人脸年龄合成技术在公安实战中的应用研究

封 顺

（吉林警察学院，吉林 长春 130117）

当前，人工智能在公安实战领域中有诸多应用，在人像比对、车盘识别、轨迹追踪、指纹和足迹比对、智能视频监控、视频结构化等方面已取得很好的实战效果。随着深度学习的快速发展，超分辨率、语音识别、声纹识别与比对、人体姿态异常识别、人像合成等技术未来可在公安实战中发挥重要作用。[1]

失踪、被拐卖儿童寻找，长期潜逃犯罪嫌疑人识别与追踪，旧案积案等侦办时间跨度较长的案件都是当前公安侦办的难点和重点。人脸中的表情、性别、年龄等蕴藏着丰富的视觉信息，但会随着岁月的流逝和生活环境的变迁，人脸面貌特征会发生变化，这给跨越年龄的案件侦破带来了极大的难度。以往通常由“模拟画像”专家根据警方掌握的照片，依据多年经验手动绘制逃亡多年的犯人或走失儿童当前相貌，这需要长时间的专业训练和掌握相当多的专业知识，并且花费大量的财力和时间去积累经验，这些因素限制了这一技术的普及和推广。人脸年龄合成技术可根据当前输入的人像去推测人脸未来或者之前的模样，这为跨年龄人脸面貌推测提供了一种新的技术方法，为跨年龄案件侦破以及法庭判决、人脸比对提供了新的解决途径和技术支撑。

人脸年龄合成是在保持身份特征的前提下，展现一个人一生中不同年龄的面部变化过程。输入单一人脸图像进行建模，伴随着年龄的变化，合成老化和年轻化的多张人脸图像。[2]目前，用于人脸合成技术有三种：基于物理模型的方法、基于原型的方法和深度学习方法。传统的基于物理模型的方法和基于原型的方法，主要关注于为特定的衰老因子建立单独的模型，如面部区域变化、皱纹、颅面生长等，通过计算人脸年龄组的平均值和它们之间的过渡形态来完成人脸的变换，虽然使得人脸相貌有老化的迹象，但不能准确表达老化的机理，限制了年龄转换的多样性，使得生成人脸面孔不真实；基于深度学习的人脸年龄合成技术主要运用卷积神经网络、循环神经网络和生成对抗网络建立映射模型，相比于传统方法在人脸的真实性、算法的效率性、皱纹纹理、个人特征、头部形状等都取得了不错的效果。

一、人脸年龄合成技术

（一）基于物理模型的年龄转换方法

基于物理模型的年龄转换方法是通过表征人脸面部参数模型随时间消失的变化来模拟人脸老化过程，仿真模拟出人脸的脸型轮廓、皮肤纹理、肌肉紧松的变化等。对于同一张人脸，可建立不同模型，如参数模型、肌肉模型、几何模型、张力网模型、纹理映射模型、表情和皱纹几何混合模型、主动外观模型等。[2]

Wu 等人建立了一个皮肤模型用以模仿人脸变老的过程，[3]Boissieux 等也进行了类似的工作。[4]虽然对人脸面貌变老有较好的效果，但是该模型为动画模型，直接用于真实人脸还有诸多限制。Lanitis 等人采用主动外观模型(Actice Appearance Model，AAM) 参数化采样人脸形状来构建面部模型，[5]使用主成分分析方法建立描述形状和纹理信息，利用待转换的人脸与数据库中人脸图像的相似性计算衰老参数，最后使用参数来控制特征点的位置变化从而模拟年龄变换的过程。其生成图像保留了原始图像的基本特征，消除了光照、位置、角度对于年龄转换的影响，但真实性与准确性受数据库影响较大。Berg 等人针对人体轮匝肌建立肌肉模型来模仿年龄变老的大致过程，[6]虽然重构还原出二维人像的最后模拟结果，但是这类方法模型复杂度很高，运算量很大，且难于实现，实用化程度不高。Suo 等人提出一种多层表示的多分辨率动态模型，[7]人脸模型采用一种分层的“与或图(Hierarchic And-Or graph)”图谱表示，将人脸分为整体层、五官层和皱纹层三个层次，采用动态的马尔科夫链来对人脸的老化过程显式建模。由于当时搜集同一人不同年龄段的人像十分困难，合成后的人像缺乏个体特征、分辨率比较低、面部细节特征较差。

