深度学习在人脸识别中的年龄不变特征提取研究

沙特国王大学学报基于深度学习的描述符在人脸识别中的老化问题中的应用Leila Boussaad Aldjia Boucetta部阿尔及利亚巴特纳第二大学计算机科学系阿提奇莱因福奥文章历史记录：收到2020年2020年9月3日修订2020年10月3日接受在线预订2020年保留字：人脸识别特征提取深度学习卷积神经网络（CNN）A B S T R A C T如今，挑战主要是由于年龄相关的生物变化，这可能导致在同一个人的不同年龄拍摄的两个图像之间的面部特征的显著变化由于人脸是受年龄变化影响最大的部分，因此越来越需要提取鲁棒的人脸特征用于年龄不变的人脸识别，特别是在同一人脸图像存在较大年龄差异的情况本文的目的是研究基于深度学习的方法作为年龄不变人脸识别的特征提取工具的有效性。 在这项研究中，我们评估了五种流行的预训练深度卷积神经网络（CNN）模型，即AlexNet，GoogleNet，Inception V3，ResNet 50和SqueezeNet，在广泛使用的面部老化数据库上，即FG-NET，使用K-最近邻（K-NN），判别分析和支持向量机（SVM）分类器。此外，进行统计分析检验以确认所得结果的统计学显著性。在该数据库上的实验结果显示了使用卷积神经网络（CNN）进行跨年龄段人脸识别的前景。此外，AlexNet模型似乎是最有希望的年龄不变的人脸识别，因为最高的平均准确率总是与使用AlexNet模型的特征提取实现根据95%置信水平的假设检验，这些结果©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍最近，与年龄相关的人脸识别一直是人脸识别系统的现实应用的广泛研究的一个具有挑战性的问题，其中年龄考虑非常重要（ElKhiyari和Wechsler，2016; Jain和Li，2011）。在这种情况下，在查询图像和存储在数据库中的那些图像之间可能存在有意义的年龄差，并且可能不可能用对象的最近面部图像来更新数据库人脸是生物识别和验证系统的重要特征，因为它提供了关于个人身份的必要信息。然而，它是受年龄过程影响最大的特征，这对人脸识别算法的性能影响很大。*通讯作者。电子邮件地址：boussaad. gmail.com（L. Boussaad）。沙特国王大学负责同行审查由于以下几个原因，老化受到限制：首先，老化的影响无法控制，因为不可能消除面部图像捕获期间的老化变化此外，衰老对人的影响不同;这可能是由于种族、生活方式、环境等。此外，衰老受生物因素的影响，如性别、血统、遗传学、疾病，这些因素已被证明有助于面部衰老效应（Lanitis，2009）。即使是一些外部因素，如吸烟，饮酒，暴露于极端气候，情绪压力和体重的急剧变化也会加速衰老过程（Lanitis，2009）。因此，精心设计的年龄不变的人脸识别系统可以帮助准确地识别任何人，即使在年龄差异，并避免使用更新的图像更新大型面部数据库。已经提出的关于年龄对面部识别的影响的方法可以分为两大类（Ramanathan等人，（2009）：“生成”和“歧视”方法。生成方法直接基于年龄估计和年龄变换，将查询图像转换为合适的年龄，然后使用任何标准的识别算法来获得查询身份。然而，判别方法特别关注判别特征https://doi.org/10.1016/j.jksuci.2020.10.0021319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comL. Boussaad和A. 布塞塔沙特国王大学学报2976和度量学习都是不随时间变化的。最近，可以添加另一个类别，它包括基于深度学习的方法。最近关于年龄不变的人脸识别系统，衰老对人脸识别系统性能的影响以及一些面部数据库的调查可以在Sawant和Bhurchandi（2018）中找到。在本文中，我们感兴趣的判别方法，更具体地说，在特征提取阶段，这是人脸识别中非常重要的一步，因为它允许从人脸图像中提取有用的视觉表示，这些视觉表示是有区别的，并且完全描述了老化的人脸特征。