本申请实施例涉及人脸识别技术领域，尤其涉及一种跨年龄人脸识别方法及设备。
背景技术：
人脸识别作为一种重要的生物特征识别技术，目前已得到越来越广泛的应用。
在人脸识别的实际应用中，待识别的人脸图像受各种外界因素的影响，例如光照、遮挡、姿态、表情和年龄等等，其中因年龄变化使人脸图像发生的改变尤为突出。虽然通用人脸识别的准确率凭借深度学习技术的发展已经得到了明显的提高，但跨年龄人脸识别依然具有很高的挑战性。由于跨年龄人脸识别在很多场景中都有着无法替代的价值，例如搜寻走失儿童或长期通缉罪犯、长时间间隔下的人脸比对等等，跨年龄人脸识别已经成为人脸识别研究领域中备受关注的技术问题。
目前，传统的跨年龄人脸识别一般是基于人工定义的判别式或经验来构建识别模型，但是过多的依赖人类经验使得识别模型的识别准确率并不高。
技术实现要素：
本申请实施例提供一种跨年龄人脸识别方法及设备，可以解决现有的跨年龄人脸识别方法识别准确率不高的技术问题。
第一方面，本申请实施例提供一种跨年龄人脸识别模型训练方法，该方法包括：
确定人脸特征向量，并将所述人脸特征向量分解为第一特征参数与第二特征参数；其中，所述第一特征参数不受人脸年龄变化的影响，所述第二特征参数随人脸年龄变化而变化；
根据所述人脸特征向量、所述第一特征参数以及所述第二特征参数，建立跨年龄人脸识别模型；
获取跨年龄人脸数据库中的人脸图像，并根据获取到的人脸图像对应的人脸特征向量与年龄，对所述跨年龄人脸识别模型进行训练，得到目标跨年龄人脸识别模型；
其中，所述跨年龄人脸数据库中的人脸图像为多个用户处于不同年龄时的人脸图像，所述目标跨年龄人脸识别模型用于根据待识别人脸图像的人脸特征向量，确定所述跨年龄人脸数据库中与所述待识别人脸图像相匹配的目标人脸图像，以及确定所述待识别人脸图像的标识信息。
在一种可能的设计方式中，将所述人脸特征向量分解为第一特征参数与第二特征参数，包括：
基于脉冲神经网络，将所述人脸特征向量分解为第一特征参数与第二特征参数。
在一种可能的设计方式中，所述基于脉冲神经网络，将所述人脸特征向量分解为第一特征参数与第二特征参数，包括：
将所述初始人脸特征向量中的各个元素作为所述脉冲神经网络的输入脉冲输入所述脉冲神经网络，并根据所述脉冲神经网络的输出结果，确定所述第一特征参数与第二特征参数。
在一种可能的设计方式中，所述根据获取到的人脸图像对应的人脸特征向量与年龄，对所述跨年龄人脸识别模型进行训练，得到目标跨年龄人脸识别模型，包括：
根据获取到的人脸图像对应的人脸特征向量与年龄，对所述跨年龄人脸识别模型进行训练，确定所述第二特征参数与年龄之间的特征变化函数；
根据所述特征变化函数，确定所述目标跨年龄人脸识别模型。
第二方面，本申请实施例提供一种跨年龄人脸识别方法，该方法包括：
获取待识别人脸图像；
利用目标跨年龄人脸识别模型确定跨年龄人脸数据库中与所述待识别人脸图像相匹配的目标人脸图像，以及确定所述待识别人脸图像的标识信息；所述目标跨年龄人脸识别模型根据权利要求1至4任一项所述的跨年龄人脸识别模型训练方法获得。
在一种可能的设计方式中，所述利用目标跨年龄人脸识别模型确定跨年龄人脸数据库中与所述待识别人脸图像相匹配的目标人脸图像，包括：
获取所述待识别人脸图像的人脸特征向量中的第二特征参数，所述第二特征参数随人脸年龄变化而变化；
根据所述待识别人脸图像的人脸特征向量中的第二特征参数，以及所述目标跨年龄人脸识别模型中训练得到的第二特征参数与年龄之间的特征变化函数，预测所述待识别人脸图像在对应不同年龄时的第二特征参数，并根据预测结果确定所述跨年龄人脸数据库中与所述待识别人脸图像相匹配的目标人脸图像。
在一种可能的设计方式中，还包括：
根据所述待识别人脸图像的人脸特征向量中的第二特征参数，以及所述目标跨年龄人脸识别模型中训练好的第二特征参数与年龄之间的特征变化函数，确定所述待识别人脸图像对应的年龄。
在一种可能的设计方式中，所述确定所述待识别人脸图像的标识信息，包括：
获取所述待识别人脸图像的人脸特征向量中的第一特征参数，所述第一特征参数不受人脸年龄变化的影响；
基于所述待识别人脸图像的人脸特征向量中的第一特征参数，输出所述待识别人脸图像的标识信息。
第三方面，本申请实施例提供一种跨年龄人脸识别模型训练装置，该装置包括：
预处理模块，用于确定人脸特征向量，并将所述人脸特征向量分解为第一特征参数与第二特征参数；其中，所述第一特征参数不受人脸年龄变化的影响，所述第二特征参数随人脸年龄变化而变化；
模型建立模块，用于根据所述人脸特征向量、所述第一特征参数以及所述第二特征参数，建立跨年龄人脸识别模型；
