人臉年齡合成技術(shù)在公安實(shí)戰(zhàn)中的應(yīng)用研究

封 順

（吉林警察學(xué)院，吉林 長春 130117）

當(dāng)前，人工智能在公安實(shí)戰(zhàn)領(lǐng)域中有諸多應(yīng)用，在人像比對、車盤識別、軌跡追蹤、指紋和足跡比對、智能視頻監(jiān)控、視頻結(jié)構(gòu)化等方面已取得很好的實(shí)戰(zhàn)效果。隨著深度學(xué)習(xí)的快速發(fā)展，超分辨率、語音識別、聲紋識別與比對、人體姿態(tài)異常識別、人像合成等技術(shù)未來可在公安實(shí)戰(zhàn)中發(fā)揮重要作用。[1]

失蹤、被拐賣兒童尋找，長期潛逃犯罪嫌疑人識別與追蹤，舊案積案等偵辦時間跨度較長的案件都是當(dāng)前公安偵辦的難點(diǎn)和重點(diǎn)。人臉中的表情、性別、年齡等蘊(yùn)藏著豐富的視覺信息，但會隨著歲月的流逝和生活環(huán)境的變遷，人臉面貌特征會發(fā)生變化，這給跨越年齡的案件偵破帶來了極大的難度。以往通常由“模擬畫像”專家根據(jù)警方掌握的照片，依據(jù)多年經(jīng)驗(yàn)手動繪制逃亡多年的犯人或走失兒童當(dāng)前相貌，這需要長時間的專業(yè)訓(xùn)練和掌握相當(dāng)多的專業(yè)知識，并且花費(fèi)大量的財力和時間去積累經(jīng)驗(yàn)，這些因素限制了這一技術(shù)的普及和推廣。人臉年齡合成技術(shù)可根據(jù)當(dāng)前輸入的人像去推測人臉未來或者之前的模樣，這為跨年齡人臉面貌推測提供了一種新的技術(shù)方法，為跨年齡案件偵破以及法庭判決、人臉比對提供了新的解決途徑和技術(shù)支撐。

人臉年齡合成是在保持身份特征的前提下，展現(xiàn)一個人一生中不同年齡的面部變化過程。輸入單一人臉圖像進(jìn)行建模，伴隨著年齡的變化，合成老化和年輕化的多張人臉圖像。[2]目前，用于人臉合成技術(shù)有三種：基于物理模型的方法、基于原型的方法和深度學(xué)習(xí)方法。傳統(tǒng)的基于物理模型的方法和基于原型的方法，主要關(guān)注于為特定的衰老因子建立單獨(dú)的模型，如面部區(qū)域變化、皺紋、顱面生長等，通過計算人臉年齡組的平均值和它們之間的過渡形態(tài)來完成人臉的變換，雖然使得人臉相貌有老化的跡象，但不能準(zhǔn)確表達(dá)老化的機(jī)理，限制了年齡轉(zhuǎn)換的多樣性，使得生成人臉面孔不真實(shí)；基于深度學(xué)習(xí)的人臉年齡合成技術(shù)主要運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和生成對抗網(wǎng)絡(luò)建立映射模型，相比于傳統(tǒng)方法在人臉的真實(shí)性、算法的效率性、皺紋紋理、個人特征、頭部形狀等都取得了不錯的效果。

一、人臉年齡合成技術(shù)

（一）基于物理模型的年齡轉(zhuǎn)換方法

基于物理模型的年齡轉(zhuǎn)換方法是通過表征人臉面部參數(shù)模型隨時間消失的變化來模擬人臉老化過程，仿真模擬出人臉的臉型輪廓、皮膚紋理、肌肉緊松的變化等。對于同一張人臉，可建立不同模型，如參數(shù)模型、肌肉模型、幾何模型、張力網(wǎng)模型、紋理映射模型、表情和皺紋幾何混合模型、主動外觀模型等。[2]

