DFM-GAN網(wǎng)絡(luò)在跨年齡模擬的人臉識別技術(shù)研究

吳 杰，段 錦，，董鎖芹，李英超

1.長春理工大學(xué) 電子信息工程學(xué)院，長春130022

2.長春理工大學(xué) 空間光電技術(shù)研究所 基礎(chǔ)技術(shù)實驗室，長春130022

跨年齡的人臉識別，即將目標(biāo)年齡人臉與數(shù)據(jù)庫中存儲的面部圖像進(jìn)行對比，分析其相似的程度[1]。FRVT 2002[2]表明，面部年齡每增加3年，與數(shù)據(jù)庫中的樣本識別率平均下降20%。通過國內(nèi)外對跨年齡人臉識別研究，將方法分為兩類：一是利用特征學(xué)習(xí)進(jìn)行跨年齡人臉識別[3-6]，主要獲得變化的特征，從而達(dá)到跨年齡認(rèn)同的目的，當(dāng)臉部年齡較大時，此方法的實驗結(jié)果較差[6]。另一種方法是使用面部年齡模擬執(zhí)行跨年齡面部識別[7]，該方法的實驗效果略好，但是模擬的人臉圖像細(xì)節(jié)較差，對識別存在一定影響[8]。

針對上述問題，并結(jié)合近幾年來生成對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）在圖像處理和機器視覺領(lǐng)域中良好的實驗效果[9]，本文對生成對抗網(wǎng)絡(luò)技術(shù)展開深入研究，提出了一種基于生成對抗網(wǎng)絡(luò)技術(shù)的人臉跨年齡段識別方法DFΜ-GAN（Depth Feature Μigration GAN）。該方法結(jié)合條件性對抗自動編碼器和深度特征遷移，模擬生成待檢人員在不同年齡段的面部圖像，利用生成圖像與數(shù)據(jù)庫中所保存的圖像進(jìn)行相似性比對。通過深度特征遷移進(jìn)一步減少隨著年齡增大而帶來的人臉細(xì)節(jié)差異，提高存在年齡差的人臉識別率[10]。同時為了解決生成人臉圖像邊緣不清晰的問題，首先對樣本數(shù)據(jù)集做高斯邊緣模糊處理，使真實人臉圖像的邊緣風(fēng)格在生成器中起主導(dǎo)作用，并引入邊緣提升的對抗損失函數(shù)，最后使用局部顏色直方圖匹配，增加人臉圖像真實感。本文設(shè)計了單樣本不同年齡人臉識別實驗與特定年齡段的多樣本人臉識別實驗，由實驗結(jié)果可知，本文所提出方法在一定年齡區(qū)間內(nèi)經(jīng)DFΜ-GAN生成的模擬人臉圖像在用于跨年齡識別時，其識別準(zhǔn)確率明顯高于未經(jīng)DFΜ-GAN處理的跨年齡人臉圖像。

1 理論基礎(chǔ)

1.1 深度特征的遷移

深度遷移學(xué)習(xí)引入了類似于生成對抗網(wǎng)絡(luò)的技術(shù)，發(fā)現(xiàn)了適合源域和目標(biāo)域的深度遷移特征，并為機器學(xué)習(xí)目標(biāo)提供了合理的判斷以實現(xiàn)有效遷移[11]。圖1顯示了基于對抗的深度遷移學(xué)習(xí)的示意圖。

圖1 深度特征遷移原理

由圖1可知，網(wǎng)絡(luò)的前層在源域數(shù)據(jù)集的訓(xùn)練過程中被視為特征提取器，提取源域和目標(biāo)域中特征并將它們輸入到對抗層，對抗層用以區(qū)分特征的來源，如果對抗網(wǎng)絡(luò)的表現(xiàn)很差，則意味著兩種類型的特征之間存在差別，可遷移性更好[12]?；趯沟纳疃冗w移學(xué)習(xí)由于其良好的效果和較強的實用性，近年來取得了快速發(fā)展。在以下GAN網(wǎng)絡(luò)中，將引入深度特征遷移模塊，使網(wǎng)絡(luò)發(fā)現(xiàn)更多具有可遷移性的通用特征，加強人臉特征學(xué)習(xí)。

