基于判别相关分析的人脸识别模型性能研究—沙特国王大学学报

沙特国王大学学报基于判别相关分析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8月16日修订2020年8月18日接受2020年8月25日网上发售保留字：年龄不变基于组件的人脸识别模型级融合判别相关分析（DCA）支持向量机（SVM）A B S T R A C T人脸是生物特征识别和验证系统的一个重要特征，因为它保存了关于个人身份的所需信息然而，它是受年龄过程影响最大的特征，并且面部老化是显著降低面部识别算法性能的主要影响这项研究的主要思想依赖于这样一个事实，即衰老对嘴、眼睛和鼻子等面部器官的影响不同。因此，我们建议将人脸视为一个独立的组件集，每个面部组件（眼睛，嘴巴和鼻子）将被单独处理，我们提出了一种有效的基于组件的方法，用于年龄不变的人脸识别，使用判别相关分析（DCA）作为特征级融合算法，将从分离的面部组件计算的基于深度的特征与支持向量机（SVM）作为分类器相结合。为了评估所提出的方法，进行了全面的实验研究，广泛使用的人脸老化数据库，即FG-NET，所提出的方法也进行了比较，粒子群优化（PSO）的分数级融合方法。实验结果表明，所提出的基于组件的系统有效地工作的人脸识别跨年龄的进展，因为它实现了显着的高平均准确率。©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. 介绍人脸不变性识别在计算机视觉领域中的应用越来越受到人们的关注，因为在现实世界中有许多应用需要考虑年龄的变化，如：犯罪和失踪儿童识别，以及生物识别系统。与在先前研究中充分研究以在专用数据库上显示接近人类水平的性能的变化（诸如姿态、照明、表情和遮挡）相比（Vezzetti等人，2018; Marcolin和Vezzetti，2017; Charlier等人，2014; Taigman等人， 2014），老化仍然是一个真正的困难和挑战-降低人脸识别性能的因素。尽管到目前为止已经取得了一些进展，但还没有一个完整的解决方案可以实现年龄不变的人脸识别。根据几项研究的结果（Phillips等人，2000; Rizvi等人，1998; Phillips等人， 2002年），人脸识别受到老 化 的 严重影响*通讯作者。沙特国王大学负责同行审查方面的影响. 如先前在FRVT（人脸识别供应商测试）报告（Phillips等人，2003），年龄差异每增加一年，性能就会降低约5%，这使得专门的人脸识别系统的开发成为主要的必要。基于通过将整个面部视为一个实体来进行特征提取的事实，大多数现有技术的年龄不变面部识别系统可以被分类为全局方法（Park等人，2008; Boussaad等人，2016; Sajid和Shafique，2018;Agrawal等人，2019; Shakeel和Lam，2019），这对人类来说是相反的，为了识别一个人，通常使用主要的面部特征，如眼睛，嘴巴和鼻子等主要面部部件的形状和几何关系，而忽略了一些皮肤纹理信息。此外，计算整个面部随年龄增长的鲁棒且不变的特征非常困难，因为年龄相关的影响（包括面部形状和皮肤纹理变化）对于不同的个体是不同的，并且与外部因素（如健康状况和生活方式）相关，这些因素已被证明会导致面部老化效应（Lanitis，2009），并且识别性能会因年龄差异差距（超过10年）（Park等人，2010年a）。此外，从可获得的文献中，证明了眼周区域，特别是当与眉毛一起使用时，https://doi.org/10.1016/j.jksuci.2020.08.0091319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（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.com1740L. Boussaad，A.Boucetta/沙特国王大学学报面部中最重要的部分，因为它被认为是最具辨别力的面部区域和最稳定的年龄增长（Juefei-Xu等人，2011; Park等人，2010年b）。然而，基于这个点的面部识别可能会失败，因为在真实情况下，表情问题，如完全闭眼或戴眼镜等遮挡的存在可能会影响它。另一方面，其他研究表明，鼻子是年龄增长过程中最稳定的组成部分（Otto et al.