为了提取特征并获得视觉表示，传统的方法是基于手工特征的，手工特征是从低层特征和统计表示计算的。然而，随着深度学习和卷积神经网络（CNN）的发展，直接从像素学习视觉表示成为当今最常用的工具。基于深度学习的特征提取方法在人脸识别领域特别成功，特别是在年龄增长方面（Wang et al.，2018; Sajid andShafique，2018）.大多数基于深度学习的方法都集中在新的CNN架构上来提取特征（Wang等人，2018年; Li等人，2015年），并生成更好的面部表示，是老化不变的。这种方法需要大量的标记数据库进行训练，这在现实世界的应用中大多是不可行的，一种可能非常重要的替代方法是重用预训练的深度CNN模型。在本文中，我们研究了使用深度学习方法来深入了解特征提取，方法是在跨年龄进程的人脸识别背景下评估预训练的深度CNN模型的区分能力和不变性在这项研究中，我们考虑了五种流行的深度CNN 模 型 ， 它 们 是 AlexNet （ Krizhevsky 等 人 ， 2012 ） 、GoogleNet（Szegedy等人， 2015）、Inception V3（Szegedy等人，2016 ）、SqueezeNet （ Iandola 等人， 2016 ）和 ResNet50（He等人，2016年），从面部图像中提取特征。我们的选择是基于这些预先训练的CNN模型在研究社区中的突出性。另一方面，在Mehdipour Ghazi和Kemal Ekenel（2016）中，已经证明非常有必要在基于CNN的特征提取阶段之前进行姿态和光照归一化步骤，因为它可以在存在不同条件的情况下提供更好的性能，并提高准确率（Grm等人，2017年）。出于这个原因，我们提出执行基于主动外观模型（AAM）的姿势归一化（Boussaad等人，2016年），在提取特征之前。在最后阶段，三个最常用的分类器，即K-最近邻（K-nn），判别分析（LDA）和支持向量机（SVM）的人脸识别被用于识别。研究内容包括识别正确率和统计学显著性差异率。本文的其余部分组织如下：在第2节中，我们回顾了现有的跨年龄进程的人脸识别方法的一些相关工作。在第3节中，我们介绍了评估方法、老化数据库、预处理阶段、用于特征提取的深度学习模型以及所考虑的分类器。第4节报告了结果和讨论，第5节总结了论文。2. 相关作品本节概述了一些早期的工作，已经实现了关于老化对人脸识别系统的影响。2.1. 生成方法正如我们已经提到的，这类方法主要涉及建模或模拟由于年龄增长而导致的面部变化过程。Ramanathan和Chellappa（2006，2008）报道了早期进行的关于年龄进程中面部识别的研究，第一项研究侧重于模拟儿童时期的面部生长过程，而第二项研究模拟成年期的面部变化。根据作者认为，儿童时期随年龄增长而发生的面部变化与成年期完全不同。此外，Park等人（2010，2008）提出了一种3D模型来模拟由衰老引起的面部形状和纹理的变化。作者认为，真正的颅面老化模型（Pittenger和Shaw，1975）只能在3D域中正确地表达，并且由于人脸外观的变化发生在3D中，因此使用3D模型比2D模型提供更强大的特征化。此外，2D域形状模型到3D域的扩展可以进一步补偿姿态变化，以及潜在的照明问题。作者表明，他们的方法可以处理儿童时期的生长影响和成年后的面部衰老最近，在Duong等人（2017）中，作者提出了一种生成概率模型，称为时间非体积保持（TNVP）转换，可以通过将其分离为各种短期阶段来模拟长期老化过程。该模型证明了其在捕获非线性年龄变化和在年龄进展中产生平滑合成方面的益处。该结构可以被处理成深度卷积网络，同时确保具有易处理的对数似然密度估计的概率模型的益处。2.2. 判别方法在这一类别的第一批研究中，我们引用了Linget al.（2007，2010）的作品。 基于先前关于将梯度方向应用于光照不变面部识别的工作（Chen等人，2000）和颅面生长模型（Mark等人， 1981）和那些肤色（五十岚例如，2005; Tsumura等人，1999），作者发现梯度方向的金字塔表示（GOP：梯度方向金字塔）可用于构建对面部老化变化不敏感的特征。