1.2 生成式對抗網(wǎng)絡(luò)原理

GAN是一種無監(jiān)督的學(xué)習(xí)方法，它巧妙地利用“對抗”的思想來學(xué)習(xí)數(shù)據(jù)并生成全新的樣本。GAN 主要由生成器G（Generater）和鑒別器D（Discriminator）兩部分組成。

生成器G 負(fù)責(zé)生成圖片，它通過接收到的一個隨機噪聲z 來生成圖片，記為G(z)。G 目標(biāo)函數(shù)采用最小化對數(shù)似然函數(shù)，使G(z)的數(shù)據(jù)分布逼近于訓(xùn)練樣本數(shù)據(jù)x 的數(shù)據(jù)分布Pdata(x)。鑒別器D 負(fù)責(zé)判別輸入圖片與G(z)相比真實性的概率，在訓(xùn)練過程中生成網(wǎng)絡(luò)G 的目標(biāo)是盡量生成與真實相近的顏色和紋理的圖片去欺騙判別網(wǎng)絡(luò)D,而D 的目標(biāo)是盡量把G 生成的圖片和真實的圖片區(qū)分開來[13]?；窘Y(jié)構(gòu)與計算流程如圖2所示。目標(biāo)函數(shù)如式（1）所示：

其中，z 表示服從某個分布P(z)隨機采樣的向量，訓(xùn)練數(shù)據(jù)Pdata(x)。D(x)用于判斷樣本x 是否是從真實的數(shù)據(jù)分布中采樣的樣本。GAN用于訓(xùn)練人臉的問題一是人臉細(xì)節(jié)上豐富度較低，紋理膚色上的豐富度與數(shù)據(jù)庫樣本偏差較大，問題二是對抗損失在引導(dǎo)生成器生成人臉圖像的過程中邊緣信息容易損失，給識別造成難度。

圖2 GAN基本結(jié)構(gòu)與計算流程

2 算法改進(jìn)

2.1 結(jié)合深度特征遷移的網(wǎng)絡(luò)結(jié)構(gòu)與原理

本文結(jié)合GAN網(wǎng)絡(luò)與深度特征遷移模塊[14]提出一種跨年齡人臉生成方法DFΜ-GAN，通過對人臉紋理信息屬性在特征空間上的線性插值，增加人臉細(xì)節(jié)信息的豐富度，從而提高生成人臉的真實性。根據(jù)跨年齡人臉模擬需求設(shè)計的DFΜ-GAN 的網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。輸入和輸出面部圖像x ∈R128×128×3，編碼器采用的是卷積神經(jīng)網(wǎng)絡(luò)。由于跨步卷積是完全可微的，并且允許網(wǎng)絡(luò)學(xué)習(xí)自己的空間向下采樣，因此采用步幅2 的4 個卷積層提取人臉特征。生成一個具有特定特征的人臉，該人臉被包含在z 中，因此引入了一個編碼器E（Encoder）來避免z 的隨機采樣，圖3中實線框所示。輸入人臉圖像為x，編碼器E 將輸入面x 映射到特征向量。人臉圖像生成器主要是將編碼器產(chǎn)生的z，與一個標(biāo)簽向量l 拼接，傳入一個解碼器中映射成高維圖像，使生成的人臉圖像的數(shù)據(jù)分布逼近于訓(xùn)練樣本數(shù)據(jù)x 的數(shù)據(jù)分布Pdata(x)。

圖3 DFΜ-GAN網(wǎng)絡(luò)結(jié)構(gòu)圖

其中，n 是面部特征的維數(shù)。輸出保留了輸入面x 的高級個人特征。然后引入深度特征遷移模塊，利用6個殘差模塊實現(xiàn)人臉模擬圖像的降維、特征遷移和升維，在生成器輸出端獲取真實人臉語義信息的特征，使得模擬生成的圖像更加逼真。