， 2012），并且它似乎对表达相对不变（Moorhouse etal.，2009年）。相比之下，在Kyndham和Jain（2011）中，已经证明随着年龄的增长，嘴比鼻子具有更多的辨别信息，并且眼周和嘴区域似乎是最稳定和可识别的面部部分。此外，已经表明眼周区域、鼻子和嘴可以被认为是有用的生物特征（Balasubramanian等人， 2009; Moorhouse等人， 2009; Park等人，2010 b）;然而，它们不像整个面部那样具有辨别力（Shekhar等人， 2013年）的报告。受上述结论的启发，我们提出了一种基于组件的年龄不变人脸识别方法，其中基于深度的特征从分离的组件（眼睛，嘴巴和鼻子）计算，然后通过判别相关分析（DCA）融合，并通过支持向量机（SVM）分类此外，基于DCA的特征级融合策略进行了比较，得分级融合使用粒子群优化（PSO）算法。据我们所知，只有两项研究使用基于加权和规则的分数级融合方法 来 组 合 从 分 离 的 面 部 分 量 计 算 的 特 征 （ Yadav 等 人 ， 2013;Nimbarte和Bhoyar，2020）。在第一个（Yadav等人， 2013），权重由细菌觅食融合算法确定。然而，在第二项研究（Nimbarte和Bhoyar，2020）中，作者将眼内区的权重固定为70%，口鼻区的权重固定为30%。这项工作包括三个贡献：1. 研究衰老对不同面部组成部分的影响2. 融合眼周、嘴和鼻部件的好处3. 评分水平融合与评分水平融合。本文的其余部分组织如下：在第2节中，我们详细介绍了我们提出的方法、老化数据库、预处理阶段、基于深度学习的特征提取、融合方法和所考虑的分类器。第3节报告了实验描述、结果和讨论，第4节总结了论文。2. 拟议办法说明所提出的基于组件的年龄不变人脸识别方法包括四个步骤，如图1所示。在预处理步骤之后，其中图像被旋转、裁剪和重新调整（图1中的步骤1）。 1），使用预训练的AlexNet CNN变换四个裁剪的图像以获得特征向量（步骤2，在图1）。使用DCA融合所获得的特征向量（图1中的步骤3，第一组合策略），并且使用SVM分类器执行分类（图1中的步骤4，第 一组合策略）。每个模块的详细信息以及使用的数据库如下在以下小节中描述：2.1. 老化数据库对于本文描述的实验，我们使用了众所周知的FG-NET老化数据库（Face，2000），它是用于评估面部老化模型的公开它骗-获得了1002张人脸图像，显示了82名年龄从新生儿到69岁的不同年龄的受试者，其中每个受试者大约有4到12张图像。数据库中的样本图像如图所示。 二、该数据库被认为是具有挑战性的，因为它包括具有强烈变化的旧照片，如照明，姿势，遮挡和表情。2.2. 拟议办法步骤2.2.1. 图像预处理在本研究中进行的实验中，使用图3中所示的步骤对来自FG-NET数据库的原始图像进行预处理，并描述如下：首先，基于FG- NET数据库提供的文件中的眼睛坐标，我们旋转图像以获得图像中固定点处的眼睛，使得眼间段是水平的（图1中的步骤1）。 3）。其次，使用眼睛坐标，我们裁剪图像以去除背景，只保留面部。此外，我们裁剪眼周，鼻子和嘴巴区域（图2中的步骤2）。3）。第三，我们将裁剪后的图像调整为特征提取模块中使用的CNN模型所需的大小（图3中的步骤3）。3）。2.2.2. 特征提取在本模块中，我们使用预训练的AlexNet卷积神经网络（CNN）模型（Krizhevsky等人，2012），用于从预处理的全脸、眼周、鼻子和嘴图像中提取特征。值得注意的是，预训练的AlexNet 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。它是一种简单而强大的神经网络架构，通常用作将深度学习方法应用于计算机视觉任务时的起点。它是ILSVRC的冠军2012.AlexNet由8个可训练层、5个卷积层和3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。表1清楚地显示了Matlab中的AlexNet实现。2.2.3. 特征融合尽管多模态生物测定系统中的信息融合可以在不同的级别上进行，但是分数级别融合通常是最优选的方法（Yadav等人， 2013年），即使特征级融合可以更有效。在本文中，我们打算使用第二个融合策略。