作者提出将从所有尺度的梯度方向之间的余弦计算的图像对之间的差异与支持向量机（SVM）结合起来，用于通过年龄增长的面部验证任务。此外，Meng等人（2010）在存在年龄变化的情况下对梯度方向金字塔（GOP）、局部二进制模式和Gabor小波进行了比较研究;三种表示法之后进行了主成分分析。根据作者的说法，在三种测试方法中，使用5个尺度和8个方向的Gabor小波提供了最好的识别率。此外，LBP在7至9岁和10至12岁的年龄范围内提供良好的类似地，Gong等人（2013）认为，一个人的面部图像可以表示为两个成分的组合：一个是在衰老过程中基本不变的身份特定成分，另一个是反映随着人的成长而变化的衰老效应的成分，因此他们引入了一种称为隐藏因子分析的方法来分离这两个因素。他们还开发了一种学习算法，该算法使用期望最大化过程联合估计潜在因素和模型参数然而，Li等人（2017）认为，假设身份和年龄成分是独立的，在现实生活中并非如此，他们L. Boussaad和A. 布塞塔沙特国王大学学报2977提出了隐藏因子分析（HFA）的修改版本（Gong等人， 2013），其考虑了两个组分之间的相关性。新模型将年龄-身份相关特征和其他面部变化从独立的身份特征中分离出来，并提出了一种概率匹配框架来最好地识别查询人脸图像，该方法在识别率上优于HFA。最近，已经提出了基于人口统计估计的方法（ Sajid 等人，2016，2018）以提高年龄不变的人脸识别系统的准确性。这些方法假设人脸图像的人口统计学估计可以导致更好地理解面部老化过程和面部识别，因为面部不对称是随着年龄进展而变化的另一个关键因素（Sajid等人，2018年，2016年）。2.3. 基于卷积神经网络（CNN）的方法最近，CNN已经成为用于人脸识别应用的非常流行的技术，可以在Wang等人（2018）中找到一个例子，其中作者提出了一种正交嵌入-CNN方法，该方法允许将深度面部表示分离为两个正交分量，这些分量对应于与年龄和身份相关的特征，并使用身份特征进行年龄不变的人脸识别，甚至在LFW数据库上测试了所提出的方法，以验证其对一般人脸识别的泛化能力。在相同的背景下，在Li et al.（2015）中，提出了一种深度卷积神经网络（CNN），用于跨年龄进程的人脸验证，以联合学习特征，距离和阈值。此外，El Khiyari和Wechsler（2016）提出了一种使用VGG-Face深度学习进行特征提取和子空间判别分类器集成进行分类的年龄不变人脸识别。在第二篇论文（El Khiyari和Wechsler，2017）中，作者将每个主题的所有图像作为一个集合进行处理，与其他主题的图像集进行比较，并使用卷积神经网络进行特征提取，结果表明使用基于集合的方法优于使用基于单一的方法。在 同 一 背 景 下 ， 在 最 近 的 一 篇 论 文 中 ， Sajid 和 Shafique（2018）提出了一种混合方法，同时考虑了年龄不变人脸识别的生成在该方法中，深度卷积神经网络用于分离年龄敏感和年龄不敏感的面部区域的特征。年龄敏感区域由基于局部二值模式的像素均值向量描述，并且年龄敏感区域的老化变化使用基于桥接去噪自动编码器的人口统计感知生成模型来补偿。3. 方法和实验描述在本节中，我们将介绍本文中使用的整个算法、老化数据库、预处理阶段、用于特征提取的深度学习方法以及所考虑的分类器。在使用第3.2节中描述的方法进行预处理的主要步骤之后，使用五个预 先 训 练 的 卷 积 神 经 网 络 （ 即 Alex-Net ） （ Krizhevsky 等 人 ，2012 ） 、 GoogleNet （ Szegedy 等 人 ，2015 ） 、 Inception V3（ Szegedy 等 人 ， 2016 ） 、 ResNet50 （ He 等 人 ， 2016 ） 和SqueezeNet（Iandola等人，2016）获得特征向量，然后利用K-近邻分类器、判别分析和支持向量机三种分类器进行分类。整个过程如表1所示。表1基于更高的10倍交叉验证（c.v.）选择最大的预训练深度CNN模型进行年龄不变的人脸描述平均识别准确率。