传统的基于物理模型方法聚焦于人脸轮廓、五官形状、皮肤和纹理等结构变化，机械的模拟轮廓生长和面部肌肉随时间消逝的变化，要求研究者有一定的解剖学和医学知识，通过调节模型参数可保留部分特体特征。这类方法通常模型复杂，需要大量的数据，对各年龄的面部特征提取要求较高，完成耗时较长，计算成本较大，对于年龄跨度较小的人脸合成效果较差。

（二）基于原型的年龄转换方法

基于原型的人脸年龄合成方法通常使用离散的年龄段、不同性别、不同种族人像的数据库，计算得到不同年龄段的平均人像原型，将不同原型间形状和纹理的差异融合至输入的原始人像中以实现人脸年龄合成。

其中AgingFace(Imageoutput)是年龄合成后目标人像，Input(Imageinput)是输入原始人像，AverageFace(Pt)和AverageFace(Pi) 分别是目标年龄和初始年龄对应的平均原型人脸图像。

人脸原型反映了数据库中人脸的共性特征，是各年龄段人像平均形状和纹理的集合。王章野等人基于自建的不同年龄段亚洲黄种人的脸部图像数据库，利用脸型轮廓特征构建原型人脸，增强纹理特征，调整形状和进行颜色变换实现人脸衰老图像的合成，达到皱纹、眼袋、皮肤光泽、毛发变花白等真实感的衰老变化效果。[8]为了解决原型算法中个性特征不足的问题，Shu 等人提出一种高效的且利用亲属引导年龄转换(KinGAP)方法，由保持个体年龄特征、获取年龄老化趋势和引导老化方向三个模块组成，结合了年龄老化趋势和个体特征多样性，在近亲属面孔的引导下生成具有个性特征的年龄转换人像。[9]

基于原型人的人脸转换方法综合评价人脸面部皱纹纹理、头发颜色、头部形状、五官位置等特征随年龄增长而产生的面部衰老情况，对面部纹理变化有较好的效果，算法简单、易于实现。但年龄转换效果受到输入原始人脸和模型人脸之间的表情和姿态差异的影响。此外，基于原型的方法是利用相邻年龄组的平均面孔之间的差异来迁移年龄模型，忽略了不同人之间的个体差异，使生成面孔不真实，易产生重影，虽然有老化的迹象，但不能准确的表达老化机理，限制老化的多样性。

（三）基于深度学习的年龄转换方法

随着2006 年Hinton 在《Science》杂志上首次提出深度学习概念，[10]加之大数据和计算能力飞速发展，深度学习成为当前人工智能领域研究热点，受到了学术界与工业界的双重关注。近年来，很多学者也将深度学习方法应用于人脸年龄合成研究，取得了不错的成效。

1.循环神经网络在年龄变换中的应用。为了解决以往对相邻年龄组进行人脸变换而出现的重影问题，Wang 等人使用深度学习模型中的循环神经网络(Recurrent Neural Network，RNN)来处理人脸年龄变换问题，提出一种基于循环神经网络的循环人脸老化(RFA)框架。[11]该方法利用一个两层门循环单元作为基本循环模块，底层将年轻人脸编码为浅层表示，顶层将浅层表示解码为相对应的较老人脸，引用之前的面孔记忆来生成衰老的面孔，通过平稳的过渡状态来进行年龄转换，这样既能有效消除重影，又能得到两个离散年龄组之间的过渡年龄人脸。

但生成面孔相邻年龄之间是一个平滑的过程，身份信息并没有很好的保留，而且每个目标人脸在训练阶段需要多个连续年龄组的人脸图像，在测试过程中需要准确的人脸年龄标签，极大地限制了它的灵活性。

2.生成对抗网络在年龄转换中的应用。生成对抗网络(Generative Adversarial Networks，GANs)在图像合成方面表现突出，尤其是生成高质量人脸图像方面展现出了巨大优势。[12]GANs 网络包含生成器G 和判别器D，二者在训练过程中不断博弈，来达到生成类真数据的目的。

