李 帥，席志紅

(哈爾濱工程大學(xué) 信息與通信工程學(xué)院，黑龍江 哈爾濱 150001)

0 引言

人臉識(shí)別技術(shù)具有與人友好性、實(shí)時(shí)準(zhǔn)確性、非接觸性和更能被人們接受等優(yōu)點(diǎn)。然而采用機(jī)器實(shí)現(xiàn)人臉的自動(dòng)識(shí)別依賴于對(duì)人臉圖像的處理，而且在不同視角、光照條件以及年齡變化下，同一個(gè)人的人臉圖像有很大的差別，因此人臉自動(dòng)識(shí)別技術(shù)的研究是一個(gè)具有挑戰(zhàn)性的課題。本文研究如何實(shí)現(xiàn)具有年齡跨度的人臉圖像匹配功能的人臉識(shí)別系統(tǒng)，目的是從系統(tǒng)角度提升跨年齡識(shí)別的準(zhǔn)確率。

在研究跨年齡人臉識(shí)別問(wèn)題中，主要有2個(gè)研究方向。年齡模擬法[1-3]是利用年齡影響過(guò)程的漸進(jìn)性，構(gòu)建一個(gè)年齡影響下的人臉特征變化模型，用它生成一個(gè)近似目標(biāo)年齡的人臉圖像，再進(jìn)行人臉匹配。Patterson等[4]對(duì)人臉圖像的年齡估計(jì)進(jìn)行了研究。Cootes等[5]首次將主動(dòng)形狀模型(Active Appearance Models，AAM)應(yīng)用于建立人臉統(tǒng)計(jì)模型，并建立了年齡與人臉特征參數(shù)的關(guān)系表達(dá)式。判決法[6-8]被學(xué)者們提出，其主要思想是尋找到人臉圖像不隨年齡變化穩(wěn)定的特征。文獻(xiàn)[9]使用梯度方向金字塔GOP作為判決特征。雖然判決法相對(duì)年齡模擬法在算法上得到提升，但沒(méi)有在人臉識(shí)別系統(tǒng)的各個(gè)環(huán)節(jié)上進(jìn)行優(yōu)化。本文在特征算法和人臉識(shí)別系統(tǒng)的各個(gè)環(huán)節(jié)進(jìn)行優(yōu)化，即人臉檢測(cè)、人臉預(yù)處理和人臉識(shí)別算法。

1 人臉識(shí)別系統(tǒng)

人臉識(shí)別系統(tǒng)主要包括圖像采集、人臉檢測(cè)、圖像預(yù)處理、特征提取和人臉圖像特征匹配五部分，實(shí)現(xiàn)過(guò)程如圖1所示。

圖1 人臉識(shí)別系統(tǒng)實(shí)現(xiàn)過(guò)程

(1)人臉數(shù)據(jù)庫(kù)

人臉數(shù)據(jù)庫(kù)是指包含多張人臉圖像并且其中包含同一個(gè)人在不同年齡段的多張圖像的數(shù)據(jù)庫(kù)。因此，通常情況下，年齡數(shù)據(jù)庫(kù)是年齡不變性人臉識(shí)別算法訓(xùn)練和測(cè)試的數(shù)據(jù)來(lái)源。用于對(duì)本文所提系統(tǒng)進(jìn)行訓(xùn)練和測(cè)試的人臉年齡數(shù)據(jù)庫(kù)是FG-NET數(shù)據(jù)庫(kù)和MORPH-II數(shù)據(jù)庫(kù)。

(2)人臉檢測(cè)

對(duì)得到的任意圖像進(jìn)行分析，通過(guò)某種算法判斷圖像中是否有人臉，確定其位置范圍、旋轉(zhuǎn)角度、數(shù)量或者姿勢(shì)，然后根據(jù)以上信息剪裁出人臉區(qū)域。

(3)圖像預(yù)處理

對(duì)人臉圖像進(jìn)行歸一化、人臉矯正及濾除噪聲等操作，此步驟是人臉識(shí)別的重要步驟，將為下一步提取特征提供保證。歸一化的目的是把圖像中的背景、頭發(fā)等無(wú)用的干擾信息去除。

(4)特征提取

特征提取的主要目的是用特征向量的形式表征出預(yù)處理后的人臉圖像信息。特征提取是整個(gè)人臉識(shí)別系統(tǒng)中的關(guān)鍵階段，好壞直接影響人臉識(shí)別算法的性能，而且由于人臉面部含有大量視覺(jué)信息，只有提取出本質(zhì)信息，機(jī)器才能對(duì)其進(jìn)行分類和識(shí)別。