训练模块，用于获取跨年龄人脸数据库中的人脸图像，并根据获取到的人脸图像对应的人脸特征向量与年龄，对所述跨年龄人脸识别模型进行训练，得到目标跨年龄人脸识别模型；
其中，所述跨年龄人脸数据库中的人脸图像为多个用户处于不同年龄时的人脸图像，所述目标跨年龄人脸识别模型用于根据待识别人脸图像的人脸特征向量，确定所述跨年龄人脸数据库中与所述待识别人脸图像相匹配的目标人脸图像，以及确定所述待识别人脸图像的标识信息。
第四方面，本申请实施例提供一种跨年龄人脸识别装置，该装置包括：
输入模块，用于获取待识别人脸图像；
识别模块，用于利用目标跨年龄人脸识别模型确定跨年龄人脸数据库中与所述待识别人脸图像相匹配的目标人脸图像，以及确定所述待识别人脸图像的标识信息；所述目标跨年龄人脸识别模型根据第一方面提供的跨年龄人脸识别模型训练装置获得。
第五方面，本申请实施例提供一种电子设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如第一方面提供的跨年龄人脸识别模型训练方法；或者，使得所述至少一个处理器执行如第二方面提供的跨年龄人脸识别方法。
第六方面，本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如第一方面提供的跨年龄人脸识别模型训练方法；或者，实现如第二方面提供的跨年龄人脸识别方法。
第七方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如第一方面提供的跨年龄人脸识别模型训练方法；或者，实现如第二方面提供的跨年龄人脸识别方法。
本申请实施例所提供的跨年龄人脸识别方法及设备，通过分解待识别人脸图像中的不受人脸年龄变化影响的第一特征参数与随人脸年龄变化而变化第二特征参数，然后根据跨年龄人脸数据库中的人脸图像对应的人脸特征向量与年龄，对上述跨年龄人脸识别模型进行训练，确定出目标跨年龄人脸识别模型中第二特征参数与人脸年龄之间的对应关系，由此即可通过目标跨年龄人脸识别模型准确预测出待识别人脸图像中的人脸特征随年龄变化的情况，从而准确识别出上述跨年龄人脸数据库中与待识别人脸图像相匹配的目标人脸图像，以及根据待识别人脸图像中的第一特征参数确定出待识别人脸图像的标识信息，有效提升了跨年龄人脸识别的识别准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对本申请实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的跨年龄人脸识别模型训练方法的流程示意图；
图2为本申请实施例提供的跨年龄人脸识别方法的流程示意图一；
图3为本申请实施例提供的跨年龄人脸识别方法的流程示意图二；
图4为本申请实施例提供的跨年龄人脸识别模型训练装置的程序模块示意图；
图5为本申请实施例中提供的一种电子设备的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的那些组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
本申请中使用的术语“模块”，是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合，能够执行与该元件相关的功能。
跨年龄人脸识别在很多场景中都有着无法替代的价值，例如搜寻走失儿童或长期通缉罪犯、长时间间隔下的人脸比对等等，因此跨年龄人脸识别已经成为人脸识别研究领域中备受关注的技术问题。
年龄作为人脸的一个重要属性，对识别结果的可靠性有着举足轻重的影响，而人脸老化是一种复杂的非线性内部变化，面部外貌特征随着年龄增长会发生显著的形状和纹理变化，并且不同人在相同年龄阶段拥有着相似的变化，同时，相同人在不同年龄阶段又有着不同的变化，因此，对人脸老化建模是一种非常复杂的过程。针对这些困难，在一些实施方式中，主要采用以下几种方式：
1.研究者通过经验，去构建人脸年龄估计算法和不同年龄阶段的人脸的仿真生成模型。
2.通过判别式模型提取，包括方向梯度直方图(histogramoforientedgradient,简称hog)、尺度不变特征变换(scale-invariantfeaturetransform，简称sift)、加速稳健特征(speededuprobustfeatures，简称surf)、快速特征点提取和描述算法(orientedfastandrotatedbrief，简称orb)、线性反投影算法(localbinarypatterns，简称lbp)、haa等传统视觉特征提取算法，基于经验编码跨年龄信息。