在保證生成器網(wǎng)絡(luò)深度不變的情況下，將生成器的下采樣卷積層與殘差模塊中的前三個作為編碼器，后三個殘差模塊與上采樣卷積層作為解碼器，中間三個殘差模塊作為特征遷移模塊。其中殘差模塊如圖4所示。

圖4 殘差模塊結(jié)構(gòu)圖

由圖4可知，通過快捷鍵的連接實現(xiàn)殘差元任意層之間的關(guān)聯(lián)，圖中x 為殘差元輸入信號，映射F(x)表達(dá)式如式（3）所示：

式中，W2、W2分別是權(quán)重層的權(quán)重，σ 是激勵函數(shù)relu。這樣在前向傳播的過程中，殘差網(wǎng)絡(luò)的映射實際上是連加運算。將標(biāo)簽l 與z 連接，生成器G 接受新向量[z,l]的反饋。以l 獨熱編碼年齡標(biāo)簽為條件，通過三個反卷積上采樣恢復(fù)圖片尺寸，生成輸出人臉圖像為：

訓(xùn)練中輸入和輸出人臉的損失函數(shù)如下：

其中，L(x,G(E(x),l))表示L2范數(shù)。編碼器E 和生成器G 都是根據(jù)輸入和輸出面之間的損失函數(shù)L2進(jìn)行更新。同時，通過Dz判斷器在z 上施加均勻分布。同樣，在條件l 下，面部判斷器和生成器可以通過式（6）訓(xùn)練。

由于加入了深度特征遷移模塊，自編碼器需要在低維空間域?qū)θ四樳M(jìn)行重建，因此模型優(yōu)化目標(biāo)中，增加一項最小化圖像重構(gòu)誤差的損失函數(shù)，最終內(nèi)容損失函數(shù)如下：

其中，TV(?)表示有效去除重影偽影的總變差，系數(shù)λ和γ 平衡了平滑度和高分辨率，Lrec為重建損失。內(nèi)容損失函數(shù)負(fù)責(zé)引導(dǎo)生成器輸出人臉圖像，判斷器Dz在z 上施加均勻分布，并且判斷使輸出給定的年齡標(biāo)簽的人臉圖像更加真實。

2.2 對抗性損失的改進(jìn)

對抗性損失依賴于生成網(wǎng)絡(luò)G 和鑒別網(wǎng)絡(luò)D，它影響了生成網(wǎng)絡(luò)G 中的圖像變換過程，它的值表示輸出圖像與輸入圖像的相似程度。只通過訓(xùn)練鑒別器D分離真實樣本的圖像并生成遷移圖像是不夠的，這是因為數(shù)據(jù)庫樣本的人臉輪廓干擾生成圖像產(chǎn)生陰影，甚至過擬合[15]。清晰邊緣的圖像呈現(xiàn)有助于人臉圖像變換后的識別，但這些邊緣的比例在整個圖像中通常非常小，因此，如果一個輸出圖像沒有明確的重建邊緣，但是它擁有正確的邊緣陰影，可能會使受過訓(xùn)練的鑒別者產(chǎn)生錯誤的判決，從而使生成的圖像邊緣模糊化。參考文獻(xiàn)[16]提出的將圖片轉(zhuǎn)化成漫畫的風(fēng)格遷移方法，改進(jìn)了本次實驗的圖像集，將圖像集通過canny算子檢測出輸入圖像的主要輪廓，然后引入新的對抗損失函數(shù)。具體過程為使用式（8）作為一對卷積陣列，使用式（9）計算梯度幅值和方向：

然后進(jìn)行邊緣膨脹，最后通過高斯濾波器將高頻區(qū)域的邊緣濾除，使其變得模糊。具體目的是為了通過新生成的樣本數(shù)據(jù)集使鑒別器學(xué)習(xí)分辨弱邊緣圖像的能力，邊緣提升對抗損失函數(shù)定義如式（10）所示：