(5)人臉圖像特征匹配

對(duì)提取出的人臉圖像特征進(jìn)行相似度對(duì)比，根據(jù)相似度對(duì)比結(jié)果實(shí)現(xiàn)人臉識(shí)別，或者通過(guò)分類器，針對(duì)人臉圖像特征，采用某種分類方式實(shí)現(xiàn)人臉圖像的分類，最終實(shí)現(xiàn)人臉識(shí)別。人臉識(shí)別分為兩大類：第1類是1∶1人臉匹配，其中一張圖像是系統(tǒng)中的人臉圖片，另一張是用戶給定的待識(shí)別人臉圖像，匹配結(jié)果是判別待識(shí)別的圖像是否和系統(tǒng)中給定的圖像是同一個(gè)人。第2類是1∶N人臉匹配，把用戶給定的一張人臉圖像和系統(tǒng)中所有的人臉模板進(jìn)行匹配，用來(lái)確定這張人臉圖像在已知數(shù)據(jù)庫(kù)中的身份。本文采用第2類人臉匹配，從跨年齡人臉數(shù)據(jù)庫(kù)中選取多組同一人的2張圖片作為測(cè)試集，目的是判斷模型是否能準(zhǔn)確匹配。

2 人臉檢測(cè)

通常人臉圖像采集階段獲得的圖像幀，不能直接進(jìn)行后續(xù)操作，這是由于受到環(huán)境、采集條件等各種影響，人臉圖像的姿態(tài)、表情位置等有一定差異，而且人臉圖像中的背景等干擾會(huì)對(duì)后續(xù)的人臉識(shí)別帶來(lái)不必要的計(jì)算量。因此，有必要對(duì)人臉圖像進(jìn)行人臉檢測(cè)。

人臉檢測(cè)是基于視覺(jué)的人與電腦、人與機(jī)器人等所有人機(jī)交互系統(tǒng)的首要步驟，屬于目標(biāo)檢測(cè)領(lǐng)域中特定類別目標(biāo)的檢測(cè)。人臉檢測(cè)的核心問(wèn)題是一個(gè)二分類的問(wèn)題，即實(shí)現(xiàn)一副圖像中人臉和背景的區(qū)分。人臉識(shí)別的主要目的是標(biāo)注出人臉在人臉圖像中的具體位置，并將其提取出來(lái)。然而，實(shí)際采集到的人臉圖像中人臉姿態(tài)存在多樣性的問(wèn)題，給后續(xù)的人臉特征提取和人臉識(shí)別帶來(lái)困難。因此，人臉對(duì)齊技術(shù)也是人臉檢測(cè)的重要研究?jī)?nèi)容。

2.1 人臉檢測(cè)的算法

從歷史發(fā)展的總體趨勢(shì)來(lái)看，深度學(xué)習(xí)的快速發(fā)展對(duì)人臉檢測(cè)的發(fā)展起到了質(zhì)的推動(dòng)作用。基于深度學(xué)習(xí)的人臉檢測(cè)方法基本分為2種：基于區(qū)域提名，如R-CNN，F(xiàn)aster R-CNN系列；基于端到端，如SSD等。Faster R-CNN系列具有很高的檢測(cè)性能，但速度很慢，無(wú)法滿足人臉檢測(cè)實(shí)時(shí)性的特點(diǎn)。SSD系列算法速度快，但在GPU實(shí)時(shí)性受限，依然有待提高。

鑒于深度學(xué)習(xí)模型下的人臉檢測(cè)算法在速度和實(shí)時(shí)性上有待提高，本文采用GitHub上的人臉檢測(cè)項(xiàng)目libfacedetection。它是由于仕琪[10]發(fā)布的一個(gè)二進(jìn)制庫(kù)，專門應(yīng)用于人臉檢測(cè)。通過(guò)調(diào)用其提供的4套接口函數(shù)，如表1所示，可以實(shí)現(xiàn)人臉檢測(cè)。本文采用該項(xiàng)目中的facedetect_multiview_reinforce函數(shù)進(jìn)行人臉檢測(cè)，主要原因是采用該函數(shù)進(jìn)行人臉檢測(cè)時(shí)，檢測(cè)效果好且檢測(cè)速度快，而且對(duì)于有一定偏角的人臉圖像，該函數(shù)也能檢測(cè)到人臉。