在使用分类器之前，对从全脸、眼周、嘴和鼻子图像中提取的特征向量进行融合。已经提出了多特征级融合技术（Yang等人，2003），从简单的级联到更高级的策略，例如典型相关分析（CCA）（Sun et al.，2005）和判别相关分析（DCA）（Haghighat等人，2016 a; Haghighat等人，2016年b）。在这项工作中，我们寻找从多个部分的脸组合成一个单一的更具鉴别力的特征向量的相关特征，我们建议使用区分相关分析（DCA）。为了进一步证明特征级融合的优越性，将该方法与基于分数级融合的方法进行了比较，在分数级融合中，对从人脸、眼周、嘴和鼻子图像中提取的每个特征向量单独进行处理和分类，并结合●●●L. Boussaad，A.Boucetta/沙特国王大学学报1741X¼Fig. 1. 不同的模块涉及所提出的组件基于年龄不变的人脸识别方法。图二. FG-NET老化数据库中的人脸图像示例（每张人脸图像下的数字表示图像的年龄）。由系统中的每个分类器产生的分数（见图1）。 1，步骤3和4，第2组合策略）。不同评分等级融合已使用，像sum和加权和组合鉴于面部部位受衰老过程的影响不同，不同的部位也可能比其他部位更有区别。因此，简单的求和不一定会提供最佳结果，并且系统必须对面部的最佳部分给予更高的优先级。在这项工作中，我们选择一个加权和。由每个分类器产生的不同分数的加权和组合（1）：N加权和¼w i si11/1其中w i表示权重，si表示由分类器针对面部部分i计算的分数;N是在组合中考虑的面部部分的数量，并且i1;. N.选择wi因此，Eq. （1）被优化，即识别精度被最大化。wi可以由用户固定（Nimbarte和Bhoyar，2020），或者使用优化算法计算（Yadav等人，2013年）的报告。在这项研究中，我们提出了一种自适应加权和的组合的分数由不同的面部部分，这种解决方案的目的是关联的高权重只与最具区分力和最稳定的部分，其中粒子群算法是用来调整不同的权重为不同的面部部分。所用方法的原理总结在以下小节中。1742L. Boussaad，A.Boucetta/沙特国王大学学报BABABABA2公司简介Mi1/4Wbbcc-巴巴图三. 图像预处理和裁剪。2.2.4. 判别相关分析（DCA）SbaubaUTð5Þ判别相关分析（DCA）（Haghighat等人，2016 a; Haghighat等人，2016b）是一个非常有用的功能级融合技术，模式识别计算复杂度低如果要素维度大于类编号（pc），计算协方差矩阵很简单，T T这扩展了典型相关分析（CCA）的思想（Sun等人，2005）通过引入类结构信息。简而言之，DCA寻求最大化两个特征组之间匹配特征的成对相关性的变换（如CCA中那样），同时消除类间相关性并将相关性限制在类的项目上。因此，DCA允许重要的降维。基于DCA的特征融合方法可以在以下步骤中恢复（等式2）。（2）-（16））（Haghighat等人，2016年a）：UTU ba的最显著特征向量可以由UTUba提供（Haghighat等人，2016a; Turk和Pentland，1991）。5. 求使UTUba对角化的变换：PTUTUbaPK6其中P是特征向量矩阵，K是特征值矩阵，按降序排序。6. 找到使Sba单位化的变换，并减少特征矩阵A的维数，从p到r，即，假设A和B是待融合的两个特征矩阵。WT SbaWba ¼I：1. 计算A的总平均值A<$：W吧 1/4U基座PcXrK-1ð7ÞCMia/1XXa/2其中PcXr是包含前r个特征向量的矩阵n我第1页对应于P的r个最大非零特征值。7. 项目A到第一个新空间：其中，n是样本的总数，c是类别的数量，m是类别i中的样本的数量。2. 计算每个类i的平均值a′i：A0WTbarXpApXn8ai¼1Xaij38.类似地，对第二特征矩阵B重复上述步骤，并将其投影到新的空间：mij¼1B0rXn不简体中文BpXnð9Þ3. 计算变换矩阵Uba：Uba¼½pm1a;pm2a;. . . ;9.对角化变换后的要素矩阵的类间协方差矩阵S0AB<$A0B0（奇异值pma aa分解）：44. 计算类间散布矩阵Sba：ABrXr的EQ。（10）可以写成如下：不S0沪公网安备31010502000112号L. Boussaad，A.Boucetta/沙特国王大学学报17432BABB.！WAB.表1AlexNet在Matlab中的实现：不同层的描述。