基于BIF和KR-RCA的跨年齡人臉圖像識別

王蓉蓉 ，師睿

（1.國網(wǎng)冀北電力有限公司管理培訓(xùn)中心，北京102488；2.神州高鐵軌道交通運營管理有限公司，北京 100044）

跨年齡人臉識別是一個重要且極具挑戰(zhàn)性的研究課題，實際生活中對護照驗證、尋找失蹤兒童、追捕在逃嫌犯等工作都有很大的幫助[1]。人臉老化是一個緩慢的過程，人的老化受到許多因素的影響，如基因、生活環(huán)境、生活方式、種族等，因此任何兩個人的老化過程都不是完全相同的[2]。另外，圖像采集的環(huán)境也是非約束的，在實際應(yīng)用中識別的準確度也會受到光照、姿態(tài)、表情等因素的影響[3]。近十幾年來，人臉老化吸引了許多學(xué)者進行研究，其中研究工作多集中在老化過程的模擬、年齡估計等，跨年齡人臉識別或驗證的相關(guān)研究則相對較少。

人臉老化主要分為兩個階段：兒童時期皮膚紋理不會發(fā)生明顯的變化，年齡增長的主要表現(xiàn)是顱骨形狀的變化，成年人隨著年齡的增長顱骨不再發(fā)生明顯的變化，皮膚卻會逐漸松弛，出現(xiàn)皺紋、斑點等，但是老化的速度并不均勻，皮膚發(fā)生明顯變化的年齡段與種族、生活環(huán)境、生活習(xí)慣等均有關(guān)系。

目前跨年齡人臉識別的方法主要可以分為兩種：生成模型和判別模型。生成模型出現(xiàn)較早，但是生成模型需要估計人臉的年齡，然后用訓(xùn)練好的模型合成相應(yīng)年齡人臉的2D圖像、3D模型或特征向量再進行匹配，由于無法準確地模擬復(fù)雜多變的老化過程，且依賴于年齡估計的精確度和大量的參數(shù)假設(shè)，生成模型無法達到更加準確的識別。N Ramanathan和R Chellappa[4]提出人臉生長模型驗證小于18歲的人臉；杜吉祥[5]等人提出了一種3D模型和模擬方法實現(xiàn)跨年齡人臉識別；劉志哲[6]等人提出了針對人臉年齡的組合動態(tài)模型，并結(jié)合與或圖模型實現(xiàn)人臉識別；李亞[7]等人在特征空間合成人臉在目標年齡的特征向量進行人臉識別；張建明[8]等提出一個統(tǒng)計模型來捕捉隨時間變化人臉紋理和形狀的變化。判別模型則大多選擇合適的特征空間，然后使用一個或多個有效的分類器對得到的特征進行分類，即人臉識別。王俊艷[9]等人融合SIFT和MLBP作為特征向量，提出了MFDA作為分類器對跨年齡人臉進行分類；H Li[10]等人使用GOP作為特征向量，SVM作為分類器進行跨年齡人臉識別；Fantini J[11]等人使用LBP作為特征向量，提出了CARC對特征向量進行再編碼；Van F[12]等人使用HOG作為特征向量，提出了HFA實現(xiàn)了跨年齡人臉識別；Kirkhus B[13]等人采用了BIF特征和最近鄰分類器。

在簡述BIF特征提取和KR-RCA分類的基礎(chǔ)上，提出了兩者混合模型解決跨年齡人臉圖像識別技術(shù)，通過對BIF特征提取后PCA降維后，結(jié)合KR-RCA分類實現(xiàn)跨年齡人臉圖像識別。

1 特征提取及分類

提出使用BIF特征以及加入正則化和核化相關(guān)成分分析的方法實現(xiàn)跨年齡人臉識別。對BIF特征采用PCA降維后，采用KR-RCA實現(xiàn)跨年齡人臉識別。