3.基于判别式模型的改进算法，如光栅扫描。
4.基于卷积神经网络(convolutionalneuralnetworks，简称cnn)的改进算法，如基于cnn的特征学习和距离测度学习算法。
5.基于gan生成式对抗网络的生成模型和判别模型设计。
其中，上述第1、2、3条是基于人工定义的判别式或经验分析构建算法，其提取的特征不变性不足，易被年龄变化所产生的面部变化干扰，且过多的依赖研究者的经验使得模型泛化能力有限。尽管上述第2、3条采用判别式模型部分改进了纯经验构建的缺点，但纯粹的判别式仍然难以捕捉到全部信息，造成识别率不高。第4条基于cnn，虽然改善了特征提取的稳定性，然而纯粹的cnn无法完全解决人脸随时间变化的不变量提取问题，仍然需要依赖研究者的经验预测来模拟生长过程。
仅仅基于第1、2、3、4条的算法，无法解决年龄变化带来的个体差异变化，尤其是年龄跨度较大时，不同年龄的同一个体面部信息差异甚至会大于个体间的面部信息差异。第5条基于生成式对抗网络，首先设计高效的生成模型生成不同年龄的人脸图像来帮助进行识别，然而这种基于对抗网络生成的合成人脸并不能保证和自然衰老具有一致性，因此会在识别真实人脸时影响准确率。
为了解决上述技术问题，本申请实施例提供了一种跨年龄人脸识别方法，通过分解待识别人脸图像中的非年龄特征参数与年龄特征参数，并根据已确定的年龄特征参数与人脸年龄之间的对应关系，能够准确预测出待识别人脸图像中的人脸特征随年龄变化的情况，从而准确识别出跨年龄人脸数据库中与待识别人脸图像相匹配的目标人脸图像，以及待识别人脸图像的身份信息。下面采用详细的实施例进行详细说明。
参照图1，图1为本申请实施例提供的跨年龄人脸识别模型训练方法的流程示意图，在一种可行的实施方式中，该跨年龄人脸识别模型训练方法包括：
s101、确定人脸特征向量，并将该人脸特征向量分解为第一特征参数与第二特征参数。
其中，上述第一特征参数不受人脸年龄变化的影响，第二特征参数随人脸年龄变化而变化。
可以理解的是，不同的人脸有不同的维度，相似的人脸有相似的维度，表示一张脸的数字(或训练集中的一个元素)被称为人脸特征向量。一个人脸特征向量包括特定顺序的各种数字。
例如，将一张脸映射到一个人脸特征向量上后，该人脸特征向量可以由以下不同的特征组成：
脸的长度(cm)
脸的宽度(cm)
脸的平均肤色(r，g，b)
唇部宽度(cm)
鼻子长度(cm)
当给定一张人脸图像时，可以标注不同的特征并将其转化为如下的人脸特征向量：(23.1,15.8,255,224,189,5.2,4.4)，表示脸的长度为23.1cm，脸的宽度为15.8cm，脸的平均肤色为(255,224,189)，唇部宽度为5.2cm，鼻子长度为4.4cm。
在另一些实施例中，还可以从人脸图像中衍生出其它特征，如头发颜色、胡须、眼镜等。
在一些实施例中，可以获取跨年龄人脸数据库中的人脸图像，并对获取到的人脸图像进行特征提取预处理，然后根据特征提取网络，确定人脸特征向量。
可选的，上述跨年龄人脸数据库可以为morph人脸数据库。其中，morph人脸数据库学术版有55134张图片，13618个人，平均每个人只有四张图片，年龄从16岁到77岁，每个人的年龄跨度相对较小，且包含较大的姿态、表情干扰。
在一种可行的实施方式中，对获取到的人脸图像进行特征提取预处理，包括对人脸图像的矩阵化及灰度化过程。
可选的，可以将获取到的人脸图像统一缩放为400*500分辨率的图像，该过程中若原人脸图像非4：5比例，则在空缺处补上全黑的像素，即空缺处rgb＝(0，0，0)；之后抛弃获取的人脸图像中的色彩信息，即将rgb的三通道彩色图像转换为灰度图。
可选的，可以采用以下经验公式将rgb的三通道彩色图像转换为灰度图像：
灰度值＝红色通道(r)*0.299 绿色通道(g)*0.587 蓝色通道(b)*0.114
由于人眼对亮度信息极为敏感，该经验公式最大程度地按颜色比例保留了亮度信息，生成最符合人眼视觉的灰度图，以节约计算资源。这样，就得到了一个单通道400*500的二维矩阵。随后，针对该矩阵，可以首先使用方向梯度直方图算法(histogramoforientedgradient，简称hog)标定人脸的各个特征位置，此步骤共有五个关键点，包括两个眼睛的中心，鼻尖，和两个嘴角，基于这五个关键点信息即可确定人脸信息(即定位到人脸的具体位置)。