2‘conv1’3‘relu1’4‘norm1’5‘pool1’6‘conv2’7‘relu2’8‘norm2’9‘pool2’10‘conv3’11‘relu3’12‘conv4’13‘relu4’14‘conv5’15‘relu5’16‘pool5’17‘fc6’18‘relu6’19‘drop6’20‘fc7’21‘relu7’22‘drop7’23‘fc8’24‘prob’25‘output’UTS0AB简体中文V¼R11mm低分辨率和高分辨率图像之间的成对相关。其中R是具有非零对角项的对角矩阵10. 找到的转型的联合S0AB，也就是说，在相同的上下文中，DCA已经被用于移动设备上的基于面部和语音的多模态生物识别（Gofman等人，中国 0AB简体中文W0AB ¼I：2018），以融合定向梯度特征的直方图，从人的脸上提取的梅尔频率倒谱W0AB ¼ U R-1ð12Þ系数特征从他们的声音。11. 将特征矩阵A和B变换到新的空间：Aω<$W 0ABA0<$W0ABWTA<$WAA<$13Bω<$W0ABB0<$W0ABWTB<$WbB1412. 通过执行求和来获得融合的特征（等式（15））或级联（Eq.（16））的两个变换特征Aω和Bω：T T。太好了。A.B此外，DCA已用于其他应用，即疾病识别，如阿尔茨海默病诊断（Li et al.，2020年）。它也被用于土地覆盖分类（Jahan例如，2018年）。2.2.5. 粒子群优化算法粒子群优化算法（PSO）是一种基于种群的元进化算法，其灵感来自于鸟群的社会行为。它是由Kennedy和Eberhart（1995）提出的。这项技术已经成为许多研究的主题，Zs<$WaAWbB<$ W Bð15Þ对各种问题的适应已经证明是富有成效的，（Boucetta和Melkemi，2019年; Mezai和Hachouf，2015年; Silva例如， 2018年）就是一个例子。Zc¼不一WTBWa01/4Wb不好意思。A.Bð16ÞPSO是一种在研究空间中移动粒子的简单技术。搜索过程基于两个规则：有关DCA方法的更多详细信息，请参见Haghighat et al.（2016a）和Haghighat et al. （2016年b）。DCA已经处于用于多模态的特征融合和单峰多特征融合的各种最近的生物识别系统提议的核心。在Su等人（2019）中，DCA已用于手指静脉和心电图（ECG）的组合，旨在使用心电图和手指静脉的好处。此外，在Moustafa et al. （2020），DCA已被用于融合来自预训练的VGG卷积神经网络的三层的计算特征，以获得用于年龄不变的人脸识别的最合适的特征。此外，在Haghighat和Abdel-Mottaleb（2017）中，DCA已应用于监控系统中的人脸识别，以通过最大化每个粒子都有一个记忆，它可以记住它已经通过的最佳点，并倾向于返回到它。每个粒子都被告知其邻域内的最佳已知点，并且倾向于向其移动。每个质点xi代表解空间中的一个可能解根据粒子的最佳位置（称为局部最佳位置（lbest））和其邻居的最佳位置（全局最佳位置（gbest））来确定粒子的新位置。lbest和gbest在每次迭代后更新。粒子xi的位置通过将速度矢量vit添加到其当前位置xit来更新，如等式中所示。（十七）：xit1xitvit 17AB●层数图层名称层类型描述1'数据'图像输入227× 227× 3图像，●1744L. Boussaad，A.Boucetta/沙特国王大学学报X最小化：p¼ kWkCni2 ½ - ]2 2 f-g¼我...ðÞ×2NNXð Þ ¼ð Þð ÞNP2I j我 J我 J我联系我们速度矢量控制着粒子的运动，反映了粒子的社会性。其更新方程可以由Eq. （十八）vit1xvitc1r1lbestit-xitc2r2gbestit-xi tcð18Þ其中x0 1是惯性因子，它控制前一次迭代得到的群速度矢量对新一次迭代的影响，c1和c2是加速度系数，r1和r2是在0-1范围内均匀分布的两个随机数。关于PSO优化算法的更多详细信息Rithm可以在Veeramachaneni et al. （2003年）的报告。2.2.6. 分类方法在识别阶段，支持向量机（SVM）被用作分类器。支持向量机（SVM ）最初是由Vapnik （Cortes and Vapnik ，1995）开发的。