随着计算机视觉技术的发展,尤其是近两年人工智能、深度学习相关技术的推动,人脸识别技术取得了突飞猛进的进展,然而针对背景光照复杂,人脸姿态、表情以及年龄变化的情况,人脸识别技术依旧面临诸多挑战。相比于对其他干扰情况的研究,抗年龄干扰的人脸识别相关研究还相对较少。然而在诸多应用场景中,实现对年龄变化鲁棒的人脸识别系统非常有必要。随着年龄的变化,人脸在形状、纹理等方面会发生巨大改变,如何处理年龄变化带来的干扰是跨年龄人脸识别的关键。本文以实现跨年龄的人脸识别为目标,紧紧围绕提取对年龄鲁棒的人脸特征为主题。不管人的年龄特征如何变化,与人身份相关的那部分特征是稳定不变的,然而直接采用通用的人脸识别方法提取的特征中不可避免的还包含年龄带来的干扰信息。现有的跨年龄的人脸识别方法大都没有主动考虑年龄的干扰信息,合理地将其区分开。本文引入并设计年龄估计来辅助人脸识别任务去选择对年龄变化鲁棒的身份特征,分别从传统的特征子空间学习角度和基于深度学习的角度进行探索,有效的将年龄干扰信息独立开,本文的主要工作包括如下几点:1)非年龄相关的身份特征子空间学习算法本文在传统的手工特征提取基础上,引入身份字典和年龄字典将人脸特征编码到两个独立的子空间,年龄估计结果指导年龄特征子空间学习对年龄敏感的信息,由此将年龄干扰信息有效地独立开,身份识别任务指导身份子空间学习人脸特征中相对稳定的身份信息,同时引入类别约束保证学到的特征具有足够的判别能力。由此在只包含身份特征的子空间可实现跨年龄的人脸识别。本文从特征可视化和实际应用的角度证明了该方法的有效性。特别需要指出的是本文提出的方法中引入的年龄字典也可替换为表情、姿态等其他干扰的字典,因此可以方便拓展到类似的问题上。2)基于深度卷积网络的跨年龄的人脸识别算法本文利用深度卷积网络自主学习对年龄变化鲁棒的身份特征,基于已有的通用人脸数据库训练得到的模型底座进行优化,克服跨年龄的人脸数据集数据量小的局限。特别提出从特征图可视化、神经元能量分布等角度,指导基于深度卷积网络的多任务学习的网络结构设计。引入的年龄估计任务在低层级与人脸识别任务共享人脸边缘、纹理的特征提取过程,在特征选择过程中辅助人脸识别任务去选择对年龄变化鲁棒的那部分特征,保证身份识别任务能够提取到干净的身份特征,此外,在任务的目标函数中引入了Center Loss约束,充分保证身份特征的判别能力。在流行的跨年龄人脸数据库上的实验证明了该方法的有效性。3)基于多任务学习的跨年龄的人脸识别框架本文分别从传统的子空间学习和深度学习的角度设计多任务学习的跨年龄的人脸识别框架,引入的年龄估计任务提取年龄敏感的特征,辅助身份识别任务获取对年龄变化鲁棒的人脸特征。基于这两种方法提取得到的身份特征,采用计算特征Cosine距离和最近邻分类器获得最终人脸识别的结果,在MORPH和FGNET数据集上的实验证明本文基于多任务学习框架的跨年龄人脸识别的有效性。相比于单任务学习,引入的年龄辅助任务能够提高跨年龄的人脸识别准确率,同时模型的泛化能力也得到了提高。