1.1 BIF特征提取

如圖1所示，首先對圖像進行預(yù)處理。本文采用K Zhang[14]等人提出的神經(jīng)網(wǎng)絡(luò)檢測輸入人臉圖像的五個關(guān)鍵點，包括左眼、右眼、鼻子、左嘴角和右嘴角，然后根據(jù)上述關(guān)鍵點位置對圖像進行對齊，使每一張圖像雙眼距離相等且處于同一水平線上，最后剪切對齊后的圖像，除去不必要的背景、頭發(fā)等部分，使得用于訓(xùn)練的圖像只有人臉部分。

BIF（Biologically Inspired Feature）[15]，又稱為HMAX模型或P&R模型，在目標識別方面有很好的效果，其靈感源于靈長類動物視覺系統(tǒng)的前饋模型，后由Moeini A[16]等人改進后應(yīng)用于人臉識別，Gaucher C[17]等人使用BIF特征進行年齡估計，Li H[10]等人采用了BIF特征實現(xiàn)跨年齡人臉識別。用于目標識別的BIF由兩個S（Simple）層和兩個C（Complex）層交叉組成。第一層，即S1層，是對上文預(yù)處理后的圖像在4或8個方向以及若干個尺度下進行 Gabor濾波，如式（1）、（2）和（3）所示，

其中，θ表示Gabor函數(shù)并行條紋的方向，λ表示波長，σ表示相位偏移，γ表示長寬比；第二層，即C1層，是把S1層濾波后的圖像在相鄰尺度、相同方向和一定得窗口內(nèi)進行有重疊地池化，與目標識別最大池化不同的是，本文采用均值池化；第三層和第四層，即S層和C2層，是針對目標識別更高級別的層，在人臉識別中，沒有必要使用S2層和C2層，所以這里不再贅述。為了與BIF特征有所區(qū)別，本文把均值池化的BIF稱為Mean-BIF。

提取BIF特征的方法借鑒于E Meyers提出的改進的BIF，只使用BIF的前兩層S1和C1層，最后把C1層的輸出整合為一個向量作為特征向量。表1是S1層Gabor濾波和C1層池化的參數(shù)，該參數(shù)表與E Meyers[18]和T Serre[19]使用的相同。

如圖2所示，每個濾波方向為一組，預(yù)處理后的圖像經(jīng)過S1層得到64副濾波后的圖像，C1層池化后共32副圖像，最后聯(lián)結(jié)所有C1輸出得到特征向量。

表1 生物特征提取參數(shù)Tab.1 Parameters used to creat Biologically-inspired Feature

圖2 Mean-BIF特征提取

1.2 KR-RCA分類

采用加入正則化和核化的相關(guān)成分分析（KRRCA）對樣本進行分類。相關(guān)成分分析（Relevant Component Analysis，RCA）由 N Shental[20]等人首次提出并用于人臉識別，IW Tsang[21]等人提出核化的RCA，E Meyers[18]等人在此基礎(chǔ)上為RCA加入正則項。采用A Bar-Hillel[22]使用的RCA和E Meyers[18]的KR-RCA。

若計算兩個樣本點和的距離，則把兩個樣本點通過變換矩陣W投影，然后計算投影后的樣本點的馬氏距離，如式（5）、（6）所示。

（1）對于每個類別集合，求其包含所有樣本的均值，如式（7）所示；

（2）計算所有中心數(shù)據(jù)點的協(xié)方差矩陣，如式（8）所示；

（3）計算Whitening變換矩陣，并把原始數(shù)據(jù)投影。即為馬氏距離的協(xié)方差矩陣。

KR-RCA是在上述算法的基礎(chǔ)上加入正則化和核化，本文采用E Meyers[18]提出的KR-RCA，核函數(shù)采用線性核函數(shù)，具體算法本文不再贅述。