进一步的，基于上述人脸信息，可以将原有的人脸分割成多个图像区域，在此，以上述五个关键点为中心，选择大小为100*100的五个正方形作为五个特征区域，同时再基于全脸，提取整个全脸、上3/4部分、1/16到13/16部分、1/8到3/4部分、下3/4部分，共五个特征区域，以弥补人脸对齐交叉的样本可能出现的识别错误问题。
通过以上方式，总共获得了10个不同的图像区域，这10个图像区域可以被压缩为50*50的维度以减小计算量，另外，这10个不同的图像区域也可以再通过旋转的尺度变换(顺时针旋转90、180、270度)，扩增成40个不同的图像区域。这40个不同的50*50大小的图像区域即可作为下一步特征向量提取的输入。
本申请实施例中，可以利用特征提取网络来从上述40个不同的50*50大小的图像区域中提取人脸特征向量。
可选的，上述特征提取网络可以包含三个卷积层、三个最大池化层(包含后面的relu非线性激活函数)和最后的全连接层，输入为上述获取到的40个不同的50*50大小的图像区域。
在一些实施方式中，上述特征提取网络的架构如下：
卷积层1：使用四个5*5的卷积核，对50*50的图像做卷积，输出46*46*4到下一层。
最大池化层1：使用2*2的最大池化单元池化，同时用relu函数加入非线性部分，输出23*23*4到下一层。
卷积层2：使用四个4*4的卷积核，对23*23的图像做卷积，输出20*20*16到下一层。
最大池化层2：使用2*2的最大池化单元池化，同时用relu函数加入非线性部分，输出10*10*16到下一层。
卷积层3：使用四个3*3的卷积核，对10*10的图像做卷积，输出8*8*64到下一层。
最大池化层3：使用2*2的最大池化单元池化，同时用relu函数加入非线性部分，输出4*4*64到全连接层。
全连接层：将上述获得的64组基于不同卷积核的特征矩阵向量化，得到64组1*16的列向量。
本申请实施例中，可以将上述64组1*16的列向量作为人脸特征向量。
由于人脸包含内在的身份信息和年龄信息，人脸特征可以由身份相关特征和年龄相关特征共同表示。基于此，可以将人脸特征向量分解为这两个不相关的部分，即可以将人脸特征向量分解为第一特征参数与第二特征参数。
示例性的，由于人脸对应的姓名不受人脸年龄变化的影响，因此可以将人脸的姓名确定为第一特征参数，而脸的长度、脸的宽度、唇部宽度、鼻子长度等特征有可能会随人脸年龄变化而变化，因此，可以将这些参数作为第二特征参数。
s102、根据上述人脸特征向量、第一特征参数以及第二特征参数，建立跨年龄人脸识别模型。
本申请实施例中，构建跨年龄人脸识别模型，假设人脸特征向量为x，则可以定义：
x＝xinv x(t)age
其中xinv为第一特征参数，不受人脸年龄变化的影响，x(t)age为第二特征参数，随人脸年龄(t)的变化而变化，在上述跨年龄人脸识别模型中，x(t)age可以为以年(t)为步进的离散映射。
s103、获取跨年龄人脸数据库中的人脸图像，并根据获取到的人脸图像对应的人脸特征向量与年龄，对上述跨年龄人脸识别模型进行训练，得到目标跨年龄人脸识别模型。
本申请实施例中，可以根据获取到的人脸图像的人脸特征向量与人脸年龄信息，对上述跨年龄人脸数据库进行训练，确定出第二特征参数与人脸年龄之间的特征变化函数。
在进行跨年龄人脸识别时，根据待识别人脸图像的第二特征参数，以及预先确定出的第二特征参数与人脸年龄之间的特征变化函数，即可准确预测出待识别人脸图像的人脸特征随年龄变化的情况，然后根据预测结果，将待识别人脸识别图像与上述跨年龄人脸数据库中的各个人脸图像进行匹配，即可查找出与待识别人脸图像相匹配的目标人脸图像。
另外，还可以根据待识别人脸图像中的第一特征参数，识别出待识别人脸图像的标识信息。
例如，当上述第一特征参数是姓名时，可以由此确定出受试者的身份信息。
本申请实施例所提供的跨年龄人脸识别模型训练方法，通过分解待识别人脸图像中的不受人脸年龄变化影响的第一特征参数与随人脸年龄变化而变化第二特征参数，然后根据跨年龄人脸数据库中的人脸图像对应的人脸特征向量与年龄，对上述跨年龄人脸识别模型进行训练，确定出目标跨年龄人脸识别模型中第二特征参数与人脸年龄之间的对应关系，由此即可通过目标跨年龄人脸识别模型准确预测出待识别人脸图像中的人脸特征随年龄变化的情况，从而准确识别出上述跨年龄人脸数据库中与待识别人脸图像相匹配的目标人脸图像，以及根据待识别人脸图像中的第一特征参数确定出待识别人脸图像的标识信息，有效提升了跨年龄人脸识别的识别准确率。
基于上述实施例中所描述的内容，在本申请一种可行的实施方式中，可以利用脉冲神经网络将人脸特征向量x准确的分解为第一特征参数xinv和第二特征参数x(t)age两个部分。
