基于多任务学习的跨年龄人脸识别系统的设计与实现.pdf

收稿日期：基金项目：年北京工业职业技术学院科研课题（）。作者简介：郑天悦（），女，北京人，助教，工学硕士，研究方向为人工智能技术。基于多任务学习的跨年龄人脸识别系统的设计与实现郑天悦方水平赵元苏（北京工业职业技术学院 信息工程学院，北京 ）摘要：跨年龄人脸识别技术可以应用在刑事侦查、社会安全、人口管理等诸多领域，具有广泛的应用前景。对跨年龄人脸识别技术进行研究，主要难点是年龄增长带来的面部变化。为应对这一难点，设计了基于多任务学习的跨年龄人脸识别系统，该系统具有去除年龄因素影响、面对跨年龄人脸具有更强鲁棒性等优点，并通过实验证明了该系统可以提高在跨年龄人脸识别数据库 的识别准确率。关键词：跨年龄人脸识别；多任务学习；卷积神经网络中图分类号：文献标识码：文章编号：（）：（，）：，：；引言人脸识别技术在计算机视觉领域中应用十分广泛。作为生物特征识别技术的一种，与指纹、虹膜等生物特征识别相比，人脸识别技术具有成本低、无须接触、可远距离识别等优点，因此被广泛应用于安防、远程身份验证、远程支付等领域，效果良好。跨年龄人脸识别技术是人脸识别技术的一个重要分支，其关注重点是年龄。跨年龄人脸识别的核心问题是随着年龄的增长，面部特征会发生很大的变化，如面部形状、纹理等，从而增加面部识别的难第 卷第 期 年 月 北京工业职业技术学院学报 度。本文针对这一问题，设计了基于多任务学习的跨年龄人脸识别系统：首先，通过将年龄估计和身份识别相结合，构建一个多任务学习框架，共享特征提取器并优化每个任务的目标函数；其次，将年龄因素从人脸识别特征中去除，减小年龄变化对人脸识别任务带来的不利影响，有效提高跨年龄人脸识别的准确率和鲁棒性。跨年龄人脸识别技术的研究方法传统静态人脸识别技术是将输入图片与之前遇到的众多人物进行匹配，即进行 的比对，以确定输入图片中人物的身份。跨年龄人脸识别技术与传统静态人脸识别技术的不同之处，在于需要考虑不同年龄段的人脸特征变化，包括面部形状、纹理和细节等方面，重点解决因年龄变化带来的复杂性和挑战性。跨年龄人脸识别技术的核心，是让识别系统对年龄具有鲁棒性，能够识别年龄差异较大的人脸图片。目前，跨年龄人脸识别技术主要研究方法有三种：生成方法，通过模拟人脸随着年龄变化的过程生成不同年龄的人脸图片进行识别；判别方法，通过消除年龄因素的影响获取年龄不变的人脸特征，完成人脸识别任务；深度学习方法，使用深度学习模型解决跨年龄人脸识别问题。生成方法生成方法先对人脸特征空间进行建模，然后学习一组子空间参数，根据原始人脸图像合成目标年龄的人脸图像，之后进行匹配和识别。此种方法的思路较为直接，等 、等 在论文中使用了此方法。生成方法的缺点是对数据和参数的要求很高，需要准确的数据标签和良好的先验假设，且生成方法往往计算量很大，在非受限环境下无法取得很好的结果。判别方法由于生成模型存在的缺陷，人们开始使用判别模型解决跨年龄人脸识别技术中的问题。判别方法的本质是消除年龄影响，找到不随年龄变化的人脸特征进行 比对。近年来研究人员提出很多判别方法，取得了不错的效果，但大多数判别方法使用的特征并没有针对跨年龄人脸识别本身的特点进行设计，因此针对性不够强。深度学习方法近年来，深度学习方法开始被应用于跨年龄人脸识别。等 将深度迁移学习与秃鹰搜索结合提升识别效果。等 提出一种新的用于跨年龄人脸识别的多特征融合和分解（，）框架，该框架学习更具判别力和鲁棒性，并减小了类内差异。等 提出采用统一的多任务学习人脸（，）框架共同处理两个任务，该框架可以同时学习人脸识别的年龄不变特征并实现人脸合成。基于多任务学习的跨年龄人脸识别系统的设计为进一步提升跨年龄人脸识别效果，本文设计了基于多任务学习的跨年龄人脸识别系统。系统延续判别方法的思路，将多任务学习引入跨年龄人脸识别技术，使用年龄估计任务指导人脸识别任务的进行，从而将年龄因素从人脸识别特征中剔除，提升跨年龄人脸识别的准确率。系统设计的核心思想 重点考虑年龄因素跨年龄人脸识别技术与普通人脸识别技术相比，最大的不同就是年龄跨度，最大的难点在于如何处理因年龄带来的面部变化。随着年龄的增长，人们脸部的轮廓和纹理都会发生改变，导致了类内差异的增大，当类内差异大于类间差异时，跨年龄人脸识别就难以获得良好的结果。因此，为了解决跨年龄人脸识别问题，应从其最大的难点，即年龄因素出发设计系统。