表1 libfacedetection提供的4個(gè)接口函數(shù)(x64)

接口函數(shù)耗時(shí)/msfacedetect_frontal2.41facedetect_frontal_surveillance3.37Facedetect_multiview5.81Facedetect_multiview_surveillance9.15

2.2 人臉對(duì)齊

在進(jìn)行人臉對(duì)齊之前，需要對(duì)人臉的關(guān)鍵點(diǎn)進(jìn)行檢測(cè)。人臉關(guān)鍵點(diǎn)包括面部輪廓、眼睛、鼻子、眉毛的形狀以及嘴的四周。接著對(duì)檢測(cè)圖像進(jìn)行映射或仿射變換，就可以得到不同人臉姿態(tài)下的正臉人臉圖像，方便后續(xù)的人臉特征提取和人臉識(shí)別。由于彩色人臉圖像中的背景干擾會(huì)大大增加人臉識(shí)別的復(fù)雜度，因此有必要對(duì)進(jìn)行對(duì)齊處理后的人臉圖像采用灰度化處理操作。

在不同姿態(tài)下的人臉檢測(cè)如圖2所示，第1張圖是原圖，第2張圖是人臉檢測(cè)效果圖，第3張圖是關(guān)鍵點(diǎn)檢測(cè)效果圖，第4張圖是人臉對(duì)齊及灰度化處理效果圖。從圖2 (a)可以看出，有一定偏斜角度的人臉圖像，經(jīng)過(guò)人臉對(duì)齊處理后，得到了正臉的人臉圖像。從圖2 (b)可以看出，檢測(cè)出了有俯仰角度的人臉圖像，但并沒(méi)有得到正臉人臉圖像。而且，當(dāng)俯仰角度增加到特定值時(shí)，檢測(cè)不出人臉圖像。

3 人臉預(yù)處理

由于光照等影響，檢測(cè)后的人臉圖像亮度不一且含有噪聲等干擾。因此，需要進(jìn)行濾除噪聲等預(yù)處理操作。人臉圖像預(yù)處理的目的是把圖像中期望突出的人臉特征顯著地表達(dá)出來(lái)，減弱其他不必要的特征。本文人臉預(yù)處理的目的主要針對(duì)光照、局部陰影，去噪和光亮部分對(duì)人臉識(shí)別的影響，給出解決方案。

3.1 冪律變換

冪律變換[11]也叫非線性的灰度變換，它的目標(biāo)是擴(kuò)大圖像陰影區(qū)域和光亮區(qū)域的動(dòng)態(tài)范圍，增強(qiáng)對(duì)比度，使陰影部分的紋理更加清晰。物體光強(qiáng)一般包括具有光滑連續(xù)函數(shù)的光照和物體表面反射(通常攜帶物體便面的信息)不受光照影響的物體信息可以通過(guò)數(shù)學(xué)公式得到。采用式(1)對(duì)原圖像上每一個(gè)像素點(diǎn)進(jìn)行乘積運(yùn)算。效果圖如圖3所示，圖3(a)表示處理前的圖，低光部分的細(xì)節(jié)經(jīng)過(guò)冪律變換后可以被清楚顯示，如圖3(b)表示。

I=c(I′)r，

(1)

式中，I′為圖像的灰度階，用二維矩陣表示；r∈[0，1]為用戶定義的參數(shù)，r一般取值為[0，0.5]時(shí)，取得很好的效果；c為比例系數(shù)；I為冪律變化后的灰度階。

圖3 冪律變換前后人臉圖像的變化(r=0.4，c=0.8)

3.2 差分高斯濾波

冪律變換并不能移除所有強(qiáng)梯度的影響(如陰影效應(yīng))，光照的梯度引起的陰影區(qū)域中，大部分是低頻信息，而且其中含有很多有用的信息。但是，這些信息卻難以和其他信息區(qū)分開。

差分高斯濾波器可以方便地實(shí)現(xiàn)上述2種功能。當(dāng)空間頻率中低頻區(qū)存在很多混淆信息時(shí)，差分高斯濾波器能很好地濾除混淆信息。濾波器的寬度由高斯分布參數(shù)sigma決定。通過(guò)設(shè)置參數(shù)sigma可以調(diào)整濾波器的效果。