Wu 等人建立了一個皮膚模型用以模仿人臉變老的過程，[3]Boissieux 等也進(jìn)行了類似的工作。[4]雖然對人臉面貌變老有較好的效果，但是該模型為動畫模型，直接用于真實(shí)人臉還有諸多限制。Lanitis 等人采用主動外觀模型(Actice Appearance Model，AAM) 參數(shù)化采樣人臉形狀來構(gòu)建面部模型，[5]使用主成分分析方法建立描述形狀和紋理信息，利用待轉(zhuǎn)換的人臉與數(shù)據(jù)庫中人臉圖像的相似性計算衰老參數(shù)，最后使用參數(shù)來控制特征點(diǎn)的位置變化從而模擬年齡變換的過程。其生成圖像保留了原始圖像的基本特征，消除了光照、位置、角度對于年齡轉(zhuǎn)換的影響，但真實(shí)性與準(zhǔn)確性受數(shù)據(jù)庫影響較大。Berg 等人針對人體輪匝肌建立肌肉模型來模仿年齡變老的大致過程，[6]雖然重構(gòu)還原出二維人像的最后模擬結(jié)果，但是這類方法模型復(fù)雜度很高，運(yùn)算量很大，且難于實(shí)現(xiàn)，實(shí)用化程度不高。Suo 等人提出一種多層表示的多分辨率動態(tài)模型，[7]人臉模型采用一種分層的“與或圖(Hierarchic And-Or graph)”圖譜表示，將人臉分為整體層、五官層和皺紋層三個層次，采用動態(tài)的馬爾科夫鏈來對人臉的老化過程顯式建模。由于當(dāng)時搜集同一人不同年齡段的人像十分困難，合成后的人像缺乏個體特征、分辨率比較低、面部細(xì)節(jié)特征較差。

傳統(tǒng)的基于物理模型方法聚焦于人臉輪廓、五官形狀、皮膚和紋理等結(jié)構(gòu)變化，機(jī)械的模擬輪廓生長和面部肌肉隨時間消逝的變化，要求研究者有一定的解剖學(xué)和醫(yī)學(xué)知識，通過調(diào)節(jié)模型參數(shù)可保留部分特體特征。這類方法通常模型復(fù)雜，需要大量的數(shù)據(jù)，對各年齡的面部特征提取要求較高，完成耗時較長，計算成本較大，對于年齡跨度較小的人臉合成效果較差。

（二）基于原型的年齡轉(zhuǎn)換方法

基于原型的人臉年齡合成方法通常使用離散的年齡段、不同性別、不同種族人像的數(shù)據(jù)庫，計算得到不同年齡段的平均人像原型，將不同原型間形狀和紋理的差異融合至輸入的原始人像中以實(shí)現(xiàn)人臉年齡合成。

其中AgingFace(Imageoutput)是年齡合成后目標(biāo)人像，Input(Imageinput)是輸入原始人像，AverageFace(Pt)和AverageFace(Pi) 分別是目標(biāo)年齡和初始年齡對應(yīng)的平均原型人臉圖像。

人臉原型反映了數(shù)據(jù)庫中人臉的共性特征，是各年齡段人像平均形狀和紋理的集合。王章野等人基于自建的不同年齡段亞洲黃種人的臉部圖像數(shù)據(jù)庫，利用臉型輪廓特征構(gòu)建原型人臉，增強(qiáng)紋理特征，調(diào)整形狀和進(jìn)行顏色變換實(shí)現(xiàn)人臉?biāo)ダ蠄D像的合成，達(dá)到皺紋、眼袋、皮膚光澤、毛發(fā)變花白等真實(shí)感的衰老變化效果。[8]為了解決原型算法中個性特征不足的問題，Shu 等人提出一種高效的且利用親屬引導(dǎo)年齡轉(zhuǎn)換(KinGAP)方法，由保持個體年齡特征、獲取年齡老化趨勢和引導(dǎo)老化方向三個模塊組成，結(jié)合了年齡老化趨勢和個體特征多樣性，在近親屬面孔的引導(dǎo)下生成具有個性特征的年齡轉(zhuǎn)換人像。[9]

基于原型人的人臉轉(zhuǎn)換方法綜合評價人臉面部皺紋紋理、頭發(fā)顏色、頭部形狀、五官位置等特征隨年齡增長而產(chǎn)生的面部衰老情況，對面部紋理變化有較好的效果，算法簡單、易于實(shí)現(xiàn)。但年齡轉(zhuǎn)換效果受到輸入原始人臉和模型人臉之間的表情和姿態(tài)差異的影響。此外，基于原型的方法是利用相鄰年齡組的平均面孔之間的差異來遷移年齡模型，忽略了不同人之間的個體差異，使生成面孔不真實(shí)，易產(chǎn)生重影，雖然有老化的跡象，但不能準(zhǔn)確的表達(dá)老化機(jī)理，限制老化的多樣性。