2 實驗

如圖3所示，每行是同一個人在不同年齡的人臉圖像。人臉隨年齡增長會發(fā)生較大的改變，化妝也會在一定程度上改變其相貌。使用FG-NET和MORPH兩個最常用的數(shù)據(jù)庫進行實驗。

圖3 FG-NET數(shù)據(jù)庫的人臉圖像(數(shù)字為年齡)

FG-NET數(shù)據(jù)庫包含82個人，共1002幅人臉圖像，每人平均約12幅人臉圖像，年齡跨度是0～69歲，每個人的樣本年齡分布較MORPH數(shù)據(jù)集更加分散。實驗采用留一法，即依次選擇一幅圖像作為測試圖像，剩余1001幅圖像作為訓(xùn)練集。每幅人臉圖像均轉(zhuǎn)為灰度圖像，且剪裁至，提取的Mean-BIF特征為21008維，采用PCA對特征向量降至1000維。如表2所示，本方法能夠有效的實現(xiàn)跨年齡的人臉進行識別，且優(yōu)于多數(shù)算法。另外，還提取了采用最大池化的BIF和LBP特征與Mean-BIF進行比較，三種特征均降維至430維，并采用RCA和KR-RCA對特征空間分類作為比較，如圖4和圖5所示。

表2 FG-NET數(shù)據(jù)庫rank-1正確率

圖4 FG-NET數(shù)據(jù)集的RCA識別正確率

圖5 FG-NET數(shù)據(jù)集的KR-RCA識別正確率

如圖4所示，是上述三種特征使用RCA識別的正確率對比，如圖5所示，是上述三種特征使用KR-RAC識別的正確率對比。顯然，無論是rank 1還是rank 20，都是采用Mean-BIF和KR-RCA分類的效果最好。

MORPH數(shù)據(jù)庫由12938個人，共52099幅圖像，年齡跨度是16～77歲，本文選擇其中10000人，每人選擇年齡最小和最大的兩幅圖像作為訓(xùn)練集，測試集分為probe和gallery，分別包含剩余圖像中8111人年齡最小和最大的人臉圖像。每幅人臉圖像均剪裁至，提取的BIF特征為9168維，經(jīng)過PCA降維至400維。如表3所示，本文方法基本可以實現(xiàn)跨年齡人臉識別，但相比于FG-NET，效果并不明顯。由于MORPH數(shù)據(jù)集的數(shù)據(jù)分布與FG-NET差異很大，每個人樣本的年齡分布不夠分散，且訓(xùn)練集和測試集沒有交集對于測試的正確率影響較大。

表3 MORPH數(shù)據(jù)庫rank-1正確率

對樣本提取了采用最大池化的BIF和LBP特征作為對比，圖6是一些錯誤識別的結(jié)果，第1列是probe測試圖像，第2～6列依次是按相似程度測試圖像在gallery集中選擇的圖像，rank 1表示相似度最高。紅色邊框標記的是正確的識別結(jié)果。

圖6 錯誤識別的結(jié)果

如圖7所示，均采用KR-RCA進行分類，顯然采用Mean-BIF和KR-RCA分類器下優(yōu)勢明顯。

圖7 MORPH數(shù)據(jù)集的正確率

3 結(jié)論

提出了基于Mean-BIF和KR-RAC的跨年齡人臉識別。首先，對人臉圖像進行人臉對齊預(yù)處理，其次，提取Mean-BIF特征，通過不同尺度和不同方向的Gabor濾波和均值池化提取人臉的紋理和輪廓信息，減少人臉位移等因素的影響，然后對特征空間采用PCA降維，最后采用KR-RCA對特征空間分類。針對FG-NET和MORPH數(shù)據(jù)庫的實驗表明，上述方法能夠有效地實現(xiàn)跨年齡人臉識別，且可以達到較為理想的準確率。在今后的工作中，應(yīng)該更多針對大年齡跨度的人臉識別，降低年齡在人臉特征中的體現(xiàn)。