·250· 智能系统学报 第16卷 mese Network),该网络通过两个共享权值的卷积 被何凯明团队提出，由多个残差块组成，结构中 神经网络(CNN)提取特征，再进行特征匹配。在 使用了“shortcut connection”的连接方式，很好地 本文的网络结构中，对Siamese Network进行了改 解决了深层网络中梯度弥散和训练困难的问题。 进，把CNN结构替换为ResNet,.该结构在20l5年 整体的模型流程图如图3所示。 DCALBP 面部纹理特征X, 特征融合 fx)=aX+bY CCA HOG 面部形状特征Y 面部整体特征G.(T) 年龄不变 ResNet 人脸特征 g(x) 对比损 权值W 失函数 面部整体特征G(T) 年龄不变 ResNet 人脸特征 gi(x) HOG 面部形状特征Y ●CA 特征融合 DCALBP 面部纹理特征X Ax)=aX+bY 图3RS-CNN模型流程图 Fig.3 Architecture of the RS-CNN 首先构建一个映射函数Gw(X),把输入图片 d= T:、T2作为参数自变量，输出得到特征向量 (-)月 (22) Gw(T)、Gw(T2),分离出年龄特征向量，得到两组年 式中：d代表两个样本特征之间的欧氏距离；P表示 龄无关的特征向量进行相似度量，通过反向传 样本的特征维数。y表示图像对中两个样本是否匹 播，不断优化网络参数，使得两张同一人脸图片 1 的距离相似度量值最小化，两张不同人脸图片的 配，y=0表示不匹配，此时Loss=2N名maxm-d.0, 即两个样本不同时，特征空间的欧氏距离越小， 距离相似度量值最大化，以此来实现人脸验证。 损失越大：y=1表示匹配，此时L=永三，即 I N 其计算过程为 f(x)=aTX+bTY (17) 两个样本相似时，如果在特征空间的欧氏距离较 h(x)=Gw(x),x=T (18) 大，损失就会越大，说明网络模型不好，则会训练 优化模型。m为设定好的阈值，取值为1.25，表示 g(x)=h(x)-uf(x) (19) 只考虑欧氏距离在0~m的特征，超过阈值时， Ew(g(x))=llgi(x)-g2(x)ll (20) Loss=0:N为样本数。 式中：X表示纹理特征；Y表示轮廓特征；a和 b是CCA算法中的投影向量；f(x)即是X和Y特 2实验过程及结果 征融合后的年龄特征向量。h(x)表示输人图像的 整个人脸特征，4表示年龄特征向量的权值，经过 2.1数据集及实验参数 实验验证，当=0.72时，实验结果最优。g(x)表 本次实验所使用的数据集有3种，分别是 示特征分离得到的与年龄无关的人脸特征向量， FG-NET数据集、MORPH2数据集以及从FG NET数据集、MORPH2数据集中按照实验所需选 Ew(g(x》为相似性度量函数，表示图片对的匹配 择图片构成一个综合数据集。综合数据集年龄跨 程度。引入损失函数Contrastive Loss,通过反向 度为0~62岁，包括13040人52840张照片，正样 传播不断更新网络的权值，降低损失值，优化网 本为同一人不同年龄段的图像对，负样本为两 络性能。损失函数表达式如下： 类，一类是不同人同一年龄段的图像对，一类是 是之e+1-y)max(m-d02 1 21) 不同人不同年龄段的图像对。其中训练集包括 三1 30000个图像对，验证集包括4000个图像对，则mese Network)，该网络通过两个共享权值的卷积 神经网络 (CNN) 提取特征，再进行特征匹配。在 本文的网络结构中，对 Siamese Network 进行了改 进，把 CNN 结构替换为 ResNet，该结构在 2015 年 被何凯明团队提出[20] ，由多个残差块组成,结构中 使用了“shortcut connection”的连接方式，很好地 解决了深层网络中梯度弥散和训练困难的问题。 整体的模型流程图如图 3 所示。 面部纹理特征 X1 面部纹理特征 X2 DCALBP 特征融合 f(x1 ) = a TX1+ b TY1 特征融合 f(x2 ) = a TX2+ b TY2 MTCNN MTCNN 面部形状特征 Y1 面部形状特征 Y2 面部整体特征 GW(T1 ) 年龄不变 人脸特征 g1 (x) ResNet 对比损 失函数 权值 W ResNet 年龄不变 人脸特征 g2 (x) 面部整体特征 GW(T2 ) HOG HOG CCA CCA DCALBP − − 图 3 RS-CNN 模型流程图 Fig. 3 Architecture of the RS-CNN GW (X) T1 T2 GW (T1) GW (T2) 首先构建一个映射函数 ，把输入图片 、 作为参数自变量，输出得到特征向量 、 ，分离出年龄特征向量，得到两组年 龄无关的特征向量进行相似度量，通过反向传 播，不断优化网络参数，使得两张同一人脸图片 的距离相似度量值最小化，两张不同人脸图片的 距离相似度量值最大化，以此来实现人脸验证。 其计算过程为 f(x) = a TX+ b TY (17) h(x) = GW (x), x = T (18) g(x) = h(x)−µ f(x) (19) EW (g(x)) = ||g1(x)−g2(x)|| (20) f(x) h(x) µ µ=0.72 g(x) EW (g(x)) 式中：X 表示纹理特征；Y 表示轮廓特征； a 和 b 是 CCA 算法中的投影向量； 即是 X 和 Y 特 征融合后的年龄特征向量。 表示输入图像的 整个人脸特征， 表示年龄特征向量的权值，经过 实验验证，当 时，实验结果最优。 表 示特征分离得到的与年龄无关的人脸特征向量， 为相似性度量函数，表示图片对的匹配 程度。引入损失函数 Contrastive Loss，通过反向 传播不断更新网络的权值，降低损失值，优化网 络性能。损失函数表达式如下： Loss = 1 2N ∑N n=1 yd2 +(1−y)max (m−d,0)2 (21) d = vt∑P i=1 (x i 1 − x i 2 ) 2 (22) d P y y = 0 Loss= 1 2N ∑N n=1 max (m−d,0)2 y = 1 Loss = 1 2N ∑N n=1 d 2 m 0 ∼ m Loss = 0 N 式中： 代表两个样本特征之间的欧氏距离； 表示 样本的特征维数。 表示图像对中两个样本是否匹 配， 表示不匹配，此时 , 即两个样本不同时，特征空间的欧氏距离越小， 损失越大； 表示匹配，此时 ，即 两个样本相似时，如果在特征空间的欧氏距离较 大，损失就会越大，说明网络模型不好，则会训练 优化模型。 为设定好的阈值，取值为 1.25，表示 只考虑欧氏距离在 的特征，超过阈值时， ； 为样本数。 2 实验过程及结果 2.1 数据集及实验参数 本次实验所使用的数据集有 3 种，分别是 FG-NET 数据集、MORPH2 数据集以及从 FG￾NET 数据集、MORPH2 数据集中按照实验所需选 择图片构成一个综合数据集。综合数据集年龄跨 度为 0~62 岁，包括 13 040 人 52 840 张照片，正样 本为同一人不同年龄段的图像对，负样本为两 类，一类是不同人同一年龄段的图像对，一类是 不同人不同年龄段的图像对。其中训练集包括 30 000 个图像对，验证集包括 4 000 个图像对，测 ·250· 智 能 系 统 学 报 第 16 卷