（三）基于深度學(xué)習(xí)的年齡轉(zhuǎn)換方法

隨著2006 年Hinton 在《Science》雜志上首次提出深度學(xué)習(xí)概念，[10]加之大數(shù)據(jù)和計算能力飛速發(fā)展，深度學(xué)習(xí)成為當(dāng)前人工智能領(lǐng)域研究熱點(diǎn)，受到了學(xué)術(shù)界與工業(yè)界的雙重關(guān)注。近年來，很多學(xué)者也將深度學(xué)習(xí)方法應(yīng)用于人臉年齡合成研究，取得了不錯的成效。

1.循環(huán)神經(jīng)網(wǎng)絡(luò)在年齡變換中的應(yīng)用。為了解決以往對相鄰年齡組進(jìn)行人臉變換而出現(xiàn)的重影問題，Wang 等人使用深度學(xué)習(xí)模型中的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)來處理人臉年齡變換問題，提出一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的循環(huán)人臉老化(RFA)框架。[11]該方法利用一個兩層門循環(huán)單元作為基本循環(huán)模塊，底層將年輕人臉編碼為淺層表示，頂層將淺層表示解碼為相對應(yīng)的較老人臉，引用之前的面孔記憶來生成衰老的面孔，通過平穩(wěn)的過渡狀態(tài)來進(jìn)行年齡轉(zhuǎn)換，這樣既能有效消除重影，又能得到兩個離散年齡組之間的過渡年齡人臉。

但生成面孔相鄰年齡之間是一個平滑的過程，身份信息并沒有很好的保留，而且每個目標(biāo)人臉在訓(xùn)練階段需要多個連續(xù)年齡組的人臉圖像，在測試過程中需要準(zhǔn)確的人臉年齡標(biāo)簽，極大地限制了它的靈活性。

2.生成對抗網(wǎng)絡(luò)在年齡轉(zhuǎn)換中的應(yīng)用。生成對抗網(wǎng)絡(luò)(Generative Adversarial Networks，GANs)在圖像合成方面表現(xiàn)突出，尤其是生成高質(zhì)量人臉圖像方面展現(xiàn)出了巨大優(yōu)勢。[12]GANs 網(wǎng)絡(luò)包含生成器G 和判別器D，二者在訓(xùn)練過程中不斷博弈，來達(dá)到生成類真數(shù)據(jù)的目的。

其中，z是來自先驗(yàn)概率分布Pz的噪聲樣本，x表示樣本分布Pdata 的一個真實(shí)人臉圖像。

Zhang 等人提出了條件對抗自編碼(Conditional Adversarial Autoencoder，CAAE)，假設(shè)人臉圖像處于一種高維流形 (high-dimensional manifold)中，將圖像在這個流形中沿著某個特定方向移動，使得人臉反映的年齡出現(xiàn)特定的變化，包括預(yù)測未來年齡變大時的人臉(Age Progression)，也包括估計以前年齡較小時的人臉(Age Regression)。[13]

Xu 等人提出了基于條件生成對抗網(wǎng)絡(luò)的身份保持人臉老化網(wǎng)絡(luò)(Identity-Preserved Conditional Generative Adversatial Networks，IPCGANs）。[14]身份保持模塊(identity-preserved module)和年齡分類器(age classifier) 使合成后人像與原來輸入的人像為同一個人，并確保合成的人像在指定的年齡段中；該網(wǎng)絡(luò)可擴(kuò)展至多屬性生成任務(wù)中，例如頭發(fā)顏色，面部表情等不平衡數(shù)據(jù)分類場景中。

Or-El 等人以GAN 為基礎(chǔ)提出一種新的多域圖像生成對抗網(wǎng)絡(luò)結(jié)構(gòu)壽命年齡轉(zhuǎn)換合成(Lifespan Age Transformation Synthesis)，旨在從一個單一的輸入圖像模擬個體連續(xù)老化的過程，其學(xué)習(xí)潛空間模型是一個連續(xù)雙向的人臉年齡合成過程。[15]該網(wǎng)絡(luò)是在FFHQ 數(shù)據(jù)集上進(jìn)行訓(xùn)練，最小化了數(shù)據(jù)集固有偏差對訓(xùn)練結(jié)果的影響。模型采用循環(huán)損失和身份特征損失來保持輸入圖像中人的身份特征信息；年齡向量損失來確保合成后人像年齡的準(zhǔn)確；對抗損失來提升判別器的鑒別能力；自我重建損失來保證生成器合成人像效果。

