【跨年龄人脸识别研究现状的国内外文献综述3500字】

生活方式、阳光照射、压力，疾病等都会对面部变化产生影响。面部在不同的年龄阶段会有不同的衰老模式，在儿童期(1-18岁)变化最大的部分是肌肉和骨骼结构；成人后的衰老过程主要是以皱纹、后缩、皮肤下垂、眼睛倾斜等为特征。根据FRVT(人脸识别算法测试)报告估计，因为年龄导致的人脸差异每年变化为5%[2。如今年龄不变的人脸识别技术被广泛地分为三种方法：生成式人脸识别、判别式人脸识别和深度学习人脸识别。(1)生成法：生成方法会对人脸面部形状和纹理的衰老趋势建立老化模型，来模拟人脸衰老过程中造成的纹理、形状、肤色等变化。2002年Lanitis等人3]首次使用主动外观模型(activeappearancemodel,AAM)⁴1和主成分分析法(PrincipleComponentAnalysis,PCA)⁵提取不同年龄跨度的颅面生长和灰度变使用PCA将提取到的人脸浅层特征降维，之后并进一步计算了人脸老化函数，建立了人脸老化模型用于模拟目标年龄的面部图像。目前生成法存在一些缺陷，生成法往往需要很强的先验知识和数据量足够大范围足够广的数据集，另外对于数据集的年龄以及面部关键点的标注信息需要非常准确。使用生成法建立的模型可能会存在模型复杂度较高，参数设置上需要较强的人工监督等问题6,导致付出的时间与计算成本较大。最后，如果使用生成方法进行识别的话，需要输入希望得到的指定人脸的老化年龄，造成了实用性的下降。(2)判别法：判别法的核心思想是从提取到的众多人脸特征中，分离出随年龄增长面部衰老发生变化的人脸年龄特征和对于年龄变化稳定的身份特征，使用随面部衰老变化较少更加稳定的身份特征来进行判别。由于面部衰老基本是全局变化，因此提取局部特征描述子的模型接连取得了优异的效果。Li等人7使用了多个局部特征描述子，包含改进的多尺度LBP特征(MLBP)⁸1和SIFT⁹特征提取随年龄增长稳定的特征进行跨年龄的人脸识别。取年龄不变的特征，并将这种方法命名为沃尔什-阿达玛变换编码的LBP(WLBP)。WLBP应用于经过预处理的眼周区域，而不是整个面部。研究表明眼周区域是面部最具年龄不变性的区域，同时眼周区域还具有最密集、最复杂的生物信息特征。后来多种局部描述符被广泛应用于人脸识别中。因为每个特征描述符都代表不同的信息，使用它们的组合可以提供最具判别性的信息。判别类方法通常使用多个描述符的人脸表示，通过将单个特征向量连接成一个新的向量来实现的，由于每个特征都有特定的统计属性，将这些特征串联起来会存在忽略单个特征在多个特征中权重的问题。最近，新的基于边缘的局部特征描述符，如位置三元模式(PTP)121、定向年龄原始模式(DAPP)¹31和局部边缘原型模式(LEPP)¹4被提出用于捕捉边缘方向信息。这些是特别设计的特征描述符，可以有效地捕捉面部衰老。使用局部描述符的方法虽然有不错的效果，但这些方法没有分离年龄因素，因此在数据量较大或者年龄跨度较大的复杂场景下效果有所下降。(3)深度学习方法：随着深度学习以及神经网络技术的发展，图像处理、人脸识别、目标检测等计算机视觉领域的传统问题在精确率方面有了巨大的提升。深度学习与卷积神经网络的方法把人脸特征提取的过程从人工先验知识设计特征转化为了端到端的提取。我们也可以把基于卷积神经网络和深度学习的方法当作一种特征提取的工具。因此基于深度学习使用方式的区别，跨年龄人脸识别同样可以被分为判别方法和生成方法。很多研究目前在针对老化人脸问题开展深度学习算法的解决方案，依靠生成将人脸图片输出，使用深度学习方法进行老化模拟，输出老化后的面部图像及逆行匹配，由此以来这些方法自然也会有和传统方法较为一致的弊端和缺陷，其中包括过于依赖年龄标签数据集。相比之下，学术界对于判别类深度学习的关注度更高且取得了更理想的效果。Bianco等人18提出了将先验知识获取到的随年龄稳定的手工特征在深度卷积神经网络中与深度特征融合进行年龄不变的面部识别的方法。Wen等人[6中对文献[191中的发明的借助深度卷积网络和隐因子分析法进行结合提取特征并识别的方法进行了改进，实现了面部全局特征中年龄特征和身份特征的有效分解。Li等人在人脸全局身份特征提取网络中增加年龄特征提取任务以及结合隐因子分析法分类判别提取网络并使用隐因子分析的方法对随衰老稳定的人脸身份特征进行征通过softmax损失分离出与年龄相关特征，在人脸全局特征中减去年龄特征得1.2存在的问题(1)现有的跨年龄人脸识别算法中，生成法与判别法的识别效果并不理想且从网络上获取的包含4668个人物身份的约313986张人脸图像的非公开数据集年龄人脸数据集只有包含几万到十几万数据量的Morph2241和CACD²5,且他们(2)档案馆中的档案人像照片通常包含各种场景，所以光照、背景、人像角度等因素会带来干扰。另外档案馆中还存在着许多老旧档案，这些档案中的照片可能是黑白照片，存在着分辨率低，照片有破损污点等问题。因为档案人像图片质量较低，在特征提取的过程中会造成有效特征丢失等问题，而目前现有的跨年龄人脸识别研究并没有考虑到图像质量、光照等干扰因素。所以如何在档案跨年龄人脸识别任务中提取到丰富的人脸随年龄不变的稳定特征，以及如何分理出特征中随年龄变化的年龄因素是亟待解决的问题。[2]Sawant,M.M.,Bhurchandi,K.M.Ageinvariantfacedatabases,techniquesandeffectofaging.ArtifIntellRev52,981-1008(201[4]CootesTF,EdwardsGJ,TaylorCJ.ActiveSociety,2001.