其中，z是来自先验概率分布Pz的噪声样本，x表示样本分布Pdata 的一个真实人脸图像。

Zhang 等人提出了条件对抗自编码(Conditional Adversarial Autoencoder，CAAE)，假设人脸图像处于一种高维流形 (high-dimensional manifold)中，将图像在这个流形中沿着某个特定方向移动，使得人脸反映的年龄出现特定的变化，包括预测未来年龄变大时的人脸(Age Progression)，也包括估计以前年龄较小时的人脸(Age Regression)。[13]

Xu 等人提出了基于条件生成对抗网络的身份保持人脸老化网络(Identity-Preserved Conditional Generative Adversatial Networks，IPCGANs）。[14]身份保持模块(identity-preserved module)和年龄分类器(age classifier) 使合成后人像与原来输入的人像为同一个人，并确保合成的人像在指定的年龄段中；该网络可扩展至多属性生成任务中，例如头发颜色，面部表情等不平衡数据分类场景中。

Or-El 等人以GAN 为基础提出一种新的多域图像生成对抗网络结构寿命年龄转换合成(Lifespan Age Transformation Synthesis)，旨在从一个单一的输入图像模拟个体连续老化的过程，其学习潜空间模型是一个连续双向的人脸年龄合成过程。[15]该网络是在FFHQ 数据集上进行训练，最小化了数据集固有偏差对训练结果的影响。模型采用循环损失和身份特征损失来保持输入图像中人的身份特征信息；年龄向量损失来确保合成后人像年龄的准确；对抗损失来提升判别器的鉴别能力；自我重建损失来保证生成器合成人像效果。

Alaluf 等人提出了一种基于SAM (Style-based Age Manipulation)的图像到图像(image-to-image)细粒度年龄转换方法。[16]使用固定的、预训练的年龄回归网络(SAM)作为训练过程中的年龄约束来明确地指导编码器生成与期望年龄相符的潜在代码，通过学习到的中间样式表示来控制年龄转换，实现老化/年轻化人脸的合成。

基于深度学习的人脸年龄合成技术有较强人脸特征理解能力和学习能力，对数据集能更好地拟合，在合成后人脸的视觉效果和真实感上有明显的提高，不仅能够实现低龄到高龄衰老过程的正向预测，还能够实现高龄到低龄年轻化的逆向回溯。与基于传统物理模型相比，通过各类网络结构、参数设置、合成方法，降低了对解剖学和医学知识的依赖度，消除了先验知识对模型的影响；与原型方法相比，深度学习算法不同模型结构使网络具有记忆、存储、特征提取等能力，能够很好地保留个体特征。

二、人脸年龄合成技术在公安实战中的应用

人像年龄合成技术依据当前人像实现人脸正向预测和逆向回溯，在公安实战的诸多领域有着广泛的应用场景。

（一）失踪、被拐卖儿童面貌预测

2021 年公安部权威发布，党的十八大以来，全国各级公安机关共破获拐卖儿童案件5135 起，抓获犯罪嫌疑人2.3 万名，解救一大批被拐卖儿童。当前，公安部建成儿童失踪信息紧急发布平台“团圆”系统，以失踪地为中心，通过移动应用软件向群众推送失踪儿童信息，实现查找和比对，然后使用全国打拐DNA 系统，采集被拐儿童父母和疑似被拐人员DNA 信息进行比对确认。但在前期网上寻找比对时，需要甄别信息真假和错误，线下寻找需要大量人力物力，耗时耗力，这就给案件侦破带来很大难度。

如今，失踪、被拐卖儿童父母可利用人脸年龄合成技术将儿童人像合成为现有年龄的面貌，被拐卖当事人可使用现有人像回溯儿童时人像，二者进行双向的人脸识别与匹配，进行初步筛选，在过滤出有效信息的基础上，再进行有针对性的寻找，提升案件侦破的效率，并节省人力和物力，为这项工作提供一个新的技术手段。

（二）长期潜逃犯罪嫌疑人识别与追踪

长期潜逃犯罪嫌疑人具有潜逃时间长、社会危害大、犯罪情节严重、社会关注度高等情况，是公安工作的重点督办工作之一。以往要对当年案件过程进行梳理排查，对嫌疑人所有社会关系进行细致梳理，深入摸排，全网比对DNA 信息，寻找案件突破口。人脸年龄合成技术可为长期潜逃犯罪嫌疑人识别与追踪提供新的解决途径，通过将长期潜逃犯罪嫌疑人面貌进行老化预测，到全国重点人群人脸数据库中进行比对和匹配，排查出重点人群，有针对性的研判和分析，尤其对更换身份信息的犯罪嫌疑人特别有效，为此类工作找到一个新的解决途径。