应用多任务学习年龄和身份是人脸的重要属性，它们之间存在一定的关联性，可以被视为相关的任务，因此，使用多任务学习方法同时解决年龄估计和人脸识别是合理且富有意义的。此外，跨年龄人脸识别技术面临的一个重要挑战是数据库的缺失。由于年龄是个人较为隐私的信息，收集有年龄信息的人脸图片比较困难，通常采用两种方法解决：使用名人组成含有年龄信息的数据库，将照片上传日期和名人出生日期之间的差值作为照片中人脸的年龄，这种方法的缺点是无法避免年龄错误图片的存在；在受限环境下收集数据，寻找志愿者拍摄图片，通过个人信息的收集保证年龄信息的准确，这种方法的缺点是数据库的数据量有限，且年龄差异不会很大。考虑到跨年龄人脸识别数据库存在的问题，使用多任务学习的结构能够使用仅含身份信息与年龄信息的数据对网络进行预训练，让网络从多个任务的不同数据中获取更加丰富的信息，对跨年龄人脸识别产生积极影响。第 期郑天悦，等：基于多任务学习的跨年龄人脸识别系统的设计与实现 拆分人脸信息一张人脸图片可以被表达为两种成分的组合：与年龄相关的成分；与年龄无关的成分。年龄成分反映了年龄变化对人脸产生的各种影响，如脸部轮廓形状的变化、皮肤纹理的变化、皱纹增多等；与年龄无关的成分，则意味着即使年龄发生变化，脸部一些身份本质的属性仍然不变，如眼睛的颜色和五官位置等，并不会随着年龄的增长而发生改变。每个人在不同年龄段都会存在这两种成分，不同的人在相同年龄阶段会共享一些相同的面部特征，如在儿童时期，人们的眼睛相对较大，脸部轮廓比较圆润；随着年龄的不断增加，人脸的轮廓变得越来越明显，有些人的眼睛在面部中的比例逐渐减小，青春期男性会长出胡须，老年期的脸部则开始出现皱纹、松弛和下垂等现象。这些现象进一步证明了人脸信息的可拆分性。因此，在跨年龄人脸识别过程中，如果可以获取年龄不变的身份本质信息，年龄的影响就将不复存在。实际由于各种因素的影响，直接获取年龄不变的人脸特征较为困难，获取普通的人脸识别特征和年龄特征则相对容易。普通的人脸识别特征可以通过常用人脸识别任务获得，年龄特征可以通过年龄估计任务获得。获得两种特征后，从普通的人脸特征中剔除年龄特征的影响，即可得到年龄不变的人脸身份特征，该特征可以用于跨年龄人脸识别任务。这种剔除年龄影响的方法是针对跨年龄人脸识别技术的独特思考，与常规的人脸识别方法有差异，能够带来更为准确的识别结果。系统设计的理论依据系统设计时，将一张人脸图片拆分为年龄不变的身份部分和表达年龄的部分，并使用年龄不变的身份部分进行跨年龄人脸识别。为了简化计算并保证鲁棒性，将普通人脸特征视为年龄特征与年龄不变的人脸特征的组合，特征之间的关系被视为线性关系，计算如下。()()()()（）式（）中：为 维向量，是通过普通的人脸识别任务获得的人脸特征，仍受到年龄因素影响；为 维向量，是通过年龄估计任务获得的年龄向量；，是在训练过程中获得的参数；为 维向量，通过特征相减获得，代表年龄不变的人脸身份特征，利用此特征可以进行跨年龄人脸识别；（）与 （）为卷积神经网络全连接层的映射函数。系统设计的整体流程基于多任务学习的跨年龄人脸识别系统，利用年龄特征从普通的人脸特征中提取出年龄不变的人脸特征，并利用此特征进行跨年龄人脸识别。方法的整体流程如图 所示。图 基于多任务学习的跨年龄人脸识别系统流程图由图 可知，卷积神经网络的训练数据需要同时具备年龄标签和身份标签。系统流程主要包含年龄估计和人脸识别两个任务，这两个任务共享卷积神经网络和第一个全连接层，在后续的连接层中出现分叉。年龄估计任务采用年龄损失函数进行优化，人脸识别任务使用人脸识别损失函数进行优化；两种损失函数共同更新网络参数，使网络能够同时优化两个任务。北 京 工 业 职 业 技 术 学 院 学 报第 卷在系统流程中，人脸图片及其对应的身份和年龄标签被输入深度学习网络，经过四个卷积层后，数据会被送到一个名为 的全连接层中，并输出一个 维的向量 ，该向量含有年龄信息和身份信息，能被用于身份特征的提取。随后，向量 被送入另一个全连接层 ，其输出也是一个 维的向量，这个向量被用于年龄估计任务，完成对年龄的预测。值得注意的是，由于 的特征是通过年龄估计任务获得的，它很可能同样包含了一些对身份识别有用的信息。为了不去除身份信息，另一个全连接层 被使用，对 获得的年龄特征进行筛选和处理，而后再从普通身份特征中消除年龄因素的影响，从而获得年龄不变的身份信息。通过全连接层 进一步调整年龄和身份特征之间的关系，使用 输出的向量 完成跨年龄人脸识别任务。