基于对抗学习的带妆人脸验证算法的研究
发布时间：2021-07-25 00:17
随着生活水平的提高,人们越发重视自身的外表,很多人会使用化妆的方式来改善自己的外表。但是,现有人脸识别和人脸验证算法多是基于面部特征信息,由于化妆的原因,面部特征信息会被改变,最终会导致特征提取网络提取不到有效特征,使得识别和验证的正确率大大降低。现有的人脸识别与验证的方法,一般通过增大训练集的样本数量,或者增加模型的网络层数来使模型具有更好的鲁棒性。但是,增大训练集样本数量会导致模型的训练时间变长,训练效率降低;而增加网络层数会使得模型参数量变大,训练速度变慢,除此之外,相关研究表明,在网络层数持续增加后,模型会出现退化,效果不升反降。本文将对抗学习分别引入到需要识别的人脸图像空间和人脸识别网络的中间特征空间,提出了两种基于对抗学习的带妆人脸验证的方法,具体内容如下。（1）提出了一种基于妆容定向生成的带妆人脸验证的方法。首先训练一个神经网络用于评估每张人脸图像的妆容特征;其次,使用该网络用于约束一个残差生成对抗网络的生成过程,使得该网络能够实现妆容的定向生成。将一张不带妆人脸转换为对应的带有特征妆容的人脸,以消除化妆带来的人脸图像的信息差。之后,用来训练一个残差网络,以实现人脸验证的...
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图１．１?一些带妆人脸图像展示??化妆品的历史最早可以追溯到古埃及时代［２］，使用适当的化妆品，可以使皮肤??看起来光滑圆润，使得眼圈变黑，也可以改变嘴唇的颜色、眉毛的形状等等
的作用。但是随着网络模型深度的增加，网络的??参数量也会变大，使得训练周期变长，训练成本增加。同时当网络模型的深度达??到一定层数后，网络模型还会出现模型退化的问题，所以一味增加网络深度并不??能从根本上解决人脸识别网络缺乏鲁棒性的问题。而增加训练集的训练样本，会??导致模型训练时间变长。并且现有的公开数据集，多数只有几百上千张图像，并??不能充分训练模型。而获取足够的图像类的训练样本较为困难。因此，通过增加??训练样本解决人脸识别网络缺乏鲁棒性的问题也有一定的困难。??ＥＧ??图１．?２?Ｆａｃｅｎｅｔ原文中展示的未成功识别的部分人脸图像??１．２．２带妆人脸识别与验证算法??化妆相关的研宄现在己经越来越受研究人员的关注，但是跟妆容有关的人脸??验证相关的研宄却很少。Ｈｕ［１３］等提出了基于典型相关分析（ｃａｎｏｎｉｃａｌ?ｃｏｒｒｅｌａｔｉｏｎ??ａｎａｌｙｓｉｓ，?ＣＣＡ）?［１４］和支持向量机（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，?ＳＶＭ）【１５】的妆容识别方??法，ＣＣＡ是一种图片的特征提取算法，可以将图像映射到同一个欧几里得空间中，??并使得同类的照片之间的欧氏距离更近，属于比较早的特征提取算法。在特征提??取结束后，结合ＳＶＭ进行分类，由于ＣＣＡ所做的特征提取仅仅考虑了单个带??妆面部图像和单个不带妆面部图像的关系，忽视了带妆面部图像和不带妆面部图??像内部之间的关系，所以ＣＣＡ应用在带妆人脸识别时的效果较差。Ｇｕｏ等人??等将化妆特性作为领域知识，提出了一种结合面部分割与ＣＣＡ进行识别的方法，??该方法不但可以对化妆的人脸进行识别，同时还可以对不化妆的人脸进行识别，??对于妆容的鲁棒性较强，
?第２章带妆面部图像生成与验证概述???且最终生成出的图像效果也不好，很难应用于真实情况中。??ｈ?＾?ｂ￡?Ｒ??一??ｖ?＇?Ｏ?ａｅＲｎ??Ｕ?Ｖｌ?ｔ＞３??图２．１受限玻尔兹曼机网络结构图??２．１．１．２变分自编码器??与传统的生成类模型专注于采样，以便求得先验概率ｐ〇｜ｚ）不同，变分自编??码器［２Ｇ］专注于求得后验概率ｐ（Ｚ｜；〇。具体来说，假设我们有一个样本；假设该??样本服从正态分布ｐ〇｜ｘｆ）。构建两个神经网络来分别计算该正态分布的均值＂和??方差ｆｆ２，由此就可以得到对应该样本的后验正态分布。同时构建一个生成网络??５〇），可以将一个采样到的噪声ｚ映射到对应的真实分布。变分自编码器的原理??图如图２．２所示。??真实样本?采样变置?生成样本??ｈ＇、?ｉ?？??？?－＾４?：?’、‘一＇、?乂广’．?＇－ＴＬ＼?器?；］??ｅ?＜？＞?－．?ｅ?ｘ，??Ｂ＂?－ＬＪ?？??奉?１??［??对比???ｊ??图２．?２变分自编码器原理图??在实验图像生成的任务中，给定一个样本先通过两个神经网络来计算／／??和Ｖ，这样我们就得到了该样本对应的后验正态分布ｐＯｋｉ）。之后，在该分布中??进行采样，得到对应的噪声４。通过生成器５〇）可以将映射到对应的真实分布。??由于对于任意一个样本，该模型所构建出的正态分布是不同的，所以该模型在原??理上可以实现两个分布的定向映射。??变分自编码器可以实现图像生成的任务，但是由于对于生成缺乏约束，所以??在实际使用过程中生成的图像较为模糊。??８??
