更加合理

本文提出基于年龄不变的身份特征子空间学习

( Age Invariant Feature Space Learning)

GOP

．

作为年龄不变的特征文献

用梯度方向金字塔

［10］

结合

MLBP

SIFT

和两种局部特征作为年龄不变的

，

的方法尽可能地

，

人脸特征并引入基于随机采样的线性判别分类器

．

将年龄干扰信息从身份特征中分离开该方法将人脸

( RS-LDA)

．［8］

来进一步提升分类的性能文献使用一

: ，，

图像特征划分成四部分平均脸部分身份特征部分年

( Cross-Age Celebrity Dataset)

个较大的参考数据集

始的人脸图像特征编码到一个年龄不变的参考空间

同时引入最大池化聚合的方法保证一个人不同年龄的

将原

;

龄特征部分以及噪声部分引入身份字典和年龄字典

，

．

分别对身份特征和年龄特征进行表示考虑到含年龄

，

信息的单个类别的样本是有限的待测样本应该由字

．

两张人脸能获得相似的编码特征

，

典中的多个类别联合编码获得因此使用联合表示学

，

判别模型的核心是将年龄的干扰信息独立出来

．

习两个子空间在字典学习过程中同时引入重构误差

．

只提取与身份信息相关的人脸特征然而上述文

［23］

［8 ～ 12］

．

，

识别阶段可以通过计算两

约束和类标监督约束项

献

只是从提取人脸图像中具有判别能力的特征角

．

张图像在该空间的特征向量的距离进行分类

，

度出发并没有主动分析年龄干扰对人脸特征的影响

，

合理地将年龄的干扰信息与人脸身份特征进行区分

年龄不变身份特征子空间学习

导致最终提取的特征中不可避免地还含有年龄的干扰

［7］

2． 1

人脸图像分解

．

，

同一个人随着年龄的变化人脸的特征会发生

信息

: ，

将人脸图像看成四个独立的部分平均脸部分身

，

很大改变但是与之身份相关的某些特征是相对稳定

，．

份特征部分年龄特征部分及其他噪声干扰部分身份

，，

的一定程度上人脸图像特征可以看成是年龄影响下

特征部分表示人脸特征中相对稳定的与身份相关的部

．，

的特征与身份相关的特征的组合基于此本文希望通

，，

分年龄特征部分代表年龄干扰影响下的特征平均脸

过构建两个子空间分别描述人脸图像中的年龄信息与

．

部分即为所有样本对应的平均特征而噪声即不能由

，

身份信息然后在只包含身份信息的子空间中进行人

．

字典表示的一些随机噪声人脸图像特征分解的效果

，

脸识别以根本消除年龄对人脸识别的影响

．

如图所示

．

，

对于存在较大类内干扰的人脸图像传统的子空

间学习算法都是基于原始图像特征构建一个整体的优

( PCA) ，

c ， i

假设训练集由类身份类别组成第类训练样本

n_i

F =［f ，…，f ，…，f ］

d × n_i

d × 1

，

其中

∈

表示为

∈

表

，

化目标来求投影矩阵如图像向量的去相关性

i j ． F =［F ，…，F ］

示第类训练样本的第个样本令 ∈

( LDA)

，

等并没有

保证类间距离最大和类内距离最小

d × n

， n = n + … + n ．

对应训练集样本矩阵其中训练集

考虑到图像特征的不同部分对于最终识别效果的影

d × 1

∈

; i = 1，…，c; j = 1，

中每个训练样本的人脸特征

．［7，13］

响文献在一个线性概率判别模型中同时引入

…，n

都可以表示为以下四部分的线性组合身份特征

，

了年龄和身份的潜在因子学习到一个身份子空间和

d × 1

，

部分

∈

年龄干扰部分

∈

平均脸部分

，

一个年龄子空间但是他们都对模型中身份和年龄因

d × 1

， R

噪声部分 ε ∈

．

，

因此训练样本集的每个人

∈

，

子以及随机噪声做了高斯分布的假设并未对其合理

脸图像分解可以表示为

．［15］

性加以说明文献先用稀疏表示将人脸特征划分

f = m + I + A + ; i = 1，…，c; j = 1，…，n ( 1)

，

为与类别相关和与类别无关的部分再进行子空间学

2． 2

基于身份字典和年龄字典的联合表示

U = ［U ，…，U ，…，U ］

，

习但稀疏表示与子空间的分步学习设计忽略了两个

d × p

∈

，U

引入身份字典

．

优化目标的相关性

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

抗年龄干扰的人脸识别

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页