一种基于特征学习的跨年龄人脸验证方法技术

本发明专利技术公开了一种基于特征学习的跨年龄人脸验证方法，包括如下步骤：(1)获取待对比的两幅人脸图像；(2)利用人脸特征点定位的方法对两幅人脸图像进行对齐操作；(3)分别对每幅图像进行特征提取，方法为：①通过深度卷积神经网络自动提取高层语义特征；②计算图像的LBP直方图特征；③将①和②中获得的特征进行融合，表达为特征向量；(4)采用余弦相似度方法计算步骤(3)获得的两幅图像的特征向量之间的距离，据此判断两幅图像是否来自同一人。本发明专利技术首次将深度网络应用到跨年龄人脸验证，同时创造性地将手工设计的LBP直方图特征与深度网络自主学习的特征进行融合，实现高层语义特征与低层特征的互补，具有更好的准确率。

【技术实现步骤摘要】

本专利技术设及一种人脸验证方法，具体设及一种跨年龄的人脸验证方法，尤其是基 于特征学习的跨年龄人脸验证方法。
技术介绍
人脸，作为识别一个人最显著的区域，被广泛地应用于各种场合的身份识别。一般 来说，人脸的识别方法包括四个步骤；人脸图像采集及检测、人脸图像预处理、人脸图像特 征提取、人脸匹配与验证。通常使用一些人工设定的特征描述子，例如LBP、SIFT和G油or 等，来表示人脸数据，利用余弦距离来度量一对图像的相似度，从而实现判断验证。 但是随着年龄的增长，人的脸部会不可避免地产生变化。在一些场合，只是一个人 不同年龄段的照片，例如只有十几年前的照片，需要将备选人员的头像与已有的线索进行 比对验证，W达到目的，该就要求进行跨年龄人脸验证。所谓跨年龄人脸验证，就是给定一 些不同年龄段的人脸图像，判定该些人脸图像是否属于同一个人。如果人脸验证方法能够 应对人脸随着年龄的增长而产生的变化，在档案管理系统、安全验证系统、公安系统的罪犯 身份识别、银行和海关的监控等领域，将具有广阔的应用前景。 为了实现跨年龄验证，大多数传统的方法是对年龄进行建模，通过设计人脸成长 模型来进行跨年龄的人脸验证。然而，该类方法往往需要依赖先验，比如说个体的实际年 龄，而并不是所有数据集都能够提供年龄信息。 深度学习方法模拟人脑的层次处理结构，W简洁的表达方式刻画数据丰富的内在 信息，它是一种高度非线性的模型，具有超强的数据拟合能力和学习能力，表达能力更强， 更能刻画数据丰富的内在信息。深度网络可W无监督地从数据中学习到特征，该种方式学 习到的特征也符合人类感知世界的机理，而且通过深度学习方法学习到的特征往往具有一 定的语义特征。中国专利技术专利申请CN104573679A公开了一种监控场景下基于深度学习的 人脸识别系统，包括视频采集单元、人脸检测单元、匹配显示单元、存储单元，其中，检测单 元中设置有人脸差别模块，人脸差别模块利用深度学习模块建立的神经网络模型进行人脸 判别，该深度学习模块为5层神经网络层。该方法试图利用深度学习方法实现人脸的快速 识别，但是采用5层神经网络层难W达到预期目标，因此，该公开文件中并未能提供识别准 确率的评估数据。 就人脸验证中最关键的步骤特征提取而言，目前主要存在两个问题： 1、人脸图像的单调性。目前已知的大量人脸数据集中，人脸图像往往是比较单调的，而 且目前大多数方法都是在单尺度上做的，该样提取的特征往往不够丰富，不足W表征人脸。 2、另一个值得关注的问题就是特征的获取。传统的人脸验证采用的都是手工设计 的特征，该种特征针对性比较高，但是一般都是低层特征，往往不包含语义信息，而且泛化 能力不强。随着大数据时代的到来，数据量也越来越大，如何自动地获取特征成为一个值得 研究的课题。
技术实现思路
本专利技术的专利技术目的是提供，W提高跨年 龄人脸验证的准确率。 为达到上述专利技术目的，本专利技术采用的技术方案是：一种基于特征学习的跨年龄人 脸验证方法，包括如下步骤： (1) 获取待对比的两幅人脸图像； (2) 利用人脸特征点定位的方法对两幅人脸图像进行对齐操作； (3) 分别对每幅图像进行特征提取，所述特征提取为： ① 通过深度卷积神经网络自动提取高层语义特征； ② 计算图像的LBP直方图特征； ⑨将①和②中获得的特征进行融合，得到图像的特征，表达为特征向量；该里采用的融 合方法是将两部分的特征向量连接成一个特征向量。 (4)采用余弦相似度方法计算步骤（3)获得的两幅图像的特征向量之间的距离， 据此判断两幅图像是否来自同一人。 