论文部分内容阅读
人脸识别是计算机视觉领域中重要的研究课题。在现实生活中有着广泛的人脸识别相关的应用,包括访问控制、身份验证、视频监控等。如何处理人脸变化是人脸识别的一个关键问题。比如,大部分研究都关注于从人脸身份变化中,区分出人脸差异性变化,包括姿态、光照、表情、遮挡、年龄等。其中,尤其是姿态和光照的变化会严重地影响到人脸识别的性能,因为这些变化会造成同一身份的人脸图片之间巨大的类内差异,这些类内差异会甚至超过不同身份的人脸图片之间的类间差异。传统的人脸识别算法在受限环境下取得了很好的效果,然而在非受限环境下,受姿态、光照、表情变化等因素的影响,人脸识别性能会有明显的退化并且不稳定,人脸识别的研究重点也逐渐地从受限环境下的人脸识别转变为非受限环境下的人脸识别。因此,研究人脸差异性问题对实际的应用具有重大的意义。本文的具体研究内容为基于人脸生成的非受限环境人脸识别的算法研究,涉及人脸辨识(1:N)和人脸认证(1:1)两个问题。核心思想是通过人脸生成,来消除人脸差异性变化对人脸识别算法的影响,从而提升人脸识别算法的性能。研究方法主要关注于多姿态人脸合成和人脸归一化两类方法。多姿态人脸合成和人脸归一化两类方法分别从不同的思路进行研究内容的展现,并研究受限环境下和非受限环境下人脸识别问题。针对人脸差异性变化中的姿态问题,本文首先从单任务多姿态人脸合成模型出发进行扩展,将人脸身份特征学习和人脸差异性特征学习都引入到人脸生成模型中。该多任务人脸生成模型弥补了单任务人脸生成模型只学习单一身份特征的不足,扩展网络结构,用不同的支路去学习不同的任务。人脸身份特征的学习和人脸差异性特征的学习互相影响互相促进,以达到更好的人脸生成和人脸识别的性能。本文通过在MultiPIE数据集上的实验证明,多任务人脸生成模型对于单任务人脸生成模型的改进的有效性。为了进一步消除人脸差异性特征在非受限环境下对人脸识别算法的影响,本文提出了基于生成对抗的人脸归一化模型(Face Normalization Model,FNM),以达到提纯人脸身份、消除人脸差异性的目的。FNM引入生成对抗网络(Generative Adversarial Networks,GAN)来消除人脸差异变化,并同时引入人脸专家网络来保持人脸身份特征。为了稳定训练过程和训练结果,FNM还通过归一化人脸的自回归过程引入了像素级别的损失。局部注意力机制的提出进一步提升了归一化的人脸的质量和真实度。通过受限环境和非受限环境下的人脸识别实验,本文提出的FNM都能够生成高质量、高置信度的归一化人脸,并且提升人脸识别性能。