基于年龄无关身份特征的跨年龄人脸识别方法研究
发布时间：2022-01-19 01:47
随着时代的发展,人工智能成为了当今时代最热门的话题之一。跨年龄人脸识别作为人脸识别的一个分支,在实际生活中有着巨大的实际意义和理论价值,比如寻找走失多年的儿童,识别出潜逃多年的罪犯以及海关中的护照身份验证等。虽然跨年龄人脸识别领域在这几年取得了显著的成果,然而,由于人脸老化的复杂性,跨年龄人脸识别仍然面临着巨大的挑战。人脸老化是一个复杂且连续的非线性变化过程,人脸外貌会在形状和纹理等方面随着年龄的增长发生显著的变化,甚至会出现类内距离大于类间距离的情况,并且不同人的老化过程又不相同,因此对人脸老化建模是一个十分复杂且困难的过程。针对这些困难,本文进行了相关研究。本文结合子空间的直和与同时进行人脸身份识别和年龄分类这两个任务的多任务卷积神经网络,提出了特征子空间直和的多任务卷积神经网络模型（Feature Subspace with Direct Sum CNN,FSDS-CNN）。利用多任务学习,我们可以同时得到身份相关特征和年龄相关特征。本文在此基础上引入直和模块以对这两个特征子空间进行直和约束,使得两个特征之间的冗余成分在一定程度上被有效去除,即身份特征内的年龄成分被有效地剔除。从...
【文章来源】：江西师范大学江西省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
跨年龄人脸识别的典型例子
硕士学位论文14(-)()(1())jjjjjLyyfzfzb=-(2-19)通过以上步骤，便可得到hjw和jb，再将其代入公式(2-10)和(2-11)即可利用梯度下降算法进行参数的更新运算。以上只是一个简单的三层神经网络的反向传播过程，在实际使用当中的神经网络往往具有更深、更复杂的网络结构，但本质还是通过反向传播算法以及梯度下降算法进行网络参数的更新与计算。2.3跨年龄人脸识别的相关方法为了处理因老化引起的人脸外貌变化对人脸识别造成的影响，跨年龄人脸识别领域的研究学者们先后提出了许多基于生成类的方法和判别类的方法。本节将介绍深度学习中基于生成类和判别类的几个典型模型。2.3.1生成类方法生成类方法的主要思想是先根据年轻人脸生成目标年龄下的老化人脸，之后再进行人脸识别从而实现消除人脸老化造成的影响。借助生成对抗网络GAN的强大的生成图片的能力，Yang等人[22]提出了一种具有金字塔结构的GAN来生成逼真的人脸老化图片。模型整体框架如图2-5所示。图2-5具有金字塔结构的生成对抗网络框架[22]。为了实现在人脸准确老化的同时保证目标个人的身份信息不会丢失，模型使用了多个约束共同实现模型的训练。具体的，为了避免GAN训练过程中常见的难以训练的问题，模型使用了最小二乘损失代替负对数似然函数来定义生成对抗损失函数：()()2_~22~1[((())1)]21[((()))(())]2oldxyoungxGANDxPwagexPwagewageEDxEDGxDxfff=-++L(2-20)
硕士学位论文16图2-6DAL模型整体框架[27]。idagex=x+x(2-26)(),().ageidxRxxxRx==-(2-27)其中idx和agex分别为身份相关特征和年龄相关特征，R(x)为一映射函数用来提取x中的年龄相关特征。由于此时的idx和agex之间没有任何约束，两者之间往往存在着潜在的相关性，因此模型通过去相关对抗学习来降低两者之间的相关性。具体的，模型首先通过一个线性的典型映射模块将idx和agex映射为典型变量idv和agev，公式如下：T{,}:()tttt"tidagev=Cx=wx(2-28)其中C(×)为典型映射模块，idw和agew为典型映射模块的可学习参数。之后，模型定义了如下典型相关性：(,)=()()idageidageCovvvVarvVarvr(2-29)在该定义的基础上，模型先是通过更新典型映射模块C(×)找到|r|的最大值，然后通过训练卷积神经网络F(×)和残差分解模块来降低这个|r|的最大值。通过该对抗训练的方式，模型最终能够有效降低idx和agex之间的相关性。于是有下列去相关对抗学习损失：,=minmax(|((()(())),((())))|)DALFRCLrCFp-RFpCRFp(2-30)之后通过多任务学习，即CosFaceLoss进行身份识别任务，Softmax交叉熵损失进行年龄分类任务，最终有下列联合多任务损失：12=()()(,)IDidSMageDALidageLLx+lLx+lLxx(2-31)
【参考文献】：
期刊论文
[1]基于PCA和SVM分类的跨年龄人脸识别[J]. 汪雯琦,高广阔. 计算机时代. 2019(07)
[2]基于卷积神经网络的跨年龄人脸识别系统研究[J]. 李帅,席志红. 无线电工程. 2019(07)
[3]基于多子空间直和特征融合的人脸识别算法[J]. 叶继华,万叶晶,刘长红,李汉曦,王仕民. 数据采集与处理. 2016(01)
[4]维数公式与子空间直和的等价条件[J]. 孙宗明,李振国,梅门昌. 长沙大学学报. 1998(02)
硕士论文
