论文部分内容阅读
随着年龄增长,人脸几何特征会逐渐发生改变,该过程是不可逆转的自然规律,主要受到遗传基因、生活环境以及生活习惯等因素的影响。因此如何准确地将人脸图像进行老化在失踪人口寻找、跨年龄人脸识别和年龄估计中起到重要作用。在此背景下,本文对人脸图像老化方法进行研究并对人脸图像老化效果进行评估。本文采用的人脸图像老化方法包括三个步骤:人脸特征点标定、人脸姿态矫正以及基于循环神经网络(Recurrent neural network,RNN)的人脸老化建模。人脸几何特征包括人脸轮廓与五官位置。本文首先采用监督下降法(Supervised descent method,SDM)对人脸特征点进行标定。根据特征点位置判断人脸姿态是否为正面人脸,为人脸姿态矫正奠定基础;然后进行人脸姿态矫正,不同的人脸姿态会影响人脸特征,因此进行人脸姿态矫正是非常必要的。本文通过将人脸特征点与线性回归方程结合的方法得到人脸旋转角度公式,通过公式与人脸特征点位置测定人脸旋转角度,然后采用仿射变换对人脸图像进行姿态矫正;最后采用循环神经网络进行人脸图像老化建模。建模首先通过对人脸图像矩阵进行奇异值分解得到人脸特征,然后利用特征值进行人脸图像重构,而后将重构人脸图像输入到循环神经网络中进行老化建模,从而得到老化人脸图像。本文中循环神经网络结构分为两层,底层网络对人脸图像进行编码,顶层网络将底层输出解码成老化人脸图像,通过训练得到网络参数矩阵权重和偏移量,测试时将人脸图像输入到训练好的网络得到老化图像。为了评估人脸图像老化效果,本文采用深度卷积神经进行人脸识别,首先通过带有标签的实验样本对深度卷积神经网络进行训练,然后将采用循环神经网络方法老化的人脸图像输入到卷积神经网络进行识别,识别率为88%,实验表明基于RNN的人脸老化方法效果良好。