系统中所有全连接层输出的特征维度都是 维向量，以确保网络在不同任务之间的平衡性以及数据的连续性。实验分析与讨论为检验本文设计系统的可行性与有效性，将该系统应用于经典跨年龄人脸识别数据库 ，通过图片预处理、指标计算与模型评价等步骤验证系统的识别效果。图片预处理由于人脸结构具有高度规律性，五官的位置通常不会有显著变化，人脸对齐在与人脸相关的处理任务中至关重要。人脸对齐可以确保面部特征点处于相同的位置，从而为网络结构提供更加规范的输入，有利于后续的训练。数据库中采用三点对齐法对图片进行预处理。指标与评价方案 是 数据库的扩展，为跨年龄人脸识别技术提供了更大规模和更多样化的数据集。它包含了超过 张面部图像，这些图像来自 多人，年龄从 岁。实验时，数据库中 人的图像用于训练，人的图像用于测试，训练数据和测试数据之间没有身份重叠。对于测试集中的每个人，选择其年龄最小和最大的两张面部图像作为 集和 集，采用第一张匹配平均正确率（）作为评估识别结果的标准。系统测试结果比较使用 测试集，将本文设计的系统（系统）与两大类系统进行比较：第一类系统为基础模型系统，使用无特征相减功能的 种基础模型系统与 系统对比，判断特征相减的作用；第二类为当前业内较为主流的跨年龄人脸识别系统，通过比较判断 系统在业内的领先性。与基础模型系统比较基础模型系统为无特征相减的模型系统，包含以下三种：基础系统 （），卷积层和第一个全连接层与 系统完全相同，但仅完成人脸识别任务，且并未使用 训练数据进行训练，而是利用 数据库的数据进行训练。该系统主要用于后续模型参数的初始化。基础系统 （），在 的基础上使用 训练数据进行训练，将 的输出作为人脸特征，仅完成人脸识别任务，不涉及其他任务。的主要作用是评估与普通的人脸特征相比，所提的年龄不变的人脸特征是否更具有优势，从而判断通过年龄任务的指导，从普通的人脸特征中剔除年龄部分以获取针对跨年龄问题的人脸特征这种思路是否有效。基础系统 （），卷积层与 系统完全相同，但不涉及特征相减，仅在卷积层后连接两个全连接层，分别完成年龄估计和身份识别的任务。的特征维度仍然是 维向量，主要作用是探索年龄估计和跨年龄人脸识别之间的关系，从而判断多任务学习和特征相减对跨年龄人脸识别的效果影响分别有多大。在 数据库中，系统与三种基础系统的识别结果如表 所示，可以看到，系统的识别准确率最高。表 四种系统的识别结果 准确率 系统 系统 系统 系统 由表 可知：的识别准确率只有 ，而 的准确率 ，提升了将近 ，提升十分明显，说明 数据库和 数据库之间的差异较大，直接使用 数据训练获得的特征不够强大；单任务人脸识别 的结果与多任务人脸识别 的结果比较接近，表明预训练和 已经有效避免了过拟合，多任务学习在避免过拟合方面并未发挥额外作用，同时完成年龄估计和人脸识第 期郑天悦，等：基于多任务学习的跨年龄人脸识别系统的设计与实现别与仅完成人脸识别相比，效果差异不大，说明两个任务并不互相冲突，多任务学习得到的模型集成度更高；系统的准确率 ，比 和 均高出约 ，表明年龄估计任务可以有效指导跨年龄人脸识别，通过年龄估计获取年龄特征，再经由全连接层获得年龄因素，将年龄信息从普通的身份信息中剔除，就能获得不受年龄因素干扰的身份特征，此特征用于跨年龄人脸识别可获得良好结果。与主流方法比较目前人脸识别技术的主流方法有 ，及 ，将 系统与上述方法分别代入 数据库，识别结果如表 所示，可以看出，系统的识别准确率仍然最高。由结果可知，尽管普通的人脸特征能在通用人脸识别中取得较好的结果，但这些特征往往包含年龄信息，并未针对年龄进行处理，在一定程度上影响了跨年龄人脸识别任务的性能。本文设计的系统成功从普通人脸特征中剔除了年龄信息的影响，进一步提高了跨年龄人脸识别的准确率。表 与主流方法的识别结果比较 准确率 系统 结论本文针对跨年龄人脸识别技术存在的年龄干扰问题，设计了基于多任务学习的跨年龄人脸识别系统。系统使用多任务学习的卷积神经网络模型，利用任务增强人脸识别性能、年龄估计任务获得独立的年龄特征，两个任务同时进行解决跨年龄人脸识别问题。将设计的系统与基础模型系统及业内较为主流的跨年龄人脸识别系统代入 数据库进行比较，实验结果证实：系统可有效提升跨年龄人脸识别的准确率和鲁棒性，具有实际应用价值。参考文献 ，（）：，（）：，（）：，（），（）：，：，（）：，：，?：，：，：，：，：（责任编辑：黄宇婷）北 京 工 业 职 业 技 术 学 院 学 报第 卷人脸识别 ，