优选的技术方案，步骤（2)中，采用Flandmark方法进行对齐操作。 上述技术方案中，所述深度卷积神经网络由下列各层依次构成；输入层、第一卷积 层、第一最大池化层、第二卷积层、第二最大池化层、第=卷积层、第=最大池化层、第四卷 积层、全连接层、输出层。 其中，所述第一卷积层设有20个卷积核大小为4X4波器，第一最大池化层，池化 的步长为2,第二卷积层设有40个卷积核大小为3X3的滤波器，第二最大池化层，池化步长 为2,第=卷积层设有60个卷积核大小为4X4的滤波器，第=最大池化层，池化步长为2， 第四卷积层设有60个卷积核大小为3X3的滤波器。 上述技术方案中，所述输出层中设置有一个K类的softmax分类器，K为要分类的 数目。LBP直方图特征的计算方法是，给定一幅图像I，图像I的金字塔表示为： G4- (/)二/托y:时-仁〇，...朵仪口户，其中泽托y)是高斯 核，k是金字塔的层数；G表示得到的图像金字塔，（x，y)表示像素的位置。 对于金字塔的每一层分成8X8的块，每个块统计LBP直方图，将每个块的LBP直 方图连接成一个向量，图像的LBP金字塔表示为： ￡(/0)二[JL及巧凸巧G|(J)):,..:.￡巧巧&(/化，其中，L(I) 是对图像进行映射的一个表述。 余弦相似度计算方法为，【主权项】1. ，其特征在于，包括如下步骤： (1) 获取待对比的两幅人脸图像； (2) 利用人脸特征点定位的方法对两幅人脸图像进行对齐操作； (3) 分别对每幅图像进行特征提取，所述特征提取为： ① 通过深度卷积神经网络自动提取高层语义特征； ② 计算图像的LBP直方图特征； ③ 将①和②中获得的特征进行融合，得到图像的特征，表达为特征向量； (4) 采用余弦相似度方法计算步骤（3)获得的两幅图像的特征向量之间的距离，据此 判断两幅图像是否来自同一人。2. 根据权利要求1所述的基于特征学习的跨年龄人脸验证方法，其特征在于：步骤 (2) 中，采用Flandmark方法进行对齐操作。3. 根据权利要求1所述的基于特征学习的跨年龄人脸验证方法，其特征在于：所述深 度卷积神经网络由下列各层依次构成：输入层、第一卷积层、第一最大池化层、第二卷积层、 第二最大池化层、第三卷积层、第三最大池化层、第四卷积层、全连接层、输出层。4. 根据权利要求3所述的基于特征学习的跨年龄人脸验证方法，其特征在于：所述第 一卷积层设有20个卷积核大小为4 X 4波器，第一最大池化层，池化的步长为2,第二卷积层 设有40个卷积核大小为3 X 3的滤波器，第二最大池化层，池化步长为2,第三卷积层设有 60个卷积核大小为4X4的滤波器，第三最大池化层，池化步长为2,第四卷积层设有60个 卷积核大小为3X3的滤波器。5. 根据权利要求3所述的基于特征学习的跨年龄人脸验证方法，其特征在于：所述输 出层中设置有一个K类的softmax分类器，K为要分类的数目。6. 根据权利要求1所述的基于特征学习的跨年龄人脸验证方法，其特征 在于：LBP直方图特征的计算方法是，给定一幅图像I，图像I的金字塔表示为：，其中.(Xy)是高斯 核，k是金字塔的层数；G表示得到的图像金字塔，（X，y)表示像素的位置； 对于金字塔的每一层分成8X8的块，每个块统计LBP直方图，将每个块的LBP直方图 连接成一个向量，图像的LBP金字塔表示为：其中，L (I) 是对图像进行映射的一个表述。7. 根据权利要求1所述的基于特征学习的跨年龄人脸验证方法，其特征在于：步骤 (3) 之③中，融合的方法是将两部分的特征向量连接成一个特本文档来自技高网...

【技术保护点】
一种基于特征学习的跨年龄人脸验证方法，其特征在于，包括如下步骤：(1)获取待对比的两幅人脸图像；(2)利用人脸特征点定位的方法对两幅人脸图像进行对齐操作；(3)分别对每幅图像进行特征提取，所述特征提取为：①通过深度卷积神经网络自动提取高层语义特征；②计算图像的LBP直方图特征；③将①和②中获得的特征进行融合，得到图像的特征，表达为特征向量；(4)采用余弦相似度方法计算步骤(3)获得的两幅图像的特征向量之间的距离，据此判断两幅图像是否来自同一人。

【技术特征摘要】

【专利技术属性】
技术研发人员：王朝晖，翟欢欢，刘纯平，季怡，龚声蓉，葛瑞，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32