预训练CNN分类器1-NNLDASVMAlexNetGoogleNetInception V3ResNet50SqueezeNetC.V.C.V.C.V.C.V.C.V.C.V.C.V.C.V.C.V.C.V.C.V.C.V.C.V.C.V.C.V.3.1. 老化数据库在这项研究中，我们使用了著名的FG-NET老化数据库（Face，2000），这是一个公开可用的图像数据库，用于评估面部老化模型。它包含1002张人脸图像，显示了82个不同年龄的受试者，年龄从新生儿到69岁不等，每个受试者大约有4到12张图像。数据库中的样本图像如图所示。1.一、还提供了手动识别的68个面部标志的坐标和每个面部图像的年龄3.2. 图像预处理对于归一化，我们使用与先前工作中使用的相同的基于AAM的方法（Boussaad等人，2016），下面给出了简要描述（有关该方法的更多细节，请参见Boussaadet al. （2016））。从构成形状的一组68个面部标志和形成纹理的该形状内部的灰度级中的一组像素开始，该方法以四个步骤执行：1. 通过使用Procrustes分析方法（Cootes等人，（2004年第10期）2. 通过Delaunay三角剖分和分段仿射变换对图像纹理进行扭曲，目的是得到纹理的自由形状表示（见图1）。 2）的情况。3. 基于眼睛坐标，旋转图像以获得水平眼间分割。4. 将图像大小调整为每个CNN模型所需的大小，并将每个灰度图像转换为RGB图像。3.3. 特征提取为了从预处理的图像中获得特征向量，我们使用了在这种情况下，值得注意的是，预训练的CNN已经广泛应用于特征提取，如多项现有研究所示（ Moustafa et al. ，2020; Anand 等人， 2017年）。所考虑的预训练深度CNN模型是许多研究领域中应用最广泛的模型之一，并且被认为是用于识别任务最成功的模型之一。这些模型在不同的设置中存在差异，例如参数数量，深度，图像输入大小和计算复杂性。表2总结了它们的不同特征。一Fig. 1. 来自FG-NET老化数据库的示例图像。L. Boussaad和A. 布塞塔沙特国王大学学报2978×××图二、扭曲纹理示例。（a）平均形状，（b）平均形状的Delaunay三角剖分，（c）具有其形状的原始面部图像，以及（d）扭曲纹理（Boussaad等人， 2016年）。表2使用的预训练深度学习模型的属性总结预训练CNN模型（百万）深度图像输入尺寸AlexNet（Krizhevsky等人， 2012年）618227 × 227GoogleNet（Szegedy等人，（2015年）722224 × 224Inception V3（Szegedy等人，（2016年）23.948第299章299SqueezeNet（Iandola等人，（2016年）1.2318227 × 227ResNet50（He等人，（2016年）25.650224 × 224本文中使用的每个预训练的深度CNN模型的简要概述在以下小节中给出。3.4. 预训练CNN模型1. AlexNet（Krizhevsky等人，2012年：它是LSVRC- 2012的获胜者。它由八个可训练层，五个卷积层和三个全连接层组成。除了最后一个使用softmax函数的全连接层之外，所有可训练层后面都有一个ReLu激活函数。该架构还包括不可训练的层：三个池化层，两个归一化层和一个丢弃层。2. GoogleNet（Szegedy等人，2015年）：它是ILSVRC- 2014的获胜者，实现了6.67%的前5名错误率，非常接近人类水平的性能。它构建 在 一 个 被 称 为 “Inception 架 构 ” 的 结 构 上 ， 包 含 九 个 并 行 的Inception 模 块 。 它 总 共 由 22 层 组 成 ， 但 参 数 数 量 明 显 低 于AlexNet。3. Inception V3（Szegedy等人，2016年）：它是一个深度CNN，通过引入因子分解思想扩展了googleNet Inception深度卷积架构，以便在不降低网络效率的情况下减少连接和参数的数量。该网络是48层深。