它是许多研究人员最喜欢的，因为它可以提供有意义的准确性和计算效率。在这一节中，我们简要地概述了支持向量机的基本原理.我们保留了Zong和Huang（2011）中使用的相同符号：给定一组标记的训练数据，其中点x iRd，标签t i1; 1和i 1;.N. SVM（Cortes和Vapnik，1995）寻求一个超平面，该超平面将数据明显地分类为两类，其中特征空间中的最大分离裕度由下式提供：/x：xi/xi。为了最大化分离边缘距离，优化函数由以下等式给出：N1223. 实验3.1. 实验方法描述我们的所有实验都是在Matlab（R2018 b）环境下进行的，并且使用FG-Net数据库中的所有图像进行训练和测试。所有图像都被裁剪并调整大小为预训练的AlexNet CNN模型（227227）所需的大小，任何灰度图像都被转换为RGB图像。基于先前的工作，证明了预保持的AlexNet CNN模型的“Fc7”层作为年龄不变的面部描述符的强大功能在分类阶段，对于SVM核函数，我们使用了一个线性核函数，没有优化。由于本研究的主要目的是证明将面部视为一个组成部分集（眼睛，嘴巴和鼻子）而忽略一些皮肤纹理（前额和脸颊）的好处，因此在跨年龄发展的面部识别背景下，我们进行了三个实验来回答引言中引用的三个目标。首先，研究衰老对不同面部组成部分的影响第二，融合眼周、嘴和鼻部件的好处是什么第三，与分数级融合相比，特征级融合有什么优势。基于最大分量的方法是基于较高的10倍交叉验证平均识别准确率来选择的。第一个实验：本实验的目的是研究不同面部成分在年龄进程中的稳定性实验二：本实验旨在使用DCA在特征水平上测试面部成分的不同组合，简化图1中的步骤。1/1受：t iW：/x ibP 1-ni;i¼ 1;. . NniP 0;i¼ 1;.. . N其中，C是用户指定的参数。ð19Þ鉴于DCA一次仅对两个特征组进行操作，我们使用多组DCA版本（MDCA）（Haghighat等人，2016b），可以应用于两个以上的功能组。假设我们有c个类，我们想融合m个群，X i2Rpiωn;i<$1;. ;m，即：rank<$X1<$Prank<$X2<$P···Prank<$Xm<$：这相当于最小化训练误差，其由以下等式给出：MDCA一次融合两个特征组Xi和Xj，并且融合向量的最大长度由下式给出最小化：L D¼ 1服从：Xi¼1Xj¼1titjaiaj/xi/.xj-Ntiai¼01/1Na我1/1ð20Þmin=c-1; rank=X i;rank=X j。因此，为了保持结果向量的最大可能长度，在每个阶段中，具有最高秩的两个特征组将被融合在一起。图4示出了不同面部部分融合的两种方式。第三个实验：最后一个实验的目的是测试在预处理中使用的相同的面部组件组合。0 6ai6C;i¼ 1;.. . ;N其中，对于每个训练示例，tiii对应于拉格朗日乘数ai。如果核函数K u; v/u：/v被认为是，Eq.(20) 可以写成：显而易见的实验，但在分数水平上使用PSO算法，通过遵循图1中的步骤。PSO算法的实现如下：采用粒子群优化算法对方程中的加权和进行（一）. Si是标准化分数Jain等人， 2005，W i是需要优化的变量（即，与每个分类器相关联的权重因此，Eq.（1）可以写成：NN N最小化：L¼1XXt t K.x;xaa-XaX联系我们1/11/1X211/1其中N是所考虑的组件的数量，并且N1/11. 在此实现中，PSO参数是固定的0 6ai6C;i¼ 1;.. . ;N如下：● 种群大小和迭代次数都设置为50。NDWi Si22小时服从：Xtiai¼0L. Boussaad，A.Boucetta/沙特国王大学学报1745图五.准确率/融合策略。3.2. 实验结果表2图四、不同的基于DCA的特征融合策略。实验结果报告的平均值和标准偏差的识别准确率以下的10倍交叉验证计划。识别准确率表示正确预测的样本的百分比。表2列出了全脸和每个面部组成部分（眼周区域、鼻和口）的平均准确率和标准偏差（%）关于这些结果，我们可以注意到，当使用全脸时，给出了最好的准确率（90.14%），其次是眼周区域（75%），然后是嘴和鼻子，嘴和鼻子的准确率分别为61.05%和47.42%。因此，随着年龄的增长，我们可以说，在不受控制的条件下（识别准确率和标准偏差（%），对于全脸和每个面部组件（眼周区域、鼻和口）。