（三）智能公安安防中重点人员的人脸比对

随着计算机多媒体、网络传输、存储技术等技术与视频监控的融合，视频监控系统也经历了模拟视频监控、数字视频监控、网络视频监控、高清视频监控、智能视频监控的演变。当前，公安安防中必不可少要使用警用智能监控系统，监控系统中除了有常规的视频回放、电子地图、人员预警等功能，还会使用人脸识别、异常行为检测、视频结构化、电子围栏、模糊图像处理等功能模块。当前人脸识别都是以人像面貌中特征点为基础进行比对，长期在逃犯罪嫌疑人、暴恐分子、被通缉人员在智能监控探头下取得的人像与后台设档中人像特征点匹配较低，大大降低了识别的准确性。我们可以将人脸年龄合成技术引入到警用智能监控系统中，对重点安防人员根据年龄差进行年龄换算，合成实际年龄的人脸图像，再与现有探头下取得的人脸进行比对，这样可以提高识别的准确率，提升案件侦破效率。

（四）旧案积案与现有案件的串并和审讯

积案旧案的清除一直都是各级公安机关高度重视的工作，但是有些积案旧案苦于物证线索少、人像不清晰、无证人证言等因素，导致案件无法侦破，给犯罪嫌疑人逍遥法外的机会。人脸年龄合成技术可以作为现有侦破案件方法的补充，将现有案件与积案旧案在作案中方式和方法一致，行为动作、姿态表情相类似的犯罪嫌疑人人像进行回溯，合成年轻时的照片，再与积案旧案中模糊人像进行比对、辨认和研判分析，为案件串并和审讯提供新的依据。

（五）案件侦查中人像比对

随着时代发展，视频监控所产生视频资料在刑事侦查、治安防控、预审、审判、司法鉴定等领域广泛应用，其中视频人像比对在公安案件侦办过程发挥着重要作用。但由于公安人像数据库中人像更新不及时，造成与视频人像进行比对时产生一定误差，这给案件侦办人员带来一定的困扰。人脸年龄合成技术可以根据视频人像进行回溯，生成年轻化人像，再与公安人像库进行比对，可提升比对匹配率，为公安实战中人像比对提供新的技术辅助手段，提升案件侦破的时效性。

（六）公安科普宣传教育

随着时代发展，全国各级公安机关开展了多种多样的公安科普知识宣传教育活动，如防骗反诈、网络安全、道路交通安全、反恐反暴等，运用科技应用创新，让人民群众了解公安机关运用科技手段推进省、市、域社会治理创新，促进警民关系和谐发展，增进人民群众对公安工作的理解、支持和信任。

人脸年龄合成技术可应用到禁毒主题宣传活动中，通过现有人像合成吸食毒品后的面貌，或者将吸毒人员人像回溯吸毒之前的面貌，以形象和直观的方式展示吸食毒品对人脸造成的伤害，让人民群众对吸毒的危害有更加深刻的认识，取得了不错的公安科普教育效果。广州市天河区禁毒委员会举办2019 年“6·26”国际禁毒日大型禁毒宣传活动，使用了人脸老化技术进行互动。通过人脸老化真实还原吸毒前后的容貌变化，直观地体现了毒品对人们容貌的真实危害性，让体验者通过亲眼“看见”毒品将自己变成什么样子，更深刻地认识到毒品的危害。

三、未来发展方向

在大数据和云计算技术飞速发展的今天，深度学习作为目前人工智能领域研究热点，受到工业界与学术界的高度关注，在各领域都具有广泛的发展前景，有很多技术已经在公安领域取得了很好的效果，如人脸比对、恶意代码检测、车牌识别、数据结构化等。另外，人脸年龄合成技术对于公安实际应用，尤其是在长期潜逃罪犯识别与跟踪、失踪和被拐卖儿童寻亲、禁毒教育、案件串并、人像比对、公安安防等有着较好的应用前景，但也存在数据库数据不充分、缺乏对环境、病理影响的分析、缺少近亲属特征遗传、模型方法待改进等问题。因此，未来研究探索可从以下几个方面入手：