【参考文献】：
期刊论文
[1]自适应融合残差网在图像分类中应用研究[J]. 杨晶东,杨鑫,赵诚. 小型微型计算机系统. 2020(02)
[2]多通道交叉融合的深度残差网络脱机手写汉字识别[J]. 张秀玲,周凯旋,魏其珺,董逍鹏. 小型微型计算机系统. 2019(10)
[3]网中网残差网络模型的表情图像识别研究[J]. 裴颂文,杨保国,顾春华. 小型微型计算机系统. 2018(12)
博士论文
[1]基于深度学习的人脸表情识别方法研究[D]. 杨雨浓.西北大学 2017
本文编号：3301720
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图１．１?一些带妆人脸图像展示??化妆品的历史最早可以追溯到古埃及时代［２］，使用适当的化妆品，可以使皮肤??看起来光滑圆润，使得眼圈变黑，也可以改变嘴唇的颜色、眉毛的形状等等
的作用。但是随着网络模型深度的增加，网络的??参数量也会变大，使得训练周期变长，训练成本增加。同时当网络模型的深度达??到一定层数后，网络模型还会出现模型退化的问题，所以一味增加网络深度并不??能从根本上解决人脸识别网络缺乏鲁棒性的问题。而增加训练集的训练样本，会??导致模型训练时间变长。并且现有的公开数据集，多数只有几百上千张图像，并??不能充分训练模型。而获取足够的图像类的训练样本较为困难。因此，通过增加??训练样本解决人脸识别网络缺乏鲁棒性的问题也有一定的困难。??ＥＧ??图１．?２?Ｆａｃｅｎｅｔ原文中展示的未成功识别的部分人脸图像??１．２．２带妆人脸识别与验证算法??化妆相关的研宄现在己经越来越受研究人员的关注，但是跟妆容有关的人脸??验证相关的研宄却很少。Ｈｕ［１３］等提出了基于典型相关分析（ｃａｎｏｎｉｃａｌ?ｃｏｒｒｅｌａｔｉｏｎ??ａｎａｌｙｓｉｓ，?ＣＣＡ）?［１４］和支持向量机（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，?ＳＶＭ）【１５】的妆容识别方??法，ＣＣＡ是一种图片的特征提取算法，可以将图像映射到同一个欧几里得空间中，??并使得同类的照片之间的欧氏距离更近，属于比较早的特征提取算法。在特征提??取结束后，结合ＳＶＭ进行分类，由于ＣＣＡ所做的特征提取仅仅考虑了单个带??妆面部图像和单个不带妆面部图像的关系，忽视了带妆面部图像和不带妆面部图??像内部之间的关系，所以ＣＣＡ应用在带妆人脸识别时的效果较差。Ｇｕｏ等人??等将化妆特性作为领域知识，提出了一种结合面部分割与ＣＣＡ进行识别的方法，??该方法不但可以对化妆的人脸进行识别，同时还可以对不化妆的人脸进行识别，??对于妆容的鲁棒性较强，
?第２章带妆面部图像生成与验证概述???且最终生成出的图像效果也不好，很难应用于真实情况中。??ｈ?＾?ｂ￡?Ｒ??一??ｖ?＇?Ｏ?ａｅＲｎ??Ｕ?Ｖｌ?ｔ＞３??图２．１受限玻尔兹曼机网络结构图??２．１．１．２变分自编码器??与传统的生成类模型专注于采样，以便求得先验概率ｐ〇｜ｚ）不同，变分自编??码器［２Ｇ］专注于求得后验概率ｐ（Ｚ｜；〇。具体来说，假设我们有一个样本；假设该??样本服从正态分布ｐ〇｜ｘｆ）。构建两个神经网络来分别计算该正态分布的均值＂和??方差ｆｆ２，由此就可以得到对应该样本的后验正态分布。同时构建一个生成网络??５〇），可以将一个采样到的噪声ｚ映射到对应的真实分布。变分自编码器的原理??图如图２．２所示。??真实样本?采样变置?生成样本??ｈ＇、?ｉ?？??？?－＾４?：?’、‘一＇、?乂广’．?＇－ＴＬ＼?器?；］??ｅ?＜？＞?－．?ｅ?ｘ，??Ｂ＂?－ＬＪ?？??奉?１??［??对比???ｊ??图２．?２变分自编码器原理图??在实验图像生成的任务中，给定一个样本先通过两个神经网络来计算／／??和Ｖ，这样我们就得到了该样本对应的后验正态分布ｐＯｋｉ）。之后，在该分布中??进行采样，得到对应的噪声４。通过生成器５〇）可以将映射到对应的真实分布。??由于对于任意一个样本，该模型所构建出的正态分布是不同的，所以该模型在原??理上可以实现两个分布的定向映射。??变分自编码器可以实现图像生成的任务，但是由于对于生成缺乏约束，所以??在实际使用过程中生成的图像较为模糊。??８??
【参考文献】：
期刊论文
[1]自适应融合残差网在图像分类中应用研究[J]. 杨晶东,杨鑫,赵诚. 小型微型计算机系统. 2020(02)
[2]多通道交叉融合的深度残差网络脱机手写汉字识别[J]. 张秀玲,周凯旋,魏其珺,董逍鹏. 小型微型计算机系统. 2019(10)
[3]网中网残差网络模型的表情图像识别研究[J]. 裴颂文,杨保国,顾春华. 小型微型计算机系统. 2018(12)
博士论文
[1]基于深度学习的人脸表情识别方法研究[D]. 杨雨浓.西北大学 2017
本文编号：3301720
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3301720.html