3.3 對(duì)比度歸一化

由于圖像的邊界會(huì)產(chǎn)生高亮和無(wú)用信息，以及小的黑暗區(qū)域，所以需要把圖像強(qiáng)度標(biāo)準(zhǔn)化，再進(jìn)行歸一化處理[12]。如式(2)～式(4)所示。

(2)

(3)

(4)

式中，α為強(qiáng)抗壓指數(shù)，用來(lái)減小梯度階I中較大的值帶來(lái)的影響；τ為閾值，用來(lái)截?cái)嗟谝唤財(cái)嘧兓笕匀淮嬖诘妮^大的值。

預(yù)處理的效果圖如圖4所示，第1張是灰度處理后的圖，第2張是冪律變化處理后的圖，第3張是差分高斯濾波處理后的圖，第4張是對(duì)比度歸一化處理后的圖。由圖4可知，經(jīng)過(guò)3個(gè)階段的處理后，可以得到人臉圖像清晰的紋理信息，為以后的人臉特征提取和人臉識(shí)別帶來(lái)了方便。

圖4 預(yù)處理3個(gè)階段的效果實(shí)例

4 人臉識(shí)別算法

4.1 卷積神經(jīng)網(wǎng)絡(luò)VGGNet

VGGNet是由牛津大學(xué)視覺(jué)幾何組(Visual Geometry Group VGG)研發(fā)的。通過(guò)在AlexNet模型上進(jìn)行改進(jìn)，VGGNet模型的卷積核都采用3×3的尺寸，最大池化層采用2×2的尺寸，使模型結(jié)構(gòu)更簡(jiǎn)潔。VGGNet系列的模型層數(shù)有16～19層，這里的層數(shù)指的是卷集層和全連接層的個(gè)數(shù)。整個(gè)網(wǎng)絡(luò)有5段(Block)卷積，每一段內(nèi)有1～3個(gè)卷積層，而且，每一個(gè)卷積層內(nèi)的卷積核的數(shù)量相等，Block1～Block5的每一個(gè)卷積層的卷積核的數(shù)量分別為64，128，256，512，512，更多的卷積層能夠增加模型的非線性擬合能力。

網(wǎng)絡(luò)模型都采用3×3的卷積核(除了A-LRN網(wǎng)絡(luò)模型的Bolck1中的第2層采用LAN層，C網(wǎng)絡(luò)模型的Bolck3，Bolck4，Bolck4中的第3層采用1×1的卷積核)。

池化層的最大池化尺寸為2×2，更小的池化核和更小的卷積核在對(duì)圖片進(jìn)行卷積處理時(shí)，能夠更好地提取圖像細(xì)節(jié)特征，保留圖像原始特征。

VGGNet的以上特點(diǎn)，對(duì)圖像類問(wèn)題具有極強(qiáng)的優(yōu)勢(shì)。

4.2 人臉識(shí)別系統(tǒng)實(shí)現(xiàn)模型

本文所提系統(tǒng)是基于深度卷積神經(jīng)網(wǎng)絡(luò)的年齡不變性人臉識(shí)別算法，實(shí)現(xiàn)模型如圖5所示。

圖5 人臉識(shí)別系統(tǒng)實(shí)現(xiàn)模型

首先采用水平鏡像變換和隨機(jī)裁剪等數(shù)據(jù)增強(qiáng)策略實(shí)現(xiàn)訓(xùn)練數(shù)據(jù)的擴(kuò)增，然后采用微調(diào)策略訓(xùn)練改進(jìn)的VGG16網(wǎng)絡(luò)模型，并利用訓(xùn)練后的網(wǎng)絡(luò)模型提取出訓(xùn)練數(shù)據(jù)的人臉圖像特征，應(yīng)用于改進(jìn)EM迭代算法中，從而計(jì)算出人臉圖像特征的線性模型參數(shù)，最終得到線性模型。在測(cè)試過(guò)程中，利用訓(xùn)練后的改進(jìn)VGG16網(wǎng)絡(luò)模型提取測(cè)試數(shù)據(jù)的人臉圖像特征，接著基于提取出的人臉圖像特征，根據(jù)線性模型，提取出測(cè)試數(shù)據(jù)的身份特征，進(jìn)行人臉匹配和實(shí)現(xiàn)人臉識(shí)別。