[1]基于生成对抗网络的跨年龄人脸识别技术研究[D]. 董锁芹.长春理工大学 2019
[2]基于正则化的半监督多任务学习算法研究[D]. 贾雪阔.云南大学 2019
[3]跨年龄人脸识别技术的研究[D]. 于金彪.北京交通大学 2019
[4]基于深度学习的跨年龄人脸识别问题[D]. 郑天悦.北京邮电大学 2019
[5]基于深度特征选择与映射的跨年龄人脸检索[D]. 汤凯华.上海交通大学 2018
[6]基于HLA的多嵌入式人脸识别系统的研究与实现[D]. 夏国淼.江西师范大学 2014
本文编号：3595986
【文章来源】：江西师范大学江西省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
跨年龄人脸识别的典型例子
硕士学位论文14(-)()(1())jjjjjLyyfzfzb=-(2-19)通过以上步骤，便可得到hjw和jb，再将其代入公式(2-10)和(2-11)即可利用梯度下降算法进行参数的更新运算。以上只是一个简单的三层神经网络的反向传播过程，在实际使用当中的神经网络往往具有更深、更复杂的网络结构，但本质还是通过反向传播算法以及梯度下降算法进行网络参数的更新与计算。2.3跨年龄人脸识别的相关方法为了处理因老化引起的人脸外貌变化对人脸识别造成的影响，跨年龄人脸识别领域的研究学者们先后提出了许多基于生成类的方法和判别类的方法。本节将介绍深度学习中基于生成类和判别类的几个典型模型。2.3.1生成类方法生成类方法的主要思想是先根据年轻人脸生成目标年龄下的老化人脸，之后再进行人脸识别从而实现消除人脸老化造成的影响。借助生成对抗网络GAN的强大的生成图片的能力，Yang等人[22]提出了一种具有金字塔结构的GAN来生成逼真的人脸老化图片。模型整体框架如图2-5所示。图2-5具有金字塔结构的生成对抗网络框架[22]。为了实现在人脸准确老化的同时保证目标个人的身份信息不会丢失，模型使用了多个约束共同实现模型的训练。具体的，为了避免GAN训练过程中常见的难以训练的问题，模型使用了最小二乘损失代替负对数似然函数来定义生成对抗损失函数：()()2_~22~1[((())1)]21[((()))(())]2oldxyoungxGANDxPwagexPwagewageEDxEDGxDxfff=-++L(2-20)
硕士学位论文16图2-6DAL模型整体框架[27]。idagex=x+x(2-26)(),().ageidxRxxxRx==-(2-27)其中idx和agex分别为身份相关特征和年龄相关特征，R(x)为一映射函数用来提取x中的年龄相关特征。由于此时的idx和agex之间没有任何约束，两者之间往往存在着潜在的相关性，因此模型通过去相关对抗学习来降低两者之间的相关性。具体的，模型首先通过一个线性的典型映射模块将idx和agex映射为典型变量idv和agev，公式如下：T{,}:()tttt"tidagev=Cx=wx(2-28)其中C(×)为典型映射模块，idw和agew为典型映射模块的可学习参数。之后，模型定义了如下典型相关性：(,)=()()idageidageCovvvVarvVarvr(2-29)在该定义的基础上，模型先是通过更新典型映射模块C(×)找到|r|的最大值，然后通过训练卷积神经网络F(×)和残差分解模块来降低这个|r|的最大值。通过该对抗训练的方式，模型最终能够有效降低idx和agex之间的相关性。于是有下列去相关对抗学习损失：,=minmax(|((()(())),((())))|)DALFRCLrCFp-RFpCRFp(2-30)之后通过多任务学习，即CosFaceLoss进行身份识别任务，Softmax交叉熵损失进行年龄分类任务，最终有下列联合多任务损失：12=()()(,)IDidSMageDALidageLLx+lLx+lLxx(2-31)
【参考文献】：
期刊论文
[1]基于PCA和SVM分类的跨年龄人脸识别[J]. 汪雯琦,高广阔. 计算机时代. 2019(07)
[2]基于卷积神经网络的跨年龄人脸识别系统研究[J]. 李帅,席志红. 无线电工程. 2019(07)
[3]基于多子空间直和特征融合的人脸识别算法[J]. 叶继华,万叶晶,刘长红,李汉曦,王仕民. 数据采集与处理. 2016(01)
[4]维数公式与子空间直和的等价条件[J]. 孙宗明,李振国,梅门昌. 长沙大学学报. 1998(02)
硕士论文
[1]基于生成对抗网络的跨年龄人脸识别技术研究[D]. 董锁芹.长春理工大学 2019
[2]基于正则化的半监督多任务学习算法研究[D]. 贾雪阔.云南大学 2019
[3]跨年龄人脸识别技术的研究[D]. 于金彪.北京交通大学 2019
[4]基于深度学习的跨年龄人脸识别问题[D]. 郑天悦.北京邮电大学 2019
[5]基于深度特征选择与映射的跨年龄人脸检索[D]. 汤凯华.上海交通大学 2018
[6]基于HLA的多嵌入式人脸识别系统的研究与实现[D]. 夏国淼.江西师范大学 2014
本文编号：3595986
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3595986.html