受网络结构所限，在脉冲神经网络的训练中，初始人脸特征向量不可以是与传统方法类似的连续数值形式，必须首先被转换成含时的脉冲形式，通过上述人脸特征向量提取，得到了64组1*16的列向量，在此将每个列向量中的16个元素转化为输入脉冲，以10ms作为间隔均匀分布到时间轴上，脉冲的强度(振幅)即为元素的数值大小，以此方法构建64个脉冲神经元作为输入层。
本实施例中，脉冲神经网络通过模拟神经元突触电位的传递来模拟神经信号的传播，进而模拟人的神经系统决策过程，通过突触的局部竞争算法(spikinglocallycompetitivealgorithms,简称s-lca)来模拟这一过程，定义突触电位的表达式为：
其中，bi为外部输入的初始电位，ωij为抑制信号强弱权重，当t大于0时，α(t)＝e-t，否则α(t)＝0，σi(t)为突触电位序列，定义为σi(t)＝∑δ(t-ti,k)，其中ti,k为有序时间序列，δ(t)为模拟的突触序列，*代表卷积运算。
基于上述算法构建的神经元可以很好的模拟突触传递的生理电位，从而达到含时高效训练的效果。
在一些实施例中，上述脉冲神经网络的架构可以采用：
输入层后包含64个全连接层(s-lca)，各个全连接层中神经元突触的，随后是一个因子分解层，该层也包含64个神经元，与输入层一一对应。
对年龄因子的分解主要通过对比输入输出层的脉冲强度变化及时间差异实现：将所有脉冲按时间均分为16块，分别对应上述的16个输入列向量，随后在每块中取平均值作为主脉冲时间未知，并将所有脉冲按强度，和与主脉冲之间的时间差建立衰减模型：a＝e-δt·a0，换算出等效主脉冲权重，最后将所有权重都累加到主脉冲上。这样即可对比输入输出的脉冲时间差和强度差。若脉冲相对时间差或强度的变化越大，则该输入向量的年龄因子占比就越高，相对的，在更小的时间差内，强度的变化越大则x(t)age的上升速率越快，具体占比和x(t)ege的函数拟合可由以下公式计算：
x(t)aga＝1.44δt 1.1δa·t
为了进一步分离年龄因子，上述因子分解层分解出的x(t)age部分将继续作为输入，被输入到同样的64层全连接和一个因子分解层中，从而进一步提取x(t)age中可能存在的非年龄因子，通过一个softmax全连接层，通过上述占比计算权重x，将特征向量对应分解成x(t)age和xinv后，算出两个评分，分别对应年龄变化和身份特征，并作为输出，最后和训练数据集内的标注对比，判断训练是否准确。
身份判别的过程则直接调用xinv，基于cosface模块判别。利用此神经网络获取x(t)age与xinv的相关性足够低，无需再添加去相关算法。
为了更好的理解本申请实施例中，参照图2，图2为本申请实施例提供的跨年龄人脸识别方法的流程示意图一。
在本申请实施例中，在人脸图像输入后，提取人脸图像的初始人脸特征向量，然后基于脉冲神经网络1将该初始人脸特征向量分解为第二特征参数(包含部分第一特征参数)与第一特征参数，之后，继续基于脉冲神经网络2将分解得到的第二特征参数(包含部分第一特征参数)分解为第二特征参数与第一特征参数。
本申请实施例中所提供的跨年龄人脸识别方法，通过利用脉冲神经网络的训练，可以分解出人脸特征向量模型中的第一特征参数与第二特征参数，通过训练跨年龄人脸识别模型，可以得到第二特征参数与年龄之间的特征变化函数，使得上述跨年龄人脸识别模型具备预测人脸特征数据按年龄变化的能力，能够有效提升跨年龄人脸识别的识别准确率。
基于上述实施例中所描述的内容，参照图3，图3为本申请实施例提供的跨年龄人脸识别方法的流程示意图二，在本申请一种可行的实施方式中，上述跨年龄人脸识别方法包括：
s301、获取待识别人脸图像。
在本实施例中，在获取到待识别人脸图像后，确定该待识别人脸图像的人脸特征向量，并输入目标跨年龄人脸识别模型。
s302、利用目标跨年龄人脸识别模型确定跨年龄人脸数据库中与待识别人脸图像相匹配的目标人脸图像，以及确定待识别人脸图像的标识信息。
本申请实施例中，在进行跨年龄人脸识别时，根据待识别人脸图像的第二特征参数，以及目标跨年龄人脸识别模型中训练得到的第二特征参数与年龄之间的特征变化函数，即可准确预测出待识别人脸图像的人脸特征随年龄变化的情况，然后根据预测结果，将待识别人脸识别图像与跨年龄人脸数据库中的各个人脸图像进行匹配，即可查找出与待识别人脸图像相匹配的目标人脸图像。
在本申请一种可行的实施方式中，在通过人脸特征向量模型提取出待识别人脸图像中的第一特征参数后，还可以根据提取到的第一特征参数，确定出待识别人脸图像的标识信息。