4. SqueezeNet（Iandola等人，2016年）：一个小型CNN架构，具有与AlexNet相同的精度。它可以比AlexNet快3倍，小500倍。它是建立在一个特定的架构，称为“火模块”，其中包含一个挤压层和一个扩展层。Squeeze-Net堆叠了一堆fire模块和一些池化层。挤压层是仅由11个滤波器组成的卷积层，而扩展层是具有11和33个滤波器的混合的卷积层。5. ResNet（He等人， 2016年：是网络的缩写。ResNet是ILSVRC-2015的获奖者。它的特点是使用跳过连接，提供增量学习的变化。ResNet50是一个50层的残差网络。4. 实验结果整个算法在Matlab（R 2018 b）中实现，并使用FG-NET数据库中的所有图像进行训练和测试。正如我们已经提到的，所有图像都被调整为每个CNN模型所需的大小（有关图像输入大小的更多详细信息，请参见表2任何灰度图像转换为RGB的简单级联的三个副本的原始图像矩阵沿第三维。结果报告的平均值和标准偏差的识别准确率后识别准确率表示正确预测的样本的百分比。预训练的CNN模型由多层组成，然而，它们并不都适合提取特征。在第一个实验中，使用预训练的CNN Alex-Net模型进行特征提取，从全连接层'Fc 6'，'Fc 7'和'Fc 8'计算描述符结果报告于表3中。从该表中可以看出，这清楚地证明了“Fc 7”层作为年龄不变的面部描述符的好处。结合SVM分类器，该模型取得了较高的准确率为98.21%。第二个实验的目的是比较五个预训练的CNN模型，即AlexNet，GoogleNet，Inception V3，ResNet50和SqueezeNet。对于AlexNet模型，我们使用'Fc7'描述符保留所获得的结果。对于其他模型，我们在分 类 层 之 前 应 用 层 的 激 活 ， 分 别 命 名 为 'loss 3-classifier' ，'predictions'，'Fc 1000'和'Pool 10'。识别准确率的平均值和标准差的结果见表4。关于表4和图3中所示的结果，可以得出结论，重新使用预训练的深度CNN模型作为跨年龄进程的面部识别工具的好处，其中良好的表3AlexNet的识别准确率和标准差，描述符来自“Fc 6”，“Fc 7”和“Fc 8”层1-nnLDASVM层是说STD是说STD是说STD'fc6'80.58%1.63%百分之九十三点七一百分之一点二一百分之九十五点零三百分之一点一五'FC7'86.28%二点五三厘百分之九十七点三七百分之一点零五百分之九十八点二一0.89%L. Boussaad和A. 布塞塔沙特国王大学学报2979'fc8'43.63%百分之一点六70.54%1.38%73.01%1.74%粗体值表示最高准确率。L. Boussaad和A. 布塞塔沙特国王大学学报2980我J表4深度CNN模型的识别准确率和标准差1-nnLDASVM预训练CNN是说STD是说STD是说STDAlexNet86.28%1.63%百分之九十七点三七百分之一点零五百分之九十八点二一0.89%GoogLeNet72.59%百分之零点八五87.45%1.42%百分之九十五点一九0.76%Inception V373.86%2.06%85.80%百分之一点零五百分之九十五点一四0.88%ResNet5079.28%1.26%91.22%百分之一点一四百分之九十五点三七1.33%SqueezeNet76.14%0.99%85.34%百分之一点七百分之九十四点七九百分之一点零七粗体值表示最高准确率。ICijli-lj1：96qd2d2ð1Þ图三. 深度CNN模型的识别准确率。这五种模型都取得了较好的效果，尤其是与SVM分类器相结合时，Google-Net模型与K-nn分类器相结合时的正确率最低，为72.59%，这可能是使用K-nn分类器的结果。当它们与判别分析相结合时，几乎相同的成就，因为LDA可能具有良好的能力来正确地分离特征空间中的不同类别。此外，可以看出，AlexNet模型似乎是一种很好的特征提取工具，其中AlexNet模型和SVM分类器的组合获得了98.21%的更高准确率，并且在K-nn和LDA分类器的情况下仍然是最好的一旦获得结果，我们根据95%置信水平假设检验验证这些结果是否显著。