其中，P(c)表示跨年齡圖像分布，P(e)表示弱化邊緣的樣本圖像分布。根據(jù)生成器的設(shè)定，G(x)是一張跨年齡人臉圖片，目標(biāo)是使訓(xùn)練判別器D 概率最大化將正確的標(biāo)簽分配給G(x)，以便生成器通過將輸入轉(zhuǎn)換為G 可以正確引導(dǎo)的人臉圖像，達(dá)到弱化風(fēng)格圖像邊緣，保留真實圖像邊緣的效果。

2.3 局部顏色直方圖匹配

基于DFΜ-GAN生成后的圖像顏色存在一定退化，圖片的色調(diào)變成了暗黃色，失去了原來色彩豐富、對比明顯的特點，影響現(xiàn)實感。因此，本文使用局部顏色直方圖匹配的方法來解決這一類的問題，對生成后的圖片進(jìn)行進(jìn)一步增強。局部顏色直方圖匹配，是指在全局顏色直方圖匹配的基礎(chǔ)上，將圖片劃分為面積相等的m×n塊。如圖5所示，將源圖像S 劃分為m×n 個小塊：

將目標(biāo)圖像C 劃分為m×n 個小塊：

分別對每個對應(yīng)塊進(jìn)行直方圖匹配，得到每個塊的源圖像S 和目標(biāo)圖像C 概率分布函數(shù)：

再分別求得每個對應(yīng)分塊的逆映射：

圖5 局部顏色直方圖匹配原理圖

將經(jīng)過匹配的每個小塊ti(i=1,2,…,m×n)按編號順序拼合，則可得到經(jīng)過匹配的圖像T ：

3 數(shù)據(jù)庫與實驗設(shè)計

3.1 跨年齡人臉數(shù)據(jù)庫

跨年齡人臉識別在尋找被拐兒童、不同年齡人臉辨別、辨認(rèn)多年前的罪犯、預(yù)測兒童長相變化等方面起到重要的作用。用于對本文所提系統(tǒng)進(jìn)行訓(xùn)練和測試的跨人臉年齡數(shù)據(jù)庫是ΜORPH Album2[17]和UTΚface 數(shù)據(jù) 庫[18]。Album 2 包含了約10 000 個 人 的55 134 張圖像，數(shù)據(jù)庫中人的年齡從16歲到77歲，平均每個人有6張人臉圖片。

（1）年齡分組

實際上，年齡是一個連續(xù)變量，但是考慮到相鄰年齡的面部圖像差異很小，例如20 歲的面部特征和21 歲的面部特征幾乎沒有差異，但是20 歲的面孔特征與30歲的面孔特征之間的區(qū)別仍然很明顯。因此，設(shè)計中的年齡分為10類，0～5，6～10，11～15，16～20，21～30，31～40，41～50，51～60，61～70 和71～80，使用10 個元素的獨熱編碼來指示訓(xùn)練期間每個面部的年齡。

（2）測試數(shù)據(jù)集

在跨年齡人臉識別實驗中，樣本庫主要分為兩類：沒有指定年齡的跨年齡人臉圖像樣本和相同年齡組的跨年齡人臉圖像樣本。

本類樣本獲取9 000 組，每組兩張人臉圖片，總計18 000張人臉樣本。部分樣本如圖6（a）所示。

與沒有指定年齡的跨年齡人臉圖像樣本相比，同一個人指定的相同年齡的跨年齡人臉圖像樣本的數(shù)量相對較少。此類樣本是從2 500組中獲得的，每組中有5個樣本，總共有12 500 個面部樣本圖像，其中一些樣本如圖6（b）所示。從左到右，它代表一個人的15、20、30、40、50歲年齡段的面部圖像。

圖6 人臉數(shù)據(jù)庫部分樣本

3.2 實驗評價指標(biāo)