FG-NET数据库的情况下），没有面部部分可以比全脸更好地区分，我们还得出结论，眼周区域面部件是说STD比嘴和鼻子更有鉴别力全断面百分之九十点一四百分之一点八表3报告了平均准确率和标准偏差。鼻子47.42%1.38%特征级融合时多种组合的比率（%），嘴眼周区域61.05%百分之七十五百分之一点二三0.98%分数级融合从这些结果中，我们可以得出以下结论，为了确保算法的最佳收敛性，基于Eberhart和Shi（2001）以及Ratnaweera等人（2004）的工作，我们为w选择了一个变量值，范围从搜索过程开始时的0.9到结束时的0.4。● 加速度常数c1和c2设定为2。● 此外，速度限制Vmax被设置为2。结论：1. 与每个面部部分给出的结果相比（表2），基于分量的方法显著提高了准确率，其中当通过使用基于求和的DCA将眼周点与嘴和鼻子组合时获得的最大准确率为98.31%，其次是当使用基于级联的DCA时获得的97.87%。表3不同组合的识别准确率和标准偏差（%）组合DCA级联DCA求和PSO是说STD是说STD是说STD（全脸，眼周区域）百分之九十三点一二1.49%百分之九十三点八一1.20%91.45%1.56%（全脸、鼻子、嘴巴）91.53%0.89%92.24%百分之一点二三百分之九十点一五0.98%(Nose、口）86.15%2.53%87.31%2.07%84.52%2.3%（眼周区域，鼻）91.97%1.42%百分之九十二点一七1.66%91.37%百分之一点零五（眼周区域，口）百分之九十一点二五百分之一点八七91.60%1.76%百分之九十二点五一百分之零点六七●1746L. Boussaad，A.Boucetta/沙特国王大学学报（眼周、鼻、口）百分之九十七点八七0.86%百分之九十八点三一0.47%百分之九十五点七六百分之一点一五（全脸、眼周区域、鼻、口）百分之九十一点二五2.43%91.87%2.08%百分之九十点二四2.14%粗体值表示最高准确率。L. Boussaad，A.Boucetta/沙特国王大学学报1747见图6。 准确率/面部组件组合。此外，即使是基于PSO的融合结果（95.76%）也超过了使用全脸时提供的结果（90.14%）。这清楚地说明了基于组件的方法的有用性2. 眼周区域、嘴和鼻的组合在特征级融合（通过求和的98.31%DCA和通过连接的97.87% DCA）或评分级融合（95.76%）时均提供了更高的准确率，这证明了该组合随年龄增长的区分能力和不变性。图5清楚地显示了这种组合的有效性。3. 对于类似的组合，基于DCA的融合给出了比基于PSO的融合更好的结果，这清楚地示出了在特征级的融合的益处，因为与分类分数组合相比，该特征包含关于每个面部部分的更多信息。为了更容易查看，结果以根据面部成分组合的每个融合策略的准确率的形式呈现。在图6中，更清楚的是，特征级融合证明了其在年龄不变的面部识别的背景下的能力，并且它可以保证改进的准确性结果。此外，可以观察到，基于求和的DCA提供的准确率略高于基于级联的DCA，正如我们所看到的，差异几乎是微不足道的。4. 所提出的基于组件的方法提供了更好的识别准确率比使用完整的脸，因为完整的脸还包括皮肤纹理信息（脸颊和前额），这是最严重的受影响的面部部位的老化过程中，特别是在成年期。4. 结论本文提出了一种改进的基于分量的年龄不变人脸识别方法，该方法从眼周、鼻子和嘴部提取深度特征，然后利用判别相关分析（DCA）进行融合，最后利用支持向量机（SVM）进行分类。在著名的FG-NET数据库上的实验结果表明，该方法能够达到一定的识别率98.31%。此外，基于DCA的特征级融合比基于PSO的分数级融合更有效，因为DCA大大减少了特征空间，提高了系统的识别作为未来的工作，根据年龄差异和年龄组研究老化对所提出的方法性能的影响是很重要的。我们计划研究查询图像和数据库图像之间的时间间隔长度的影响此外，我们打算证明，所提出的方法可以处理儿童期生长的影响，以及成年期衰老的影响，因为儿童期的面部发育与成年期的面部衰老完全不同。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Agrawal，S.，库马尔，S.，库马尔，S.，Thomas，A.，2019年。 一种新的鲁棒特征提取与gso优化极端学习的年龄不变人脸识别。