一其中，li和di分别是模型i平均准确率和标准差，lj和dj是平均值模型的准确率和标准差j。我们比较了五个CNN模型的准确率，这代表了十个置信区间（见表5）。根据假设检验结果，以不同模型平均准确率差异的95%置信区间表示，通过等式计算。（1），如图所示。很明显，间隔1、2、3和4不包括零点，这意味着AlexNet 模型对于FG-Net 数据库所实现的速率仍然显著优于三个分类器的其他模型。然而，在LDA分类器的情况下（图5），区间9包括零点，这表明Inception V3和SqueezeNet模型提供的准确率之间没有差异。此外，在SVM分类器的情况下（图。 6），区间5，6，7，8，9和10包括零点，这意味着没有差异。可以使用置信区间方法（Ferreira和deCarvalho，2017）。它包括计算两个不同CNN模型的平均准确率差异的95%的置信区间如果这个95%的置信区间不包含0作为元素，那么我们将得出结论，这两个平均准确率是不同的，如果这个置信区间包含0，那么我们将得出结论，没有任何东西可以证实这两个平均值不同。使用以下公式计算两个模型i和j在95%置信水平下的差异平均准确率的置信区间ICij图四、平均准确度差异的假设检验置信区间（K-nn分类器）。表5假设检验中考虑的预训练深度CNN模型比较。AlexNetGoogLeNetInception V3ResNet50SqueezeNetAlexNet–1234●●L. Boussaad和A. 布塞塔沙特国王大学学报2981GoogLeNet––567Inception V3–––89ResNet50––––10SqueezeNet–––––L. Boussaad和A. 布塞塔沙特国王大学学报2982将来，有必要在其他数据库上测试这些预训练的模型，研究它们在大时间间隔内的性能，并将它们与其他预处理方法相结合。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用图五.平均准确度差异的假设检验置信区间（LDA分类器）。图六、平均准确度差异的假设检验置信区间（SVM分类器）。GoogleNet、Inception V3、ResNet50和SqueezeNet提供的准确率之间的对比。5. 结论在本文中，我们研究了五种流行的基于深度学习的人脸表征工具，即AlexNet，GoogleNet，Inception V3，SqueezeNet和ResNet50，结合姿势校正的重要步骤和三个分类器，在完全相同的工作条件下进行时间变化任务。该实验装置由15种不同的组合组成，以进行比较。从我们的结果中，我们可以得出以下结论：重复使用预先训练的深度CNN模型进行年龄不变的人脸识别可以使我们在不使用大型数据库来训练新架构的情况下达到令人满意的性能，这在实际应用中是完全不可能的。AlexNet似乎是最擅长处理年龄变化的，也是最有希望进行年龄不变人脸识别的。Anand，A.，Labati，R. D.，吉诺维斯，A.，Muñoz，E.，Piuri，V.，Scotti，F.，2017.基于人脸图像和预训练卷积神经网络的年龄估计。2017年IEEE Symposium Series onComputational Intelligence（SSCI）1-7号。布萨德湖Benmohammed，M.，Redha，B.，2016.基于dct特征提取和核fisher分析的年龄不变人脸识别。Journal ofInformation Processing Systems 12（3），392-409.Chen，H.F.，Belhumeur，P.N.，雅各布斯，D.W.，两千寻找照明不变量。计算机视觉与模式识别，2000年。诉讼IEEE Conference on，vol. 1，IEEE，pp. 254-261。库茨，TF，Taylor，C.J.等人，2004.计算机视觉的外观统计模型。Duong，C.N.，Quach，K.G.，Luu，K.