Alaluf 等人提出了一種基于SAM (Style-based Age Manipulation)的圖像到圖像(image-to-image)細(xì)粒度年齡轉(zhuǎn)換方法。[16]使用固定的、預(yù)訓(xùn)練的年齡回歸網(wǎng)絡(luò)(SAM)作為訓(xùn)練過程中的年齡約束來明確地指導(dǎo)編碼器生成與期望年齡相符的潛在代碼，通過學(xué)習(xí)到的中間樣式表示來控制年齡轉(zhuǎn)換，實(shí)現(xiàn)老化/年輕化人臉的合成。

基于深度學(xué)習(xí)的人臉年齡合成技術(shù)有較強(qiáng)人臉特征理解能力和學(xué)習(xí)能力，對數(shù)據(jù)集能更好地擬合，在合成后人臉的視覺效果和真實(shí)感上有明顯的提高，不僅能夠?qū)崿F(xiàn)低齡到高齡衰老過程的正向預(yù)測，還能夠?qū)崿F(xiàn)高齡到低齡年輕化的逆向回溯。與基于傳統(tǒng)物理模型相比，通過各類網(wǎng)絡(luò)結(jié)構(gòu)、參數(shù)設(shè)置、合成方法，降低了對解剖學(xué)和醫(yī)學(xué)知識的依賴度，消除了先驗(yàn)知識對模型的影響；與原型方法相比，深度學(xué)習(xí)算法不同模型結(jié)構(gòu)使網(wǎng)絡(luò)具有記憶、存儲、特征提取等能力，能夠很好地保留個體特征。

二、人臉年齡合成技術(shù)在公安實(shí)戰(zhàn)中的應(yīng)用

人像年齡合成技術(shù)依據(jù)當(dāng)前人像實(shí)現(xiàn)人臉正向預(yù)測和逆向回溯，在公安實(shí)戰(zhàn)的諸多領(lǐng)域有著廣泛的應(yīng)用場景。

（一）失蹤、被拐賣兒童面貌預(yù)測

2021 年公安部權(quán)威發(fā)布，黨的十八大以來，全國各級公安機(jī)關(guān)共破獲拐賣兒童案件5135 起，抓獲犯罪嫌疑人2.3 萬名，解救一大批被拐賣兒童。當(dāng)前，公安部建成兒童失蹤信息緊急發(fā)布平臺“團(tuán)圓”系統(tǒng)，以失蹤地為中心，通過移動應(yīng)用軟件向群眾推送失蹤兒童信息，實(shí)現(xiàn)查找和比對，然后使用全國打拐DNA 系統(tǒng)，采集被拐兒童父母和疑似被拐人員DNA 信息進(jìn)行比對確認(rèn)。但在前期網(wǎng)上尋找比對時，需要甄別信息真假和錯誤，線下尋找需要大量人力物力，耗時耗力，這就給案件偵破帶來很大難度。

如今，失蹤、被拐賣兒童父母可利用人臉年齡合成技術(shù)將兒童人像合成為現(xiàn)有年齡的面貌，被拐賣當(dāng)事人可使用現(xiàn)有人像回溯兒童時人像，二者進(jìn)行雙向的人臉識別與匹配，進(jìn)行初步篩選，在過濾出有效信息的基礎(chǔ)上，再進(jìn)行有針對性的尋找，提升案件偵破的效率，并節(jié)省人力和物力，為這項(xiàng)工作提供一個新的技術(shù)手段。