本申请实施例所提供的跨年龄人脸识别方法，通过分解待识别人脸图像中的第一特征参数与第二特征参数，并根据已确定的第二特征参数与人脸年龄之间的特征变化函数，能够准确预测出待识别人脸图像中的人脸特征随年龄变化的情况，从而准确识别出跨年龄人脸数据库中与待识别人脸图像相匹配的目标人脸图像，以及待识别人脸图像的标识信息，有效提升跨年龄人脸识别的识别准确率。
基于上述实施例中所描述的内容，在本申请一种可行的实施方式中，在上述跨年龄人脸识别方法中，可以首先构建跨年龄人脸识别模型，假设人脸特征向量为x，则可以定义：
x＝xinv x(t)age
其中xinv为第一特征参数，不受人脸年龄变化的影响，x(t)age为第二特征参数，随人脸年龄(t)的变化而变化，在上述人脸特征向量模型中，x(t)age可以为以年为步进的离散映射。
获取跨年龄人脸数据库中的人脸图像，并根据获取到的人脸图像的人脸特征向量与人脸年龄信息，对跨年龄人脸识别模型进行训练，确定出第二特征参数x(t)age与人脸年龄(t)之间的特征变化函数。
获取待识别人脸图像，确定待识别人脸图像的人脸特征向量，并将待识别人脸图像的人脸特征向量输入上述训练好的跨年龄人脸识别模型。
通过跨年龄人脸识别模型提取待识别人脸图像中的第二特征参数，根据提取到的第二特征参数以及训练得到的上述特征变化函数，预测待识别人脸图像在对应不同年龄时的第二特征参数，并根据预测结果，将识别人脸图像与跨年龄人脸数据库中的各个人脸图像进行匹配，确定出与待识别人脸图像相匹配的目标人脸图像，可以有效提升跨年龄人脸识别的识别准确率。
进一步的，本申请实施例中，在确定出与待识别人脸图像相匹配的目标人脸图像之后，还可以根据待识别人脸图像的人脸特征向量中的第二特征参数，以及上述训练好的特征变化函数，确定出待识别人脸图像对应的年龄信息。
基于上述实施例中所描述的内容，本申请实施例中还提供一种跨年龄人脸识别模型训练装置。参照图4，图4为本申请实施例中提供的一种跨年龄人脸识别模型训练装置的程序模块示意图，该跨年龄人脸识别模型训练装置40包括：
预处理模块401，用于确定人脸特征向量，并将所述人脸特征向量分解为第一特征参数与第二特征参数；其中，所述第一特征参数不受人脸年龄变化的影响，所述第二特征参数随人脸年龄变化而变化。
模型建立模块402，用于根据所述人脸特征向量、所述第一特征参数以及所述第二特征参数，建立跨年龄人脸识别模型。
训练模块403，用于获取跨年龄人脸数据库中的人脸图像，并根据获取到的人脸图像对应的人脸特征向量与年龄，对所述跨年龄人脸识别模型进行训练，得到目标跨年龄人脸识别模型。
其中，上述跨年龄人脸数据库中的人脸图像为多个用户处于不同年龄时的人脸图像，所述目标跨年龄人脸识别模型用于根据待识别人脸图像的人脸特征向量，确定所述跨年龄人脸数据库中与所述待识别人脸图像相匹配的目标人脸图像，以及确定所述待识别人脸图像的标识信息。
本申请实施例中所提供的跨年龄人脸识别模型训练装置40，通过分解待识别人脸图像中的不受人脸年龄变化影响的第一特征参数与随人脸年龄变化而变化第二特征参数，然后根据跨年龄人脸数据库中的人脸图像对应的人脸特征向量与年龄，对上述跨年龄人脸识别模型进行训练，确定出目标跨年龄人脸识别模型中第二特征参数与人脸年龄之间的对应关系，由此即可通过目标跨年龄人脸识别模型准确预测出待识别人脸图像中的人脸特征随年龄变化的情况，从而准确识别出上述跨年龄人脸数据库中与待识别人脸图像相匹配的目标人脸图像，以及根据待识别人脸图像中的第一特征参数确定出待识别人脸图像的标识信息，有效提升了跨年龄人脸识别的识别准确率。
在一种可能的设计方式中，预处理模块401具体用于：基于脉冲神经网络，将所述人脸特征向量分解为第一特征参数与第二特征参数。
在一种可能的设计方式中，可以将所述初始人脸特征向量中的各个元素作为所述脉冲神经网络的输入脉冲输入所述脉冲神经网络，并根据所述脉冲神经网络的输出结果，确定所述第一特征参数与第二特征参数。
在一种可能的设计方式中，训练模块403用于：
根据获取到的人脸图像对应的人脸特征向量与年龄，对所述跨年龄人脸识别模型进行训练，确定所述第二特征参数与年龄之间的特征变化函数；
根据所述特征变化函数，确定所述目标跨年龄人脸识别模型。
需要说明的是，本申请实施例中预处理模块401、模型建立模块402以及训练模块403具体执行的内容可以参阅图1至图3所示实施例中相关内容，此处不做赘述。
基于上述实施例中所描述的内容，本申请实施例中还提供一种跨年龄人脸识别装置。该装置包括：
输入模块，用于获取待识别人脸图像。
识别模块，用于利用上述目标跨年龄人脸识别模型确定跨年龄人脸数据库中与所述待识别人脸图像相匹配的目标人脸图像，以及确定所述待识别人脸图像的标识信息。
