跨年龄人脸识别正因其广泛的应用场景而受到越来越多的关注。跨年龄人脸识别可被应用在多年后寻找失踪儿童,使用多年前拍摄的照片寻找罪犯,验证护照等任务中。尽管近年来人脸识别的相关工作已经取得了巨大的进展,年龄不变的人脸识别仍然是一个具有挑战性的问题。跨年龄人脸识别问题的主要难点是人的面部会随着年龄变化产生很大的变化,这些变化在不同的年龄段是各不相同的,并会引起巨大的类内变化。考虑到卷积神经网络(Convolutional Neural Networks,CNN)强大的从输入中学习潜在表达的能力和卷积神经网络已成功应用于许多与人脸相关问题的事实,本文使用CNN来获取特征。本文认为人脸图像是年龄特有的部分和身份特有的部分的组合。本文期望尽可能地减少年龄变化对最终得到的深度身份特征的影响。理想情况下,本文希望应用于跨年龄人脸识别的特征仅包含与身份相关的因素,从而能在跨年龄人脸识别中表现良好。然而,一般的深度特征都是使用softmax损失函数和大规模的人脸数据训练得到的,这些特征不可避免地包含诸如性别和年龄(皱纹等)的潜在因素。考虑到跨年龄人脸识别的最大难点是年龄造成的类内差异,这种特征对年龄不变的人脸识别并不是一个好选择。因此,我们首先使用年龄估计任务获得年龄特征,然后从年龄特征中获取年龄特定的因素,通过从一般的特征中除去年龄因素获得潜在的只和身份相关的特征。本文提出了一个年龄估计任务指导学习年龄不变的人脸特征的人脸识别框架。给定具有年龄标签和身份标签的训练数据,本文提出的方法同时完成年龄估计任务和人脸识别任务。本文选择设计良好的卷积神经网络来处理问题,第一个全连接层输出一般的人脸特征,这个特征包括与年龄有关的因素。然后,通过在第一个全连接层之后添加另一个全连接层,并使用softmax作为损失函数进行年龄估计得到年龄特征。在年龄特征之后添加另一个全连接层来获得影响身份识别的年龄因素。年龄不变的人脸特征则通过从一般人脸特征中减去年龄因子来获得,最后将此特征应用于跨年龄人脸识别任务中。本文的主要贡献概括如下:-提出了一种使用卷积神经网络解决跨年龄人脸识别问题的新模型。-提出了通过减去年龄估计得到的年龄因素来获得年龄不变特征的新方法。据我们所知,本文是第一个使用年龄估计获得年龄不变特征,并证明年龄估计辅助跨年龄人脸识别确实有效的文章。-广泛的实验证明了本文的方法在两个公开的跨年龄数据集(MORPH Album 2和CACD)上都获得了很好的结果。