（二）長期潛逃犯罪嫌疑人識別與追蹤

長期潛逃犯罪嫌疑人具有潛逃時間長、社會危害大、犯罪情節(jié)嚴(yán)重、社會關(guān)注度高等情況，是公安工作的重點(diǎn)督辦工作之一。以往要對當(dāng)年案件過程進(jìn)行梳理排查，對嫌疑人所有社會關(guān)系進(jìn)行細(xì)致梳理，深入摸排，全網(wǎng)比對DNA 信息，尋找案件突破口。人臉年齡合成技術(shù)可為長期潛逃犯罪嫌疑人識別與追蹤提供新的解決途徑，通過將長期潛逃犯罪嫌疑人面貌進(jìn)行老化預(yù)測，到全國重點(diǎn)人群人臉數(shù)據(jù)庫中進(jìn)行比對和匹配，排查出重點(diǎn)人群，有針對性的研判和分析，尤其對更換身份信息的犯罪嫌疑人特別有效，為此類工作找到一個新的解決途徑。

（三）智能公安安防中重點(diǎn)人員的人臉比對

隨著計算機(jī)多媒體、網(wǎng)絡(luò)傳輸、存儲技術(shù)等技術(shù)與視頻監(jiān)控的融合，視頻監(jiān)控系統(tǒng)也經(jīng)歷了模擬視頻監(jiān)控、數(shù)字視頻監(jiān)控、網(wǎng)絡(luò)視頻監(jiān)控、高清視頻監(jiān)控、智能視頻監(jiān)控的演變。當(dāng)前，公安安防中必不可少要使用警用智能監(jiān)控系統(tǒng)，監(jiān)控系統(tǒng)中除了有常規(guī)的視頻回放、電子地圖、人員預(yù)警等功能，還會使用人臉識別、異常行為檢測、視頻結(jié)構(gòu)化、電子圍欄、模糊圖像處理等功能模塊。當(dāng)前人臉識別都是以人像面貌中特征點(diǎn)為基礎(chǔ)進(jìn)行比對，長期在逃犯罪嫌疑人、暴恐分子、被通緝?nèi)藛T在智能監(jiān)控探頭下取得的人像與后臺設(shè)檔中人像特征點(diǎn)匹配較低，大大降低了識別的準(zhǔn)確性。我們可以將人臉年齡合成技術(shù)引入到警用智能監(jiān)控系統(tǒng)中，對重點(diǎn)安防人員根據(jù)年齡差進(jìn)行年齡換算，合成實(shí)際年齡的人臉圖像，再與現(xiàn)有探頭下取得的人臉進(jìn)行比對，這樣可以提高識別的準(zhǔn)確率，提升案件偵破效率。

（四）舊案積案與現(xiàn)有案件的串并和審訊

積案舊案的清除一直都是各級公安機(jī)關(guān)高度重視的工作，但是有些積案舊案苦于物證線索少、人像不清晰、無證人證言等因素，導(dǎo)致案件無法偵破，給犯罪嫌疑人逍遙法外的機(jī)會。人臉年齡合成技術(shù)可以作為現(xiàn)有偵破案件方法的補(bǔ)充，將現(xiàn)有案件與積案舊案在作案中方式和方法一致，行為動作、姿態(tài)表情相類似的犯罪嫌疑人人像進(jìn)行回溯，合成年輕時的照片，再與積案舊案中模糊人像進(jìn)行比對、辨認(rèn)和研判分析，為案件串并和審訊提供新的依據(jù)。

（五）案件偵查中人像比對

隨著時代發(fā)展，視頻監(jiān)控所產(chǎn)生視頻資料在刑事偵查、治安防控、預(yù)審、審判、司法鑒定等領(lǐng)域廣泛應(yīng)用，其中視頻人像比對在公安案件偵辦過程發(fā)揮著重要作用。但由于公安人像數(shù)據(jù)庫中人像更新不及時，造成與視頻人像進(jìn)行比對時產(chǎn)生一定誤差，這給案件偵辦人員帶來一定的困擾。人臉年齡合成技術(shù)可以根據(jù)視頻人像進(jìn)行回溯，生成年輕化人像，再與公安人像庫進(jìn)行比對，可提升比對匹配率，為公安實(shí)戰(zhàn)中人像比對提供新的技術(shù)輔助手段，提升案件偵破的時效性。

（六）公安科普宣傳教育

隨著時代發(fā)展，全國各級公安機(jī)關(guān)開展了多種多樣的公安科普知識宣傳教育活動，如防騙反詐、網(wǎng)絡(luò)安全、道路交通安全、反恐反暴等，運(yùn)用科技應(yīng)用創(chuàng)新，讓人民群眾了解公安機(jī)關(guān)運(yùn)用科技手段推進(jìn)省、市、域社會治理創(chuàng)新，促進(jìn)警民關(guān)系和諧發(fā)展，增進(jìn)人民群眾對公安工作的理解、支持和信任。