[5]TurkMA,PentlandAP.FacerecComputerSocietyConf[6]Y.Wen,Z.Li,andY.Qiao.Latentfacage-invariantfacerecognition[C].InProceedingsoftheIEEECandPatternRecognition.June2016,pp.489[7]LiZ,ParkU,JainAK.ADiscriminativeModelforAgeInvariantFaceRecognTransactionsonInformationForensics&Security,2[8]LoweDG.DistinctiveImageFeaturesfromScJournalofComputerVision,2004,60(2):91-110.[9]OjalaT,PietikainenM,MaenpaaT.Multiresolutiongray-scaleandrotatclassificationwithlocalbinarypatterns[J].IEEETransactioIntelligence,2002,24(7):971-987.[10]LuefeixuF,LuuK,SavvidesM,etal.Investiperiocularbiometrics[M].IEEE,2011.[11]OjalaT,PietikainenM,HarwoodD.PerformanceevaluationoftexturemeasureswithclassificationbasedonKullbackdiscriminationofdistributions[C]/Proceedingsinternationalconferenceonpatternrecognition.IEDealingwithtexture.2006.[12]IqbalM,RyuB,SongG,etal.PositionalTernaryPattedescriptorforhumanagereElectronics.IEEE,2016.[13]IqbalM,ShoyaibM,RyuB,etal.DirectionalAge-PrAgeGroupRecognitionandandSecurity,2017,PP([14]IqbalM,ChaeO.MiningWrinkle-PatternswithLocalEdgePDescriptorfortheRecognitionofHumanAge-groups[J].InternationalJournalofImage,GraphicsandSignalProcessi[15]ZhangZ,SongY,QiH.AgeProgression/RegressionbyConditionalAdAutoencoder[C]//201(CVPR).IEEE,2017.[16]FaceAgingwithIdentity-PreservIEEE/CVFConferenceonComputerVisingD,WangY,etal.LearningFaceAf[19]GongD,LiZ,LinD,etal.HiddenFactorAnalRecognition[C]//Proceedingsofthe2013IEEEInternVision.IEEE,2014.[20]LiH,HuH,YipC.Age-RelatedFactorGuidedJointTaskModelingCoNetworkforCross-AgeFaceRecognition[J].IEEETransactionsonInformationForSecurity,2018,PP(99):1-1.[21]Y.Wang,D.Gong,Z.Zhou,X.Ji,H.Wang,Z.Li,W.Liu,andT.Zhang.OrthogonalDeepFeaturesDecompositionforAge-InvariantFaceRecognition[C].InConferenceonComputerVision[22]ZhengT,DengW,HuJ.AgeEAge-InvariantFaceRecognition[C]//IEEEConferenceonComputerVision&PatteRecognitionWorkshops.IEEE,2017.Recognition[C].InIEEE[24]RicanekK,TesafayeT.MORPH:ALongitudinalImageAge-Progression[C]//IEEEComputerSociety,2006.[25]BCChen,CSChen,WHHsu.Cross-agereferencecodingforageandretrieval[C].EuropeanConferenceonComputerVision.Springer,Cham,2014:768-783.[26]KingDE.Dlib-ml:AMachineLearningToolkit[J].JournalofMachineLearningResearch,[27]GaryB.etal.Theopencvlibrary[J].DoctorDobbsJournal.2000,25(11):120-126.[28]ZhangK,ZhangZ,LiZ,etal.Join