本文使用的方法是模擬特定年齡的人臉圖像生成新的人臉圖像，減少類別中樣本的變異性和年齡變化對面部特征信息的影響。因此，本文采用人臉相似度和人臉距離兩個指標(biāo)進(jìn)行實驗研究。在Eyekey平臺上分別由數(shù)據(jù)庫樣本對經(jīng)DFΜ-GAN 生成圖像樣本和真實樣本兩者進(jìn)行人臉相似性實驗，數(shù)據(jù)庫人臉識別率與相似度成正比。并通過Openface 進(jìn)行人臉距離實驗，通過HOG 算法給數(shù)據(jù)庫測試樣本圖片編碼，找到面部主要特征點，通過測量經(jīng)DFΜ-GAN生成圖像樣本與真實樣本的特征點，計算兩者與數(shù)據(jù)庫樣本特征點的距離值，數(shù)據(jù)庫人臉識別率與人臉距成反比[19]。綜上所述，相似度越高，人臉距離越小，人臉識別率越高。

3.3 實驗設(shè)計

本節(jié)的實驗主要是跨年齡的人臉驗證實驗。即給定一對具有年齡跨度的面部圖像，確定這兩個圖像是否屬于同一個人[20]。在訓(xùn)練過程中，損失函數(shù)取不同的λ、γ 值，對實驗效果進(jìn)行比較，本文所采用的訓(xùn)練模型λ=100,γ=10,學(xué)習(xí)率為0.000 2。訓(xùn)練過程中分為50 epoch，每個epoch 分為236 個batch。實驗配置為Intel Core i7-6700 CPU 處理器、GeForce GTX 2060 顯卡的服務(wù)器；網(wǎng)絡(luò)的程序設(shè)計語言為Python 2.7，采用的是Tensor-Flow-1.13.0 版本的深度學(xué)習(xí)框架。網(wǎng)絡(luò)模型數(shù)據(jù)庫部分樣本人臉圖像如圖7所示。

圖7 數(shù)據(jù)庫部分樣本

以圖7（a）為例，第一行真實樣本作為輸入圖像，經(jīng)DFΜ-GAN網(wǎng)絡(luò)生成指定年齡段的生成圖像，將真實樣本和生成圖像分別與第二行數(shù)據(jù)庫樣本圖像進(jìn)行人臉相似度與人臉距測量實驗，結(jié)合兩個指標(biāo)進(jìn)行實驗研究。本實驗主要設(shè)計了兩組實驗：一是單樣本不同年齡實驗，即指定圖7測試樣本中的某一個樣本與其在不同年齡階段的真實樣本，分別對不同年齡的人臉圖像進(jìn)行DFΜ-GAN算法變換，用生成后的新圖像與真實樣本分別與測試樣本進(jìn)行人臉相似度和人臉距實驗。二是指定年齡多樣本實驗，即從圖7測試樣本選擇多個人臉圖像，并在指定年齡段中找到其對應(yīng)的真實樣本，分別對不同人在指定年齡的真實樣本進(jìn)行DFΜ-GAN 算法變換，用生成后的新圖像與真實樣本分別與測試樣本進(jìn)行人臉相似度和人臉距實驗。

4 實驗結(jié)果分析

4.1 單樣本不同年齡段的實驗

首先，以15 歲左右人臉圖像作為數(shù)據(jù)庫樣本，20、30、40、50 年齡段真實樣本人臉圖像作為輸入圖像，經(jīng)DFΜ-GAN算法生成相應(yīng)年齡段的生成人臉圖像，實驗效果以圖8為例。

圖8 各年齡段真實樣本圖像與生成圖像

最后，真實樣本和生成圖像分別與數(shù)據(jù)庫樣本進(jìn)行人臉相似度與人臉距實驗，實驗數(shù)據(jù)曲線圖如圖9所示。

圖9 樣本實驗數(shù)據(jù)曲線圖

由圖9 可知，在20 年齡段時，相比較DFΜ-GAN 生成圖像真實樣本的相似度高而人臉距低，即人臉識別率高，與在30 年齡段兩者基本持平，而在40、50 年齡段，DFΜ-GAN 生成人臉圖像的識別率高于真實樣本。為避免樣本偶然性，進(jìn)行多組樣本的實驗，實驗數(shù)據(jù)取其平均值，數(shù)據(jù)如表1所示。