人臉年齡合成技術(shù)可應(yīng)用到禁毒主題宣傳活動中，通過現(xiàn)有人像合成吸食毒品后的面貌，或者將吸毒人員人像回溯吸毒之前的面貌，以形象和直觀的方式展示吸食毒品對人臉造成的傷害，讓人民群眾對吸毒的危害有更加深刻的認(rèn)識，取得了不錯的公安科普教育效果。廣州市天河區(qū)禁毒委員會舉辦2019 年“6·26”國際禁毒日大型禁毒宣傳活動，使用了人臉老化技術(shù)進(jìn)行互動。通過人臉老化真實(shí)還原吸毒前后的容貌變化，直觀地體現(xiàn)了毒品對人們?nèi)菝驳恼鎸?shí)危害性，讓體驗(yàn)者通過親眼“看見”毒品將自己變成什么樣子，更深刻地認(rèn)識到毒品的危害。

三、未來發(fā)展方向

在大數(shù)據(jù)和云計算技術(shù)飛速發(fā)展的今天，深度學(xué)習(xí)作為目前人工智能領(lǐng)域研究熱點(diǎn)，受到工業(yè)界與學(xué)術(shù)界的高度關(guān)注，在各領(lǐng)域都具有廣泛的發(fā)展前景，有很多技術(shù)已經(jīng)在公安領(lǐng)域取得了很好的效果，如人臉比對、惡意代碼檢測、車牌識別、數(shù)據(jù)結(jié)構(gòu)化等。另外，人臉年齡合成技術(shù)對于公安實(shí)際應(yīng)用，尤其是在長期潛逃罪犯識別與跟蹤、失蹤和被拐賣兒童尋親、禁毒教育、案件串并、人像比對、公安安防等有著較好的應(yīng)用前景，但也存在數(shù)據(jù)庫數(shù)據(jù)不充分、缺乏對環(huán)境、病理影響的分析、缺少近親屬特征遺傳、模型方法待改進(jìn)等問題。因此，未來研究探索可從以下幾個方面入手：

（一）建立完備的人臉年齡合成數(shù)據(jù)集

當(dāng)前大多數(shù)算法都以數(shù)據(jù)為驅(qū)動力，數(shù)據(jù)集的質(zhì)量和數(shù)量對人臉年齡合成模型結(jié)果有著非常重要的影響，使用數(shù)量較為龐大、個體各年齡段圖像較為完備的數(shù)據(jù)集對人臉年齡合成有著至關(guān)重要的作用。當(dāng)前已有的MORPH、CACD、IMDBWIKI、FFHQ 等數(shù)據(jù)集中用于研究亞洲人(尤其是中國人)的數(shù)據(jù)較少，都不能完全滿足實(shí)際需要，建立隨年齡連續(xù)變化的各年齡段亞洲人臉圖像完備數(shù)據(jù)集將是人臉年齡合成研究的首要任務(wù)。

未來，可以運(yùn)用數(shù)據(jù)挖掘技術(shù)在互聯(lián)網(wǎng)中搜索亞洲名人各年齡段的人像圖片組建數(shù)據(jù)集，或個人或科研機(jī)構(gòu)構(gòu)建人臉圖像完備數(shù)據(jù)集。通過改進(jìn)現(xiàn)有基于深度學(xué)習(xí)的人臉年齡合成算法模型以減少對數(shù)據(jù)集的依賴，將強(qiáng)化學(xué)習(xí)、弱監(jiān)督、半監(jiān)督學(xué)習(xí)和遷移學(xué)習(xí)等學(xué)習(xí)方法融入當(dāng)前的研究模型中，利用現(xiàn)有的小樣本數(shù)據(jù)集進(jìn)行模型訓(xùn)練，得到一個較好的效果，為當(dāng)前所遇到的困境探索出一條新的解決途徑。