，Le，T.H.N.，Savvides M.，2017.人脸年龄增长与年龄不变人脸识别的时间非体积保持方法。在：计算机视觉（ICCV），2017年IEEE国际会议，IEEE，pp. 3755-3763。El Khiyari，H.，Wechsler，H.，2016.使用卷积神经网络进行跨时间推移的人脸识别。信息安全杂志7（03），141。El Khiyari，H.，Wechsler，H.，2017.使用卷积神经网络和集合距离的年龄不变人脸识别。 信息安全杂志8（03），174。G. 脸 ， 2000 。 光 纤 网 老 化 数 据 库 。 https://web.archive.org/web/20070217193535http://www.fgnet.rsunit.com//Ferreira，F.，de Carvalho T.，2017年。人脸识别的小波族分析在：2017年计算机视觉研讨会（WVC），IEEE，pp。90比95Gong，D.，Li，Z.，林，D.，刘杰，唐，X.，2013.隐因子分析在年龄不变人脸识别中的应用。In：Computer Vision（ICCV），2013 IEEE International Conference on，IEEE，pp.2872-2879。Grm，K.，Štruc，V.，Artiges，A.，Caron，M.，Ekenel，H.K.，2017.深度学习模型在人脸识别中的优势和劣势。生物统计学7（1），81-89。他，K.，张，X.，Ren，S.，孙，J.，2016. 用于图像识别的深度残差学习。在：IEEE计算机视觉和模式识别会议论文集，pp。 770- 778Iandola，F.N.，汉，S.，Moskewicz，M.W.，Ashraf，K.，戴利，W.J.，Keutzer，K.，2016. Squeezenet：Alexnet级别的精度，参数减少50倍，模型大小为0.5 MB，arXiv预印本arXiv：1602.07360。五十岚，T.，Nishino，K.，Nayar，S.K.，2005年人类皮肤的外观，技术。代表，计算机科学系，哥伦比亚大学纽约，纽约10027，美国。贾恩，A.K.，Li，S.Z.，2011.人脸识别手册，第1卷。斯普林格。克里热夫斯基，A.，萨茨克弗岛，巴西-地辛顿，通用电气，2012年。使用深度卷积神经网络进行图像网分类在：神经信息处理系统的进展1097-1105Lanitis，A.，2009年面部生物识别模板和老化：人工智能的问题和挑战在：AIAI研讨会，pp. 142比149李，Y.，Wang，G.，林，L.，张，H.，2015.用于年龄不变人脸验证的深度联合学习方法。在：CCF中国计算机视觉会议，Springer，pp。296-305Li，H.，邹，H.，Hu，H.，2017.改进隐因子分析在跨年龄人脸识别中的应用。 IEEESignal Processing Letters 24（4），465-469.Ling，H.，Soatto，S.，Ramanathan，N.，雅各布斯，D.W.，2007年随着年龄的增长面部识别的研究In：Computer Vision，2007. ICCV 2007年。IEEE第11届国际会议，IEEE，pp。1-8号。Ling，H.，Soatto，S.，Ramanathan，N.，雅各布斯，D.W.，2010.使用判别方法进行跨年龄进程的人脸验证。IEEE Transactions on InformationForensics and Security5（1），82-91.马克，L.S.，陶德J.T.Shaw，R. E.，一九八一年增长的感知：如何区分不同风格的变化的几 何 分 析 。 Journal of ExperimentalPsychology ： Human Perception andPerformance 7（4），855.Mehdipour Ghazi，M.，Kemal Ekenel，H.，2016.全面分析基于深度学习的人脸识别表示。在：IEEE计算机视觉和模式识别研讨会会议论文集，pp。 