（一）建立完备的人脸年龄合成数据集

当前大多数算法都以数据为驱动力，数据集的质量和数量对人脸年龄合成模型结果有着非常重要的影响，使用数量较为庞大、个体各年龄段图像较为完备的数据集对人脸年龄合成有着至关重要的作用。当前已有的MORPH、CACD、IMDBWIKI、FFHQ 等数据集中用于研究亚洲人(尤其是中国人)的数据较少，都不能完全满足实际需要，建立随年龄连续变化的各年龄段亚洲人脸图像完备数据集将是人脸年龄合成研究的首要任务。

未来，可以运用数据挖掘技术在互联网中搜索亚洲名人各年龄段的人像图片组建数据集，或个人或科研机构构建人脸图像完备数据集。通过改进现有基于深度学习的人脸年龄合成算法模型以减少对数据集的依赖，将强化学习、弱监督、半监督学习和迁移学习等学习方法融入当前的研究模型中，利用现有的小样本数据集进行模型训练，得到一个较好的效果，为当前所遇到的困境探索出一条新的解决途径。

（二）探索实际应用的模型

针对不同的实际应用场景，如时间跨度较长、视频人像比对、吸毒人脸老化等，有针对性地选择和设计网络模型，探索更多的特征提取、特征保留和高质量图像合成方法，与各种各样的深度学习网络模型结合，提升网络模型性能。可以将传统的基于物理模型的方法和基于原型的方法与深度学习融合和互补，设计出高质量应用模型。可以设计适应性强的网络模型来增强模型的抗噪声能力和抗干扰能力，提升模型泛化能力。这些增强人脸年龄合成技术在公安领域实用性的方式都值得深入研究。

（三）考虑病理、环境对年龄转换的影响

现有研究只关注于保持个体特征和生成高质量老化和年轻化图像，而人的相貌在随时光流逝过程中，不光受到人体机能的影响，病理、心理、生存环境等都会对其产生影响。在公安实际案件中，嫌疑人常年受到高强度的心理压力和恶劣的生存环境的影响，面貌会易于常人的变化。因此，未来的公安实际中，模型训练时对老化属性特征做进一步细化控制，调整相应权重和定向属性修改，充分考虑病理、环境对人脸年龄合成技术影响。

（四）引入近亲属面貌对年龄转换的影响

孩子是父母的结合体，孩子的面貌应具有父母双方的特点。在年龄转换技术中不应只保留个体特征，还应引入父母双方面貌特点，尤其是样本输入儿童时期的图像，预测其老化过程，以往人脸年龄合成技术预测的效果不是很好。儿童时期到少年时期，再到青年时期的面貌有着很大的变化，算法应引进近亲属面貌对其老化过程的影响，保留个体特征的同时，提升合成图像的真实性和准确性，这对于公安实际中失踪、被拐卖儿童面貌预测有着现实意义，从而有效地提高跨年龄识别的准确率。

四、总结

近年来随着科技的发展，越来越多的深度学习技术被引入到公安实战中，在人脸识别、恶意代码检测、声纹识别、轨迹追踪、人员定位等领域取得了很好的应用效果，给公安实际应用带来了科技感、实用感和便利感。随着学术界和工业界对人脸年龄合成技术的不断深度研究，可以对给定人像进行高质量的面貌预测，在公安安防、打击犯罪、科普教育等领域有广泛的应用前景。

本文系统的综述了年龄转换的三种模型的研究现状，对人脸年龄合成方法进行了详细地梳理，详尽地介绍了年龄转换方法历史演变和三种模型的优缺点。此外，针对人脸年龄合成技术在公安实战中的失踪和被拐卖儿童面貌比对、长期潜逃犯罪嫌疑人识别与追踪、公安科普宣传、旧案积案件串并、公安安防、案件侦查中人像比对等公安领域的可行性进行了研究和探讨。最后，结合公安实际应用中跨年龄人脸合成中遇到的问题进行分析，未来，人脸合成技术可以从建立完备数据库、充分考虑环境、病理和近亲属特征遗传因素对模型建立的影响、建立有针对性的使用模型等方向着手改进。