文档介绍：问题:Patch:第二页第二列摘要----年龄变化对自动人脸识别系统提出了一个严峻的问题。大部分已解决的关于老龄化问题的人脸识别研究主要集中在年龄估计或老化模拟。给基于年龄不变的人脸识别设计一种合适的特征表示以及一种有效的匹配框架依然是一个开放的问题。在这篇文章里,我们建议一种判别模型来解决存在在人脸识别中的年龄变化问题。在这个框架中,我们第一次通过设计一种密集采样的局部特征描述方案来代表每张脸,SIFT和MLBP作为局部描述。通过从整个脸部图像密集采样两种局部描述,足够的可区别信息包括分布在人脸图像的边缘方向(假定是年龄不变)可以进一步提取分析。因为基于SIFT的局部特征和基于MLBP的局部特征扩展到一个高维的特征空间,为了避免这种过量问题,我们开发了一个算法,叫做MFDA来将这两个局部特征在一个统一框架的空间中处理。MFDA是LDA的拓展和进步,通过使用多种特征来和两种不同的随机特征方式采样以及采样空间联系到一起。通过随机采样训练集和特征空间,构造多个基于LDA的分类,然后通过合成规则结合产生健壮的决策。实验结果显示我们的方法优于现在最先进的处理包含老龄化数据集:的两个公共领域的商业化人脸识别引擎。同时我们将判别模型和老化生成模型的性能做对比。一个融合可变和生成的模型在年龄变大的情况下进一步提高了匹配精度。关键词----年龄不变,判别模型,人脸识别,渐变模型,局部特征表示,多特征可识别分析。引言自动人脸检测是一个很重要的但具有挑战性的问题。这种挑战可以归结为(i)大学科内的变化及(ii)大用户间的相似性。图1显示一些主要学科内的变化(姿势,光照,表情,老化)经常反映在人脸识别上。在这些变化中,年龄变化现在在人脸识别这个范围内吸引着越来越多的注意力。设计一种年龄不变的人脸识别方法在很多应用中都是必须的,特别是那些需要和已发行的包含脸部图片的多种政府文件(例如护照和驾照)进行对比是不是同一个人。[1],[2]传统处理年龄不变人脸识别的方法是受限制的。现在大部分可以获得的处理脸部变老问题的算法都集中在年龄估计[3]--[13]和年龄模拟[14]--[18]。其中一种成功的方法是为脸部变老构建一个2D或3D的渐变模型[4],[14],[18]。这个变老的模型能够用来补偿发生在人脸匹配或年龄估计中的变老情况。这些方法首先将做比较的脸部图片变换成和图片集同样的年龄,通过使用一个训练过的变老模型来补偿年龄的影响。尽管在年龄不变面部识别上基于模型的方法已经被证明是有效的,但仍然有一定的局限性。首先,面部模型的构造比较困难,并且有时候这些模型不能很好地表示年龄变化。特别是当受训练的采样尺寸是受限制的时候。而且,面部变老情况是非常复杂的,并且经常为了构造变老模型,强大参数的假设是必须的,这些参数经常在世纪人脸识别场景中是不切实际的。其次,为了构造变老模型,训练用的脸的真实年龄和每张脸部图像上关键点的位置是必须要清楚的信息。图像确保在可控的情况(例如正面姿势,正常照明,中性表情)下被捕捉是对训练集的进一步约束。不幸的是,这些约束在实践中是不容易满足的,特别在被比较的脸部图像不仅受变老而且守其它一些可能的变化,例如姿势,照明或者表情的影响下。为了解决这些问题,基于可变模型的方法就被提出用以变老问题。一些具有代表性的可变模型是[28],[38],它们使用GOP来表示特征,