1.一种跨年龄人脸识别方法,其特征在于,包括以下步骤:
S1:对要识别的人脸图像进行密集采样,即将人脸图像划分为多个互相重叠的块,对每一块进行像素矢量的提取,划分时块的重叠半径采取多个值来尽可能保留人脸的局部信息;
S2:对于已提取的像素矢量,建立一棵决策树,将树的根节点概率值设置为1,采用最大熵的原则递归扩展树,最后为树的每个叶子节点分配一个编码,其中,每个叶子节点代表了一个局部特征;
S3:对每一幅人脸图像,将获取的最大熵特征描述编码串联成一个特征向量,对该特征向量重新进行分割,采用主成分分析等方法对特征向量进行降维,获得的低维特征向量v作为老化感知自动编码器的输入;
S4:用老化感知自动编码器对特征向量v进行编码,生成4个年龄段的人脸特征向量v'i(i=1,...,4),其中4个年龄段包括:幼年,青年,成年,老年;
S5:将两幅人脸合成的特征向量按照年龄段串联成一个长向量,同时原始人脸的特征向量也合并入该向量,通过计算两向量的余弦距离来判断两幅人脸是否来自同一人;
S6:模型训练时,提取同一个人的四个年龄段的人脸最大熵特征,将特征向量v加入一定噪声后映射到隐含层得到一个有损压缩码h,然后用h来预测四个年龄段的特征向量v'i,通过最小化损失函数得到自动编码器,通过多次上述地映射与重构过程生成多层老化感知去噪自动编码器,在构造多层去噪自动编码器时,需要用严格玻尔兹曼机以非监督的方式逐层地进行预训练。
2.根据权利要求1所述的跨年龄人脸识别方法,其特征在于,所述步骤S1中,为保证局部一致性,划分块时使重叠部分占整个块的50%,对划分好的块,采用采样半径r={1,3,5,7}进行采样,通过计算中心像素与半径r处的8个临近像素点的差值获得像素矢量。
3.根据权利要求2所述的跨年龄人脸识别方法,其特征在于,所述步骤S2中,决策树采用贪婪的模式进行扩展,在每一次节点分裂中,都使得编码分配的熵最大,在把第i个节点分成两个子节点的过程中,信息增益为:
G(i)=p(i)log p(i)-(p1 log p1+p2 log p2).
由于对给定的i,概率p(i)是固定的,通过使分裂后两个子节点概率分布尽量相同来最大化信息增益G(i)。
4.根据权利要求3所述的跨年龄人脸识别方法,其特征在于,所述步骤S3中,对于每一个块,获取了一个d维的最大熵特征向量,对于给定的一张人脸图像,将每一块的特征向量串联起来,获得一个M×N×4×d维的整幅人脸的最大熵特征向量,其中M×N为划分的块数,最后利用主成分分析对向量进行压缩获得m维的最大熵特征描述符v用于后续分析。
5.根据权利要求4所述的跨年龄人脸识别方法,其特征在于,所述步骤S4中,将步骤S3中获得的最大熵特征描述符v作为老化感知自动编码器的输入,映射出四个年龄段的特征向量{vi∈Rm|i=1,...,4},映射函数如下:
hi=Wiσ(hi-1)+bi,i=1,2,3
h'kj=W'k+1,jσ(h'k+1)+b'k+1,j,k=2,1,j=1,...,4
v'j=W'1,jσ(h'1j)+b'1,j,j=1,...,4
其中,激励函数σ(h)=(1+exp(-h))-1,i代表隐藏层的层号,j表示年龄段,k是重构层的层号,W是权重矩阵,W'是系重且有W'i=WiT,b是偏移向量,v'j表示重构出的第j个年龄段的人脸特征。
6.根据权利要求5所述的跨年龄人脸识别方法,其特征在于,所述步骤S5中,将要识别的两幅人脸以及用它们重构出的两组四个年龄段的特征向量进行串联得到两个总特征向量通过计算两向量的余弦距离来判断两幅人脸图像是否来自同一个人。
7.根据权利要求6所述的跨年龄人脸识别方法,其特征在于,所述步骤S6中,在训练时,先提取同一人脸的四个年龄段的特征,输入任意年龄段的特征到经过严格玻尔兹曼机预训练的老化感知去噪自动编码器中,通过步骤S4中的映射与重构方法,得到该人脸的四个年龄段的重构特征,然后最小化平方误差函数来训练老化感知去噪自动编码器,误差函数如下:
式中ε1是所有层的权重衰减系数,vi是第i个年龄段的原始人脸特征,v'i是第i个年龄段的重构人脸特征。