在一种可能的设计方式中，识别模块具体用于：
获取所述待识别人脸图像的人脸特征向量中的第二特征参数，所述第二特征参数随人脸年龄变化而变化。
根据所述待识别人脸图像的人脸特征向量中的第二特征参数，以及所述目标跨年龄人脸识别模型中训练得到的第二特征参数与年龄之间的特征变化函数，预测所述待识别人脸图像在对应不同年龄时的第二特征参数，并根据预测结果确定所述跨年龄人脸数据库中与所述待识别人脸图像相匹配的目标人脸图像。
在一种可能的设计方式中，识别模块还用于：
根据所述待识别人脸图像的人脸特征向量中的第二特征参数，以及所述目标跨年龄人脸识别模型中训练好的第二特征参数与年龄之间的特征变化函数，确定所述待识别人脸图像对应的年龄。
在一种可能的设计方式中，识别模块还用于：
获取所述待识别人脸图像的人脸特征向量中的第一特征参数，所述第一特征参数不受人脸年龄变化的影响；基于所述待识别人脸图像的人脸特征向量中的第一特征参数，输出所述待识别人脸图像的标识信息。
进一步的，基于上述实施例中所描述的内容，本申请实施例中还提供了一种电子设备，该电子设备包括至少一个处理器和存储器；其中，存储器存储计算机执行指令；上述至少一个处理器执行存储器存储的计算机执行指令，以实现如上述实施例中描述的跨年龄人脸识别模型训练方法或跨年龄人脸识别方法的各个步骤，本实施例此处不再赘述。
为了更好的理解本申请实施例，参照图5，图5为本申请实施例提供的一种电子设备的硬件结构示意图。
如图5所示，本实施例的电子设备50包括：处理器501以及存储器502；其中：
存储器502，用于存储计算机执行指令；
处理器501，用于执行存储器存储的计算机执行指令，以实现上述实施例中描述的跨年龄人脸识别模型训练方法或跨年龄人脸识别方法的各个步骤，具体可以参见前述方法实施例中的相关描述。
可选地，存储器502既可以是独立的，也可以跟处理器501集成在一起。
当存储器502独立设置时，该设备还包括总线503，用于连接所述存储器502和处理器501。
进一步的，基于上述实施例中所描述的内容，本申请实施例中还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，以实现如上述实施例中描述的跨年龄人脸识别模型训练方法或跨年龄人脸识别方法的各个步骤
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。
应理解，上述处理器可以是中央处理单元(英文：centralprocessingunit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digitalsignalprocessor，简称：dsp)、专用集成电路(英文：applicationspecificintegratedcircuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器，还可以为u盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(industrystandardarchitecture，isa)总线、外部设备互连(peripheralcomponent，pci)总线或扩展工业标准体系结构(extendedindustrystandardarchitecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(applicationspecificintegratedcircuits，简称：asic)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
1.一种跨年龄人脸识别模型训练方法，其特征在于，所述方法包括：
确定人脸特征向量，并将所述人脸特征向量分解为第一特征参数与第二特征参数；其中，所述第一特征参数不受人脸年龄变化的影响，所述第二特征参数随人脸年龄变化而变化；
根据所述人脸特征向量、所述第一特征参数以及所述第二特征参数，建立跨年龄人脸识别模型；
获取跨年龄人脸数据库中的人脸图像，并根据获取到的人脸图像对应的人脸特征向量与年龄，对所述跨年龄人脸识别模型进行训练，得到目标跨年龄人脸识别模型；
其中，所述跨年龄人脸数据库中的人脸图像为多个用户处于不同年龄时的人脸图像，所述目标跨年龄人脸识别模型用于根据待识别人脸图像的人脸特征向量，确定所述跨年龄人脸数据库中与所述待识别人脸图像相匹配的目标人脸图像，以及确定所述待识别人脸图像的标识信息。