4.3 人臉識(shí)別系統(tǒng)提取特征

在模型訓(xùn)練結(jié)束后，接著要根據(jù)訓(xùn)練好的模型來(lái)提取人臉圖像特征。首先輸入數(shù)據(jù)庫(kù)中選取的訓(xùn)練數(shù)據(jù)或測(cè)試數(shù)據(jù)的一張人臉圖像到深度卷積神經(jīng)網(wǎng)絡(luò)，經(jīng)過(guò)卷積、池化操作等反復(fù)過(guò)程，最終進(jìn)入到全連接層，并由全連接層輸出該人臉圖像的特征向量。深度卷積神經(jīng)網(wǎng)絡(luò)的特征可視化如圖6所示。該圖片的全連接層提取的特征如圖7(a)所示，左圖是該圖片在數(shù)據(jù)庫(kù)中的原圖，右圖是改進(jìn)VGG網(wǎng)絡(luò)模型的全連接層提取的高維特征。與圖7(b)相比，對(duì)于不同的人，全連接層提取的高維特征也不同。

圖6 深度卷積神經(jīng)網(wǎng)絡(luò)特征可視化示例

圖7 全連接層提取特征

4.4 EM算法

EM算法由Dempser，Laird和Rubin(1997)[5]提出，是一種對(duì)參數(shù)進(jìn)行極大似然估計(jì)的迭代優(yōu)化算法，屬于機(jī)器學(xué)習(xí)領(lǐng)域中非常簡(jiǎn)單實(shí)用的學(xué)習(xí)算法。本文利用EM算法求隱式似然函數(shù)，從全連接層得到的特征進(jìn)行10次訓(xùn)練，得到不隨年齡變化的人臉特征。

4.5 余弦距離

由于本文通過(guò)人臉特征提取方法得到了人臉圖像的特征向量，即給定一對(duì)測(cè)試集probe和gallery的人臉圖像身份特征輸入(xp，xg)，因此采用度量方法中的余弦距離來(lái)計(jì)算xp，xg的匹配分?jǐn)?shù)。余弦距離也成為余弦相似度函數(shù)，通過(guò)計(jì)算向量xp，xg的夾角的余弦值，來(lái)衡量身份特征輸入(xp，xg)的相似度，完成人臉識(shí)別，即：

(5)

如果身份特征向量xp，xg的方向一致，那么它們之間的夾角接近于零，余弦距離接近于1，那么xp，xg就是相似的。反之，當(dāng)夾角的余弦值越小，則身份特征差異越大，如圖8所示。圖8(a)中，xp，xg的余弦距離較大，則xp，xg相似的概率高，而圖8(b)中，xp，xg的余弦距離較小，則xp，xg差異較大，因此，通過(guò)計(jì)算向量夾角的余弦值，可以衡量身份特征輸入對(duì)的相似度。

圖8 余弦距離

5 實(shí)驗(yàn)結(jié)果及分析

本文提出的人臉識(shí)別系統(tǒng)在MORPH-II和FG-NET數(shù)據(jù)庫(kù)上進(jìn)行仿真，以驗(yàn)證其有效性。

MORPH-II人臉數(shù)據(jù)庫(kù)是研究年齡不變性的人臉識(shí)別經(jīng)常使用的人臉數(shù)據(jù)庫(kù)，從2003-2007年統(tǒng)計(jì)了大約55 000張圖片，約13 000個(gè)人，年齡從16～77歲不等。FG-NET數(shù)據(jù)庫(kù)中有82個(gè)人，總計(jì)1 002張圖片。其中每個(gè)人平均有12張照片，最少一個(gè)人有6張照片，最多一個(gè)人有18張照片。照片的年齡范圍在0～69歲。2個(gè)數(shù)據(jù)庫(kù)作為研究跨年齡人臉識(shí)別常用的公開數(shù)據(jù)庫(kù)。

5.1 人臉識(shí)別系統(tǒng)在MORPH-II數(shù)據(jù)庫(kù)的仿真實(shí)驗(yàn)