表1 實驗樣本平均數(shù)據(jù)表

由于每個人的外貌受遺傳和生活條件影響所反映的規(guī)律不相同，但通過平均數(shù)據(jù)可以看出，20歲年齡組真實樣本的人臉識別率高于它的生成圖像，主要是15歲的人臉距和20歲的人臉距具有較小的時間跨度和較小的面部特征變化。30歲真實樣本的面部識別率與生成的圖像基本相同；但在40、50 年齡段其DFΜ-GAN 生成圖像的人臉識別率高于真實樣本圖像，其中平均相似度提高了3.52 個百分點、4.96 個百分點，人臉距縮小了0.207、0.282。隨著年齡的增長，人臉特征變化越來越大，DFΜ-GAN生成圖像的人臉識別率越高于真實樣本。

4.2 指定年齡段多樣本的實驗

為了進(jìn)一步驗證DFΜ-GAN 算法生成的人臉圖像相比于真實圖像對數(shù)據(jù)庫樣本有更高的識別率，以15～20 年齡段人臉作為數(shù)據(jù)庫，指定年齡段為21～30，31～40，41～50，51～60，61～70，71～80 的真實樣本和真實樣本經(jīng)過DFΜ-GAN算法的生成圖像作為測試樣本，分別與數(shù)據(jù)庫樣本進(jìn)行相似度和人臉距的實驗驗證，進(jìn)行多樣本實驗，部分?jǐn)?shù)據(jù)結(jié)果如圖10所示。

圖10 中通過部分實驗圖像可以看出，輸入的真實樣本圖像與數(shù)據(jù)庫測試圖像的相似度明顯低于DFΜGAN生成圖像，人臉距也高于DFΜ-GAN生成圖像，且經(jīng)過DFΜ-GAN生成后的圖像沒有發(fā)生人臉輪廓變化、器官位置移動和膚色對比度失真等問題，說明改進(jìn)后的網(wǎng)絡(luò)在一定程度上克服了生成式對抗網(wǎng)絡(luò)自身的模式崩塌問題。其中年齡段為40～50 的部分實驗數(shù)據(jù)曲線如圖11所示。

實驗數(shù)據(jù)集進(jìn)行如圖11 的實驗測量，結(jié)果顯示，DFΜ-GAN 生成圖像的相似度遠(yuǎn)高于真實樣本的相似度，DFΜ-GAN生成圖像的人臉距遠(yuǎn)低于真實樣本的人臉距。DFΜ-GAN生成圖像的相似度最大提升21.22個百分點，平均提高了19.24個百分點，DFΜ-GAN生成圖像的人臉距離最大減少了0.615，平均減少了0.451。結(jié)合以上實驗數(shù)據(jù)的結(jié)果，進(jìn)行人臉驗證識別率統(tǒng)計，采用不同的人臉驗證識別閾值，統(tǒng)計不同閾值對應(yīng)的驗證識別率，統(tǒng)計實驗結(jié)果如圖12所示。

圖10 年齡跨度較大的人臉識別率實驗結(jié)果與數(shù)據(jù)圖

圖12 人臉識別率對比圖

圖12 首先印證了實驗評價指標(biāo)中人臉相似度、人臉距和識別率之間關(guān)系的準(zhǔn)確性。在不同相似度閾值和人臉距閾值下，真實樣本經(jīng)過DFΜ-GAN算法后生成的人臉圖像對于數(shù)據(jù)庫樣本有著更高的識別率，當(dāng)相似度達(dá)到75%時，真實樣本的識別率不足50%，而本文算法可以到達(dá)65%以上。當(dāng)人臉距高于0.45時，真實樣本的識別率不足50%，而本文算法人臉識別率高于62%，說明在跨年齡人臉識別上可行性較大。