（二）探索實(shí)際應(yīng)用的模型

針對不同的實(shí)際應(yīng)用場景，如時間跨度較長、視頻人像比對、吸毒人臉老化等，有針對性地選擇和設(shè)計網(wǎng)絡(luò)模型，探索更多的特征提取、特征保留和高質(zhì)量圖像合成方法，與各種各樣的深度學(xué)習(xí)網(wǎng)絡(luò)模型結(jié)合，提升網(wǎng)絡(luò)模型性能?？梢詫鹘y(tǒng)的基于物理模型的方法和基于原型的方法與深度學(xué)習(xí)融合和互補(bǔ)，設(shè)計出高質(zhì)量應(yīng)用模型?？梢栽O(shè)計適應(yīng)性強(qiáng)的網(wǎng)絡(luò)模型來增強(qiáng)模型的抗噪聲能力和抗干擾能力，提升模型泛化能力。這些增強(qiáng)人臉年齡合成技術(shù)在公安領(lǐng)域?qū)嵱眯缘姆绞蕉贾档蒙钊胙芯俊?/p>

（三）考慮病理、環(huán)境對年齡轉(zhuǎn)換的影響

現(xiàn)有研究只關(guān)注于保持個體特征和生成高質(zhì)量老化和年輕化圖像，而人的相貌在隨時光流逝過程中，不光受到人體機(jī)能的影響，病理、心理、生存環(huán)境等都會對其產(chǎn)生影響。在公安實(shí)際案件中，嫌疑人常年受到高強(qiáng)度的心理壓力和惡劣的生存環(huán)境的影響，面貌會易于常人的變化。因此，未來的公安實(shí)際中，模型訓(xùn)練時對老化屬性特征做進(jìn)一步細(xì)化控制，調(diào)整相應(yīng)權(quán)重和定向?qū)傩孕薷?，充分考慮病理、環(huán)境對人臉年齡合成技術(shù)影響。

（四）引入近親屬面貌對年齡轉(zhuǎn)換的影響

孩子是父母的結(jié)合體，孩子的面貌應(yīng)具有父母雙方的特點(diǎn)。在年齡轉(zhuǎn)換技術(shù)中不應(yīng)只保留個體特征，還應(yīng)引入父母雙方面貌特點(diǎn)，尤其是樣本輸入兒童時期的圖像，預(yù)測其老化過程，以往人臉年齡合成技術(shù)預(yù)測的效果不是很好。兒童時期到少年時期，再到青年時期的面貌有著很大的變化，算法應(yīng)引進(jìn)近親屬面貌對其老化過程的影響，保留個體特征的同時，提升合成圖像的真實(shí)性和準(zhǔn)確性，這對于公安實(shí)際中失蹤、被拐賣兒童面貌預(yù)測有著現(xiàn)實(shí)意義，從而有效地提高跨年齡識別的準(zhǔn)確率。

四、總結(jié)

近年來隨著科技的發(fā)展，越來越多的深度學(xué)習(xí)技術(shù)被引入到公安實(shí)戰(zhàn)中，在人臉識別、惡意代碼檢測、聲紋識別、軌跡追蹤、人員定位等領(lǐng)域取得了很好的應(yīng)用效果，給公安實(shí)際應(yīng)用帶來了科技感、實(shí)用感和便利感。隨著學(xué)術(shù)界和工業(yè)界對人臉年齡合成技術(shù)的不斷深度研究，可以對給定人像進(jìn)行高質(zhì)量的面貌預(yù)測，在公安安防、打擊犯罪、科普教育等領(lǐng)域有廣泛的應(yīng)用前景。

本文系統(tǒng)的綜述了年齡轉(zhuǎn)換的三種模型的研究現(xiàn)狀，對人臉年齡合成方法進(jìn)行了詳細(xì)地梳理，詳盡地介紹了年齡轉(zhuǎn)換方法歷史演變和三種模型的優(yōu)缺點(diǎn)。此外，針對人臉年齡合成技術(shù)在公安實(shí)戰(zhàn)中的失蹤和被拐賣兒童面貌比對、長期潛逃犯罪嫌疑人識別與追蹤、公安科普宣傳、舊案積案件串并、公安安防、案件偵查中人像比對等公安領(lǐng)域的可行性進(jìn)行了研究和探討。最后，結(jié)合公安實(shí)際應(yīng)用中跨年齡人臉合成中遇到的問題進(jìn)行分析，未來，人臉合成技術(shù)可以從建立完備數(shù)據(jù)庫、充分考慮環(huán)境、病理和近親屬特征遺傳因素對模型建立的影響、建立有針對性的使用模型等方向著手改進(jìn)。