推荐星级：
- 1
- 2
- 3
- 4
- 5
抗年龄干扰的人脸识别
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 |
部分页面预览
（完整内容请下载后查看）7
Vol． 46 No． 7
Jul． 2018
第
期
电
子
学
报
2018
7
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
:
A
: 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
1
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
1
) ，
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
2
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
．
2
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
1
j
ni
F =［f ，…，f ，…，f ］
i
d × ni
j
d × 1
R
，
f
其中
i
R
∈
表示为
∈
表
i
i
i
，
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 ∈
c
1
( LDA)
，
等 并没有
保证类间距离最大和类内距离最小
d × n
R
， n = n + … + n ．
对应训练集样本矩阵 其中 训练集
c
1
考虑到图像特征的不同部分对于最终识别效果的影
j
d × 1
f
R
∈
; i = 1，…，c; j = 1，
中每个训练样本的人脸特征
i
． ［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
i
，
了年龄和身份的潜在因子 学习到一个身份子空间和
j
d × 1
j
d × 1
I
R
，
A
R
，
m
部分
∈
年龄干扰部分
∈
平均脸部分
i
i
，
一个年龄子空间 但是他们都对模型中身份和年龄因
d × 1
j
d × 1
R
， R
噪声部分 ε ∈
i
．
，
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
j
j
j
j
f = m + I + A + ; i = 1，…，c; j = 1，…，n ( 1)
ε
i
，
为与类别相关和与类别无关的部分 再进行子空间学
i
i
i
i
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
R
∈
，U
引入身份字典
．
优化目标的相关性
1
i
c
i
全部评论(0)