選擇數(shù)據(jù)庫(kù)中的8 000個(gè)人，每個(gè)人挑選2張年齡差距最大的圖片，共16 000張圖片作為訓(xùn)練數(shù)據(jù)，訓(xùn)練數(shù)據(jù)在每個(gè)年齡段的照片數(shù)目是均等的。在剩下的數(shù)據(jù)中，同樣選擇8 000個(gè)人，每個(gè)人年齡最小的照片放在測(cè)試數(shù)據(jù)的gallery集中，相對(duì)應(yīng)地，此人的年齡最大的照片放在測(cè)試數(shù)據(jù)的probe集中。通過(guò)對(duì)訓(xùn)練集每個(gè)人的年輕和年老的人臉圖像都采取數(shù)據(jù)增強(qiáng)策略，得到288倍的訓(xùn)練集，用于深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)的訓(xùn)練。然后，采用數(shù)據(jù)增強(qiáng)前的訓(xùn)練數(shù)據(jù)，進(jìn)行改進(jìn)EM迭代算法，得到人臉圖像特征的線性模型參數(shù)，最后采用本文提出的方法在測(cè)試數(shù)據(jù)上進(jìn)行人臉識(shí)別實(shí)驗(yàn)。

與其他算法[13-15]在MORPH-II數(shù)據(jù)庫(kù)下的識(shí)別率進(jìn)行對(duì)比，如表2所示，本文提出的算法識(shí)別率均有較大幅度的提高。

表2 在數(shù)據(jù)庫(kù)MORPH-II上算法識(shí)別率

算法識(shí)別率/%Method(2015)[13]87.13CARC (2015)[14]92.80HFA (2013)[15]91.14本文人臉識(shí)別系統(tǒng)95.01

如圖9所示，本文所提人臉識(shí)別系統(tǒng)在rank-2和rank-3的準(zhǔn)確率分別達(dá)到了98.5%，99.4%，這基本上達(dá)到了跨年齡人臉識(shí)別的實(shí)用要求。如在追尋失蹤兒童系統(tǒng)中，假設(shè)系統(tǒng)可以推薦前10，甚至前20的人臉圖像，會(huì)大大提高失蹤兒童尋回的成功率。

圖9 本文人臉識(shí)別系統(tǒng)在MORPH-II數(shù)據(jù)庫(kù)上的CMC曲線

5.2 人臉識(shí)別系統(tǒng)在FG-NET數(shù)據(jù)庫(kù)的仿真實(shí)驗(yàn)

選取與測(cè)試集不同的另外40個(gè)人的80張圖片作為訓(xùn)練集。選取FG-NET數(shù)據(jù)庫(kù)中40個(gè)人的80張圖片作為測(cè)試集。

由于FG-NET數(shù)據(jù)庫(kù)的年齡跨度較大，且數(shù)據(jù)庫(kù)的容量有限，過(guò)去的仿真實(shí)驗(yàn)得到的準(zhǔn)確率提升有限，如表3所示。本文提出的人臉識(shí)別系統(tǒng)相比于其他算法略有提升，達(dá)到80%。如圖10所示，CMC曲線反映出，本文提出的人臉識(shí)別系統(tǒng)對(duì)FG-NET數(shù)據(jù)庫(kù)中的跨度較大的年齡人臉圖像，能夠達(dá)到95%的累計(jì)匹配率。

表3 在FG-NET數(shù)據(jù)庫(kù)上算法識(shí)別率對(duì)比

算法識(shí)別率/%FaceVACS[16]26.4Park et al.(2010)[3]37.4Li et al.(2011)[14]47.5HFA (2013)[15]69.0本文人臉識(shí)別系統(tǒng)80.0

圖10 本文人臉識(shí)別系統(tǒng)在FG-NET數(shù)據(jù)庫(kù)上的CMC曲線

6 結(jié)束語(yǔ)

本文實(shí)現(xiàn)了跨年齡人臉識(shí)別系統(tǒng)，從人臉檢測(cè)、人臉預(yù)處理和人臉特征提取等環(huán)節(jié)進(jìn)行了優(yōu)化，在MORPH-II和FG-NET跨年齡人臉數(shù)據(jù)庫(kù)，分別實(shí)現(xiàn)95.01%和80%的人臉識(shí)別準(zhǔn)確率，證明了本文提出的人臉識(shí)別系統(tǒng)對(duì)人臉圖像的年齡干擾具有很好的魯棒性。其中應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，提取特征等，是實(shí)現(xiàn)跨年齡人臉識(shí)別高準(zhǔn)確率的關(guān)鍵。其次，人臉檢測(cè)與預(yù)處理從光照、噪聲的角度進(jìn)行優(yōu)化，為人臉圖像特征的提取提供了必要保障。此外，人臉識(shí)別常用的CMC曲線從另一個(gè)角度衡量本文人臉識(shí)別系統(tǒng)的匹配分類有效性。