4.3 幾種方法的比較

實驗說明在跨年齡人臉識別方面，將不同年齡段真實樣本經(jīng)過DFΜ-GAN算法處理生成新的人臉圖像，相比于真實樣本對數(shù)據(jù)庫樣本有著更高的重合度，即對同類樣本的人臉識別率更高。

為了驗證其他相關(guān)算法對跨年齡人臉識別率的影響，分別使用GAN、pixtopix、CycleGAN 和CAAE 四種算法，對相同訓(xùn)練樣本，按照上述實驗設(shè)計在相同實驗環(huán)境下做同等實驗，并對實驗結(jié)果使用Eyekey 平臺進(jìn)行人臉相似度實驗，在Openface 下進(jìn)行人臉距實驗，對實驗結(jié)果進(jìn)行統(tǒng)計，并與DFΜ-GAN算法在不同年齡段的人臉進(jìn)行識別率比較，得到表2。

由表2 可知，在跨年齡人臉識別中，真實樣本經(jīng)過GAN、CycleGAN、pixtopix 和CAAE 四種算法均可以一定程度上提高人臉的識別率。GAN網(wǎng)絡(luò)自身存在訓(xùn)練難的問題，識別率相對真實樣本提高最少，相似度相比較真實樣本提高1.85 個百分點，人臉距減少了0.034；pixtopix 和CycleGAN 是GAN 的改進(jìn)版本，通過改進(jìn)損失函數(shù)實現(xiàn)數(shù)據(jù)庫之間的圖像風(fēng)格轉(zhuǎn)換，相似度相比較真實樣本提高4.9個百分點、5.51個百分點，人臉距減少了0.046、0.145；CAAE 在GAN 網(wǎng)絡(luò)模型基礎(chǔ)加了兩個判別器，使得人臉差距進(jìn)一步減少，相似度相比較真實樣本提高12.9 個百分點，人臉距減少了0.151。而加入了深度特征遷移的DFΜ-GAN 算法減少了同樣本之間的差異性，并引入邊緣提升對抗損失函數(shù)，將引導(dǎo)生成器生成的人臉在相似度與人臉距方面都高于其他算法，相似度相比較真實樣本提高19.42 個百分點，人臉距減少了0.175，在實驗上取得識別率最高的效果。

表2 幾種算法在不同年齡段的平均人臉識別率比較

5 結(jié)束語

與真實樣本圖像相比，DFΜ-GAN生成的圖像的平均相似度提高了19.42 個百分點，平均人臉距減小了0.175，這減少了類樣本之間的差異，說明經(jīng)過一定圖像變換，有利于提高跨年齡人臉識別率，引入的深度特征遷移有利于生成對抗網(wǎng)絡(luò)對人臉信息的進(jìn)一步提取和模擬，邊緣提升對抗損失函數(shù)也在一定程度上解決了生成器人臉邊緣不清晰的問題。本文受個人研究時間、硬件條件等因素影響，仍有一些研究內(nèi)容需要進(jìn)一步完善，具體如下：

（1）對跨年齡人臉識別人臉庫有一定的要求，例如正臉的效果優(yōu)于有傾斜角度人臉的效果，尤其在傾斜角度較大情況下，模擬出的人臉會出現(xiàn)失真的現(xiàn)象，網(wǎng)絡(luò)輸入的圖像需要事先矯正、歸一化。

（2）在網(wǎng)絡(luò)上DFΜ-GAN 同樣存在訓(xùn)練不穩(wěn)定、梯度消失等不足，未來可以參考文獻(xiàn)[21]改進(jìn)損失函數(shù)并優(yōu)化判別網(wǎng)絡(luò)，從而使網(wǎng)絡(luò)訓(xùn)練穩(wěn)定，生成特征點更加豐富的人臉圖像來提高識別率，使本文方法在現(xiàn)實生活中得到更好、更全面的實際應(yīng)用。