欢迎来到知嘟嘟! 联系电话:13095918853 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13095918853
知嘟嘟经纪人
收藏
专利号: 2021100724291
申请人: 乐山师范学院
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2024-01-05
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于解纠缠表示学习的跨年龄人脸图像识别方法,其特征在于,包括以下步骤:S1、构建解纠缠表示学习网络;

S2、构建解纠缠表示学习网络的损失函数;

S3、根据损失函数对解纠缠表示学习网络进行训练;

S4、通过解纠缠表示学习网络生成待识别图像在其他年龄段的图像,得到其他年龄的预测图像;

S5、采集与预测图像相似的人脸图像,并将采集的图像输入解纠缠表示学习网络与待识别图像进行跨年龄验证,得到跨年龄人脸图像识别结果;

所述步骤S1中解纠缠表示学习网络包括第一输入端、编码器E、生成器G、年龄鉴别器DA、身份鉴别器DI、第二输入端和VGG‑Face;

所述第一输入端用于输入原始人脸图像,其分别与编码器E和VGG‑Face连接;所述编码器E分别与生成器G、年龄鉴别器DA和身份鉴别器DI连接;所述生成器G用于生成原始人脸图像在其他年龄的预测图像;所述第二输入端用于输入与预测图像相似的图像,其与VGG‑Face连接;

所述编码器E包括依次连接的第一卷积层、第一归一化层、第一指数线性单元、第二卷积层、第二归一化层、第二指数线性单元、第三卷积层、第三归一化层、第三指数线性单元、第四卷积层、第四归一化层、第四指数线性单元、第五卷积层、第五归一化层、第五指数线性单元、平均池化层和输出卷积层;

所述年龄鉴别器DA和身份鉴别器DI的结构均包括依次连接的编码器E、两个连续的卷积层和两个连续的全连接层;

所述生成器G包括依次连接的全连接层、第五反卷积层、第四反卷积层、第三反卷积层、第二反卷积层和第一反卷积层;

所述步骤S2中损失函数包括生成器损失函数、年龄损失函数和身份损失函数;

所述生成器损失函数 具体为:

其中,λFV表示第一组合权重值,λage表示第二组合权重值, 表示人脸图像损失值,表示重建损失函数值;

所述人脸图像损失值 具体为:

其中,φl(xj)表示由生成器G合成的人脸图像xj在VGG‑Face中第l层的激活值,φl(xi)表示输入第i个人脸图像xi时,VGG‑Face中第l层的激活值;||||2表示2范数;

所述重建损失函数值 具体为:

其中,i和j均为数据的索引,yi表示输入人脸图像xi的身份标签,yj表示由生成器G合成的人脸图像xj的身份标签,sj表示合成人脸图像xj的年龄特征对应的one‑hot向量,s′i表示人工设定的目标年龄对应的one‑hot向量;G(E(xi),s′i)表示生成器G以编码器E编码后的潜在特征E(x)和目标年龄s′i为输入,得到的合成人脸图像,其与输入数据xi有相同的身份特征以及年龄标签为s′i;s′i=si时,生成器G尝试重建原始输入数据xi,s′i≠si时,生成器G生成与xi身份相同的,年龄由s′i决定的合成人脸图像xj,si表示原始输入数据xi的年龄对应的one‑hot向量。

2.根据权利要求1所述的基于解纠缠表示学习的跨年龄人脸图像识别方法,其特征在于,所述年龄损失函数 具体为:其中,lEMD(xi,si)表示编码器E和年龄鉴别器DA对抗的地球运动距离损失,λR表示第三组合权重值, 表示梯度损失函数值;

所述lEMD(xi,si)具体为:

其中,DA(E(xi),si)表示输入人脸图像xi,预测年龄为si的预测得分;DA(E(xi),k)表示输入人脸图像xi,预测年龄为k的预测得分;表示由si和D(E(xi)表示的函数;

所述梯度损失函数值 具体为:

其中, 表示对DA(u,k)求关于u的梯度,u表示隐藏特征, 表示关于u的梯度损失函数。

3.根据权利要求2所述的基于解纠缠表示学习的跨年龄人脸图像识别方法,其特征在于,所述身份损失函数 具体为:其中,δ()表示狄拉克三角函数,logDI(E(x),m)表示身份鉴别器DI对第m个身份的预测分数,y表示输入图像对应的身份标签。

4.根据权利要求3所述的基于解纠缠表示学习的跨年龄人脸图像识别方法,其特征在于,所述步骤S3中根据损失函数对解纠缠表示学习网络进行训练的具体方法为:S3.1、采集若干人脸样本图像;

S3.2、构建目标函数为:

S3.3、将人脸样本图像依次输入解纠缠表示学习网络,以目标函数对其进行训练,直至损失函数收敛,训练完成。

5.根据权利要求4所述的基于解纠缠表示学习的跨年龄人脸图像识别方法,其特征在于,所述步骤S4具体为:S4.1、将待识别图像输入编码器E进行编码,得到编码特征f(x);

S4.2、将编码特征分别输入年龄鉴别器DA和身份鉴别器DI,得到身份识别结果和年龄识别结果;

S4.3、人工标定目标年龄对应的one‑hot向量s′i,并将s′i和编码特征f(x)输入生成器G,生成与待识别图像身份特征相同且年龄特征不同的预测图像,得到其他年龄的预测图像;

所述步骤S5中将采集的图像输入解纠缠表示学习网络与待识别图像进行跨年龄验证的具体方法为:将采集的图像和预测图像输入至VGG‑Face进行跨年龄验证。