The invention provides a construction method based on deep learning of face recognition and age synthesis of the combined model, the pretreatment method to reduce the dimension of alignment and PCA and LDA by a pair of the input image; and via an auto encoder training, get features for identity and representation of different ages said a total of 6 groups, and 6 pairs of parallel results after CNN, the output image similarity, then the weighted fusion matching results are obtained; the invention of individual face recognition or age detection and common task can get very good effect on face recognition under the influence of illumination, pose, also can achieve good results the separate characteristics of the age; and face identity, it also has the robustness of face recognition across age. And, depending on the visual requirements, some parameters and weights are adjusted so that they are very flexible.
【技术实现步骤摘要】
基于深度学习的人脸识别和年龄合成联合模型的构建方法
本专利技术涉及计算机视觉领域,更具体地,涉及一种基于深度学习的人脸识别和年龄合成联合模型的构建方法。
技术介绍
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部的一系列相关技术,通常也叫做人像识别、面部识别。由于人脸识别分类与验证均有很大的实际应用价值,所以此课题作为一个研究热点已经持续了多年时间。人脸识别在现实生活中有很广的应用前景。如安保门禁系统、公安刑侦破案、摄像监视系统、网络应用,身份辨识、支付系统中均需用到人脸识别。然而人脸识别并不是个简单的任务。人脸的外形很不稳定,人可以通过脸部的变化产生很多表情,而在不同观察角度,人脸的视觉图像也相差很大,另外,人脸识别还受光照条件(例如白天和夜晚,室内和室外等)、人脸的很多遮盖物(例如口罩、墨镜、头发、胡须等)、年龄等多方面因素的影响。这些问题给人脸识别带来了莫大的挑战。因此近来许多关于人脸识别研究热烈开展起来。因为一幅人脸图像的维度太大,首要任务是对人脸图像的一系列处理。如经典的主成分分析方法(PCA),通过线性变换原理将原始数据变换为一组各维度线性无关的表示,可用于提取数据的主要特征分量;还有线性判别分析(LDA),将带上标签的数据(点),通过投影的方法,投影到维度更低的空间中,使得投影后的点,会形成按类别区分,一簇一簇的情况,相同类别的点,将会在投影后的空间中更接近。这样将使不同类的数据更易于分类。在本专利技术中,将这两种算法都作为预处 ...
【技术保护点】
一种基于深度学习的人脸识别和年龄合成联合模型的构建方法,其特征在于,包括以下步骤:S1:对图像进行切片预处理:根据双眼中心进行对齐,采用PCA和LDA的方式进行降维,以及达到增大类间差距的目的;S2:编码:通过训练数据得到的一个自动编码器对输入特征向量进行编码。该编码器的目的是将原图特征通过某种编码方式合成新的特征,用于表达身份或者年龄的相关信息,对任何输入的图片,该编码器将生成六组不同的表达:第一组为身份表达,对原特征减去平均脸后的映射编码,反映个体的身份的稳定信息;第二组至第六组分别为幼年、少年、成年、中年、老年五个年龄段下原图像的合成图像的表达,这一部分的编码过程与上述相似,不同的是输入是原图信息,这五组编码器的作用是模拟老化过程来合成特定年龄组的图片,然后通过损失函数和一定的约束规则来控制消除年龄对身份表达的影响,即在年龄合成中起到重要作用的特征,降低它在身份表达中起的作用;S3:对每对图像进行身份匹配验证:测试图像与一幅训练图像作为一对,由编码器得到的六对特征分别通过平行CNN,Softmax层将给出输入的一对特征的相似度的大小;令I
【技术特征摘要】
1.一种基于深度学习的人脸识别和年龄合成联合模型的构建方法,其特征在于,包括以下步骤:S1:对图像进行切片预处理:根据双眼中心进行对齐,采用PCA和LDA的方式进行降维,以及达到增大类间差距的目的;S2:编码:通过训练数据得到的一个自动编码器对输入特征向量进行编码。该编码器的目的是将原图特征通过某种编码方式合成新的特征,用于表达身份或者年龄的相关信息,对任何输入的图片,该编码器将生成六组不同的表达:第一组为身份表达,对原特征减去平均脸后的映射编码,反映个体的身份的稳定信息;第二组至第六组分别为幼年、少年、成年、中年、老年五个年龄段下原图像的合成图像的表达,这一部分的编码过程与上述相似,不同的是输入是原图信息,这五组编码器的作用是模拟老化过程来合成特定年龄组的图片,然后通过损失函数和一定的约束规则来控制消除年龄对身份表达的影响,即在年龄合成中起到重要作用的特征,降低它在身份表达中起的作用;S3:对每对图像进行身份匹配验证:测试图像与一幅训练图像作为一对,由编码器得到的六对特征分别通过平行CNN,Softmax层将给出输入的一对特征的相似度的大小;令Ia,Ib为一对输入图像,则相似得分表示为:s(Ia,Ib)=softmax(Ws|o(Ia)-o(Ib)|+bs)其中,o()表示CNN中全连接层的输出,Ws和bs为softmax层的参数;对这六个结果进行加权平均即可得到验证结果,其中身份表达占的比重较大;五对年龄合成的相似度表示在五个年龄段里的相似度,作为参考因素,占的比重比身份表达要小,由此将得到两幅图像匹配的概率:score=as1+(1-a)(s2+s3+s4+s5+s6);S4:对所有特征得到的相似得分结果进行余弦相似度融合,即可得到最终的结果。2.根据权利要求1所述的基于深度学习的人脸识别和年龄合成联合模型的构建方法,其特征在于,所述步骤S2中,使用的编码器由训练库中的数据训练得出,该编码器将生成6组不同的表达:S21:第一组为身份表达,是对原特征减去平均脸后的映射编码,假设输入的第i个人的人脸图片表示为Xi训练库中所有人脸图像的均值为M,则Yi=Xi-M反映的是该脸的独特信息,然后对Yi进行编码:假设编码由3层结构组成,每一层以上一层的输出作为输入,层数为j的输出表示为hj则编码过程可表示为hj=Wjσ(hj-1)+bj,第一层的输入为Yi,则编码过程的映射表示为:h=Wσ(Y+b)同时,编码后的图像重构可表示为Y'=W'σ(h'+b')这一部分参数...
【专利技术属性】
技术研发人员:胡海峰,杜灵双,李昊曦,
申请(专利权)人:广东顺德中山大学卡内基梅隆大学国际联合研究院,中山大学,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。