2.根据权利要求1所述的方法，其特征在于，将所述人脸特征向量分解为第一特征参数与第二特征参数，包括：
基于脉冲神经网络，将所述人脸特征向量分解为第一特征参数与第二特征参数。
3.根据权利要求2所述的方法，其特征在于，所述基于脉冲神经网络，将所述人脸特征向量分解为第一特征参数与第二特征参数，包括：
将所述初始人脸特征向量中的各个元素作为所述脉冲神经网络的输入脉冲输入所述脉冲神经网络，并根据所述脉冲神经网络的输出结果，确定所述第一特征参数与第二特征参数。
4.根据权利要求1所述的方法，其特征在于，所述根据获取到的人脸图像对应的人脸特征向量与年龄，对所述跨年龄人脸识别模型进行训练，得到目标跨年龄人脸识别模型，包括：
根据获取到的人脸图像对应的人脸特征向量与年龄，对所述跨年龄人脸识别模型进行训练，确定所述第二特征参数与年龄之间的特征变化函数；
根据所述特征变化函数，确定所述目标跨年龄人脸识别模型。
5.一种跨年龄人脸识别方法，其特征在于，所述方法包括：
获取待识别人脸图像；
利用目标跨年龄人脸识别模型确定跨年龄人脸数据库中与所述待识别人脸图像相匹配的目标人脸图像，以及确定所述待识别人脸图像的标识信息；所述目标跨年龄人脸识别模型根据权利要求1至4任一项所述的跨年龄人脸识别模型训练方法获得。
6.根据权利要求5所述的方法，其特征在于，所述利用目标跨年龄人脸识别模型确定跨年龄人脸数据库中与所述待识别人脸图像相匹配的目标人脸图像，包括：
获取所述待识别人脸图像的人脸特征向量中的第二特征参数，所述第二特征参数随人脸年龄变化而变化；
根据所述待识别人脸图像的人脸特征向量中的第二特征参数，以及所述目标跨年龄人脸识别模型中训练得到的第二特征参数与年龄之间的特征变化函数，预测所述待识别人脸图像在对应不同年龄时的第二特征参数，并根据预测结果确定所述跨年龄人脸数据库中与所述待识别人脸图像相匹配的目标人脸图像。
7.根据权利要求6所述的方法，其特征在于，还包括：
根据所述待识别人脸图像的人脸特征向量中的第二特征参数，以及所述目标跨年龄人脸识别模型中训练好的第二特征参数与年龄之间的特征变化函数，确定所述待识别人脸图像对应的年龄。
8.根据权利要求5所述的方法，其特征在于，所述确定所述待识别人脸图像的标识信息，包括：
获取所述待识别人脸图像的人脸特征向量中的第一特征参数，所述第一特征参数不受人脸年龄变化的影响；
基于所述待识别人脸图像的人脸特征向量中的第一特征参数，输出所述待识别人脸图像的标识信息。
9.一种跨年龄人脸识别模型训练装置，其特征在于，所述装置包括：
预处理模块，用于确定人脸特征向量，并将所述人脸特征向量分解为第一特征参数与第二特征参数；其中，所述第一特征参数不受人脸年龄变化的影响，所述第二特征参数随人脸年龄变化而变化；
模型建立模块，用于根据所述人脸特征向量、所述第一特征参数以及所述第二特征参数，建立跨年龄人脸识别模型；
训练模块，用于获取跨年龄人脸数据库中的人脸图像，并根据获取到的人脸图像对应的人脸特征向量与年龄，对所述跨年龄人脸识别模型进行训练，得到目标跨年龄人脸识别模型；
其中，所述跨年龄人脸数据库中的人脸图像为多个用户处于不同年龄时的人脸图像，所述目标跨年龄人脸识别模型用于根据待识别人脸图像的人脸特征向量，确定所述跨年龄人脸数据库中与所述待识别人脸图像相匹配的目标人脸图像，以及确定所述待识别人脸图像的标识信息。
10.一种跨年龄人脸识别装置，其特征在于，所述装置包括：
输入模块，用于获取待识别人脸图像；
识别模块，用于利用目标跨年龄人脸识别模型确定跨年龄人脸数据库中与所述待识别人脸图像相匹配的目标人脸图像，以及确定所述待识别人脸图像的标识信息；所述目标跨年龄人脸识别模型根据权利要求9所述的跨年龄人脸识别模型训练装置获得。
11.一种电子设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至4任一项所述的跨年龄人脸识别模型训练方法；
或者，使得所述至少一个处理器执行如权利要求5至8任一项所述的跨年龄人脸识别方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至4任一项所述的跨年龄人脸识别模型训练方法；
或者，实现如权利要求5至8任一项所述的跨年龄人脸识别方法。
13.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至4任一项所述的跨年龄人脸识别模型训练方法；
或者，实现权利要求5至8任一项所述的跨年龄人脸识别方法。
技术总结