34比41孟，C.，卢，J，谭，Y.- P.，2010.不同特征表示的年龄不变人脸识别的比较研究。 In：ControlAutomationRobotics&Vision （ ICARCV ） ， 2010 11thInternationalConference on. IEEE，pp. 890- 895Moustafa，A. A.，Elnakib，A.，Areed，N.F.，2020.基于深度特征分析的人脸不变性识别。信号，图像和视频处理，1-8。●●L. Boussaad和A. 布塞塔沙特国王大学学报2983帕克大学，唐，Y.，贾恩，A.K.，2008.具有时间不变性的人脸识别：一个三维老化模型。在：自动人脸手势识别，2008年。FG'08。第八届IEEE国际会议，IEEE，pp。1-7号。帕克大学，唐，Y.，贾恩，A.K.，2010年。不变人脸识别 IEEE Transactionson PatternAnalysis and Machine Intelligence 32（5），947-954.Pittenger，J.B.，Shaw，R. E.，一九七五年 作为视觉弹性事件的衰老面孔：对非刚性形 状 感 知 理 论 的 影 响 。 Journal of Experimental Psychology ： HumanPerception and Performance 1（4），374.Ramanathan，N.，切拉帕河2006.在年轻的面孔上模拟年龄的发展。In：ComputerVision and Pattern Recognition ，2006 IEEE Computer Society Conference on，vol. 1，IEEE，pp. 387-394.Ramanathan，N.，切拉帕河2008.模拟老化脸部的形状和纹理变化。在：自动人脸手势识别，2008年。FG'08。第八届IEEE国际会议，IEEE，pp。1-8号。Ramanathan，N.，切拉帕河比斯瓦斯，S.，例如，2009.人类面孔的年龄进展：一项调查。 Journal of Visual Languages and Computing 15，3349-3361.Sajid，M.，Shafique，T.，2018.一种混合生成-判别的年龄不变人脸识别方法。电子成像杂志27（2）。 023029Sajid，M.，泰吉洛杉矶巴杰瓦，伊利诺伊州，Ratyal，N.I.，2016.脸部不对称性在识别年龄分离的脸部图像中的作用。计算机&电气工程54，255-270。Sajid，M.，Shafique，T.，Manzoor，S.，Iqbal，F.，Talal，H.，Samad Qureshi，美国，里亚兹岛2018.人口统计学辅助的年龄不变的人脸识别和检索，对称10（5），148。Sajid，M.，泰吉洛杉矶巴杰瓦，伊利诺伊州，Ratyal，N.I.，2018.基于面部不对称的年龄组估计：在识别年龄分离的面部图像中的作用。法医科学杂志63，1727-1749。Sawant，M. M.，Bhurchandi，K.M.，2018年 年龄不变人脸识别：人脸老化数据库、技术及老化效应研究综述。人工智能评论，1-28。塞格迪角，澳-地刘伟，Jia，Y.，塞尔马内，P.，里德，S.，安格洛夫，D.，尔汗，D.，范霍克，V.，拉比诺维奇，A.，2015.更深的回旋。在：IEEE计算机视觉和模式识别会议论文集，pp。 一比九塞格迪角，澳-地范霍克，V.，Ioffe，S.，施伦斯，J.，Wojna，Z.，2016.重新思考计算机视觉的初始架构。在：IEEE计算机视觉和模式识别会议论文集，pp。 2818- 2826Tsumura，N.，纽约，Haneishi，H.，三宅，Y.，1999.肤色图像的独立分量分析。JOSA A 16（9），2169-2176。王玉，Gong，D.，周志，吉，X.，王，H.，Li，Z.，刘伟，张，T.，2018. 基于正交深度特征分解的年龄不变人脸识别。在：欧洲计算机视觉会议（ECCV），pp。738- 753