年龄变化的人脸识别.docxVIP

年龄变化的人脸识别 在公安刑侦等实际应用中，多数情况下得到的人脸图像与库中的人脸图像之间存在着年龄的差异。本文主要根据公安刑侦工作中的实际需要，研究人脸识别中的年龄问题， 实现对年龄变化鲁棒 (Robustness)的人脸识别， 以推动人脸识别技术在公安刑侦领域的实际应用。 人脸识别在实际应用中有很多问题需要解决，如年龄变化、姿态变化、物体遮挡、光照变化等。在公安刑侦等实际应用中，多数情况下得到的人脸图像与库中的人脸图像之间存在年龄的差异。当人脸年龄发生变化时，常用算法的识别率会显著下降。这里主要根据公安刑侦工作中的实际需要，研究人脸识别中的年龄问题，实现对年龄变化的人脸识别，以推动人脸识别技术在公安刑侦领域的实际应用。 基于年龄的人脸识别 常用的对年龄变化的人脸识别方法是通过年龄模拟，将测试图像和查询库中的图像变换到某一共同的年龄，从而去除年龄不同的影响，使识别在年龄相同的人脸图像间进行。 对年龄变化的人脸识别系统主要包括两个模块 : 年龄模拟模 块和人脸识别模块，其中，识别模块完成传统的人脸识别任 务，不作为本文的重点，本文主要研究的内容是年龄模拟模 块。 年龄模拟 年龄模拟的目标是由单幅人脸图像模拟出图 像中的个体在其他年龄下的人脸图像。图 1 显示了年龄模拟 的框图，主要包括几个部分 : 特征向量提取、年龄估计、目标年龄特征向量生成和目标年龄人脸图像合成，下面将逐一详细介绍。 特征向量提取 人脸图像的特征向量由两部分组成 : 形 状向量和纹理向量。人脸形状由位于人脸边缘的 101 个关键 点的坐标表示，见图 2。对训练图像的关键点坐标进行主分 量分析，得到形状主元空间，测试图像的关键点坐标在形状 主元空间进行投影得到形状特征向量。人脸纹理图像是通过 将人脸图像通过基于三角形的仿射变换拉伸到标准形状获 得。对训练图像的纹理进行主分量分析， 得到纹理主元空间， 测试图像的纹理在纹理主元空间进行投影得到纹理特征向量。 图 3 形状主元空间前 4 维影响 图 4 纹理主元空间前 4 维影响 图 3、图 4 显示了主元分析得到的形状和纹理主元空间的前 4 维的影响，其中左侧中间列为平均形状，两侧为改变 当前维的投影值重构得到的形状 ; 右侧中间列为平均纹理，两侧为改变当前维的投影值重构得到的纹理。可以看出，形 状空间的第 1、 2、 4 维包含年龄变化，纹理空间的第 1 维包含年龄变化。 年龄估计 年龄估计的目的是由人脸图像估计图像中的人脸年龄。对于人脸图像，很多时候很难准确地估计图像中人的年龄，对计算机来讲，这个任务就更艰巨了。 常用的年龄估计方法是基于人脸模型和年龄函数的方法，年龄函数由已知年龄的人脸图像经过训练获得。年龄估计流程见图 5。 图５、年龄估计流程见图 在实际应用中为了获得更好的估计结果，可以采用不同的方法改进年龄估计函数，清华大学提出的基于人脸变老方 式分类的加权年龄函数取得了较好的估计结果。 目标年龄特征向量生成 年龄模拟的核心步骤是由原图 的特征向量生成目标年龄的特征向量，具体方法见式（ 1）。 batar 为计算得到的目标年龄的特征向量， bsrc 为由原 图进行特征提取得到的特征向量， atar 为目标年龄， aest 为 由原图估计得到的年龄， Batar 、Baest 为年龄， atar，aest 对应的典型特征向量，通常由训练得到的典型向量与年龄对 应的查找表获得。 要获得目标年龄的特征向量，关键是要生成合适的典型向量，通常的典型向量是同通过训练图像中年龄相同的人脸图像的特征向量平均得到的。 目标年龄人脸图像合成 将目标年龄的特征向量分离成为目标年龄的形状特征向量和纹理特征向量，分别在特征空间重构得到目标年龄的形状和纹理，经过三角形拉伸变换，合成得到目标年龄时的人脸图像。为了更好地利用原图的信息，用下式合成目标年龄的人脸图像。 人脸图像目标年龄 =原始图像＋（典型人脸目标年龄－典型人脸原始年龄） 其中，目标年龄已知，原始年龄由年龄估计获得，典型人脸由典型向量在特征空间重构获得。这样，原始图像携带的细节信息可以被完整地保留，有利于后面的识别等应用。最后，采用基于三角形的仿射变换，将目标纹理贴在目标形状上，完成年龄的变化见图 6。实际应用中，可以结合人脸变老方式的分类进行加权典型向量的生成，以提高年龄模拟的精度。 图 7 显示了本文方法的模拟结果。可以看出，模拟结果中感觉到的年龄都发生了变化。合成的图像具有很多的原图的细节特征，保留了原图中的斑点、痣、疤痕等特征，使图像看起来与原图更相像。 年龄模拟对识别结果的影响 采用 PCA 的识别方法，选 用形状和纹理联合特征向量作为识别特征，表中显示了采用 年龄模拟前后的人脸识别率比较，其中查询库包含 2000 幅 人脸图像，平均年龄为 22 岁，