TheImaging Science Journal 67（6），319-329.Balasubramanian，M.，Palanivel，S.，Ramalingam，V.，2009.基于径向基函数神经网络的实时人脸和嘴巴识别。专家系统与应用36（3），6879-6888。Boucetta，A.，Melkemi，K.E.，2019年。基于自适应粒子群算法的分数级掌纹、人脸和 虹 膜 融 合 。 International Journal of Applied Metaheuristic Computing（IJAMC）10（3），175-194.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.Charlier，P.，Froesch，P.，惠恩-沙利耶岛Fort，A.，Hurel，A.，Jullien，F.，2014年。在法医个体识别的背景下，使用3d表面扫描将面部形状与改变的挖掘遗骸相匹配。Forensic Science，Medicine，andPathology 10（4），654-661.科尔特斯角，澳-地Vapnik，V.，1995.支持向量网络。Machine Learning 20（3），273-297.Eberhart，R.C.，施，Y.，2001.用粒子群跟踪和优化动态系统。In：Proceedings of the2001 Congress on Evolutionary Computation（IEEE Cat. No. 01TH8546），vol.1，IEEE，pp. 94比100Face，g.，2000.光纤网老化数据库。网址：https://web.archive.org/web/20070217193535/http://www.fgnet.rsunit.com/。1748L. Boussaad，A.Boucetta/沙特国王大学学报Gofman，M.，Sandico，N.，Mitra，S.，Suo，E.，Muhi，S.，Vu，T.，2018.移动设备上通过判别相关分析的多模态生物识别。在：安全与管理国际会议（SAM）的程序，指导委员会的世界大会在计算机科学，计算机...，pp. 174-181。Haghighat，M.，Abdel-Mottaleb，M.，2017.基于判别相关分析的监控系统低分辨率人脸识别。 在：2017年第12届IEEE自动人脸手势识别国际会议（FG 2017），IEEE，pp。912-917Haghighat，M.，Abdel-Mottaleb，M.，Alhalabi，W.，2016年a。特征级融合的判别 相 关 分 析 及 其 在 多 模 态 生 物 特 征 识 别 中 的 应 用 。 2016IEEE InternationalConference on Acoustics，Speech and Signal Processing（ICASSP）IEEE，pp. 1866-1870年。Haghighat，M.，Abdel-Mottaleb，M.，Alhalabi，W.，2016年b。判别相关分析：多 模 态 生 物 识 别 的 实 时 特 征 级 融 合 。 IEEE Transactions on InformationForensics and Security 11（9），1984-1996.Jahan，F.，周杰，Awrangjeb，M.， 高，Y.，2018.基于判别相关分析的高光谱和激光雷达数 据 融 合 土 地 覆 盖 分 类 。 IEEEJournal of Selected Topics in Applied EarthObservations and Remote Sensing 11（10），3905-3917.贾恩，A.，Nandakumar，K.，罗斯，A.，2005.多模态生物识别系统中的分数归一化。Pattern Recognition 38（12），2270-2285.Juefei-Xu，F.，Luu，K.，Savvides，M.，Bui，T.D.，孙振英，2011.基于眼周生物特征的年龄不变人脸识别研究。2011年国际生物识别联合会议（International JointConference on Biometrics，IJCB）IEEE，pp. 1-7号。