论文部分内容阅读
研究表明,随着年龄的逐渐增加,人脸的标识特征会发生明显的变化,例如皱纹的加深,脸型的改变等,因此由年龄变化引起了人脸识别率的下降。跨年龄人脸识别算法的研究,不仅要解决同一个人在同一时期下图像中噪音、畸变的干扰问题,还要解决同一个人在不同年龄段下的人脸识别问题。因此,跨人脸识别成为人脸识别领域中一个重要的研究方向。为了解决人脸识别对年龄因素变化敏感的问题,主要从人脸特征处理、人脸老化模拟以及人脸识别三个方面,结合深度学习理论,提出了一种基于分层表示的跨年龄人脸识别算法。具体研究工作如下:(1)提出一种人脸层次表示方法,将人脸分解到三层表示:人脸全局层、人脸局部层以及人脸细节层。对于全局以及局部层,采用主动外观模型(AAM)对人脸特征进行提取与表示,得到人脸特征向量。针对细节层,利用剪切波变换提取皱纹、皮肤光泽等高频特征,得到不同年龄段下的老化特征向量。(2)为了获得更好的人脸老化模拟效果,分层建立老化重构模拟模型。对于全局层与局部层的老化模拟,采用支持向量机(SVM)方法并结合得到的相应人脸层特征,训练形状和纹理随年龄变化的回归方程,从而完成在这两个层次上的人脸变形过程;细节层的老化模拟工作,主要是利用衰老特征模板进行移植替换;最后通过基于梯度金字塔图像融合算法得到人脸最终的老化模拟图像。(3)针对传统卷积神经网络(CNN)在训练规模较大的图像集数据时收敛速度慢、效率低的问题,提出了一种改进的CNN人脸识别算法。首先利用降噪自动编码器训练隐藏层中的卷积核,得到每层的图像特征输出图;经过若干隐藏层的卷积、池化等操作,得到最终输出人脸特征图;最后,利用稀疏表示分类方法并结合特征图,完成人脸识别。