Kennedy，J.，埃伯哈特河，1995.粒子群优化算法在：ICNN'95-神经网络国际会议论文集，第4卷，IEEE，第100页。 1942- 1948年。Kendy，B.，贾恩，A.K.，2011.跨时间推移的人脸识别：学习特征子空间。2011年国际生物识别联合会议（International Joint Conference on Biometrics，IJCB）IEEE，pp. 1-8号。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149Li，Z.，Dong，A.，周杰，2020.低秩表示与判别相关分析在阿尔茨海默病诊断中的应用研究。医学计算与数学方法。Marcolin，F.，Vezzetti，E.，2017年。用于几何3d人脸分析的新描述符多媒体工具和应用76（12），13805梅宰湖Hachouf，F.，2015.基于粒子群优化和信念函数的人脸和语音分数级融合。IEEE Transactions on Human-MachineSystems 45（6），761-772.Moorhouse，A.，Evans，A.，阿特金森，G.，Sunf，J.，史密斯，M.，2009.你脸上的鼻子可能不是那么简单：使用鼻子作为生物识别。第三届国际犯罪检测和预防成像会议（ICDP 2009），1Moustafa，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。Nimbarte，M.，Bhoyar，K.K.，2020.基于卷积神经网络的年龄不变人脸识别的有偏人脸修 补 方 法 。 International Journal ofIntelligent Systems Technologies andApplications 19（2），103-124.奥托角，澳-地汉，H.，贾恩，A.，2012.衰老如何影响面部组成部分？在：欧洲计算机视觉会议，Springer，pp。189-198.帕克大学，Tong，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。2008年第八届IEEE国际人脸手势识别会议FG'08，IEEE，pp. 1-7.帕克大学，Tong，Y.，贾恩，A.K.，2010年a。不变人脸识别 IEEE TransactionsonPattern Analysis and Machine Intelligence 32（5），947-954.帕克大学，Jillela，R. R.，罗斯，A.，贾恩，A.K.，2010年b。可见光谱中的眼周生物测定。IEEE Transactions on Information Forensics and Security 6（1），96- 106.菲利普斯，P.J.，Moon，H.，Rizvi，S.A.，Rauss，P.J.，两千人脸识别算法的费雷特评估方 法 。 IEEE Transactions on Pattern Analysis andMachine Intelligence 22（10），1090-1104.菲利普斯，P.J.，Grother，P.，迈克尔河，D.M.布莱克本，Tabassi，E.，Bone，M.2003. 2002 年人脸识别厂商测试。2003年IEEE International SOI Conference 。Proceedings（Cat. No. 03CH37443），IEEE，p. 44个。菲利普斯，P.J.，格罗瑟，P.J.，迈克尔，R.J.，D.M.布莱克本，Tabassi，E.，Bone，M.，2003年。人脸识别供应商测试2002：评估报告。Tech. 众议员Ratnaweera，A.，Halgamuge，S.K.，沃森，H.C.，2004.时变加速系数自组织分层粒子群优化算法。IEEETransactions on Evolutionary Computation 8（3），240-255.Rizvi，S.A.，菲利普斯，P.J.，Moon，H.，1998.人脸识别算法的验证协议和统计性能分析。 In：Proceedings. 1998年IEEE计算机协会计算机视觉和模式识别会议（目录号98CB36231），IEEE，pp. 833-838Sajid，