面向非限制条件的人脸识别研究

发布时间：2021-05-07 23:32

　　人脸识别技术已经广泛地应用于当前社会中,如安保系统、高科技IT产品、个人电脑和智能手机等。这些智能产品已经使当今社会的各项服务更安全、快捷和方便,人脸识别也早已经成为了当前人类活动中不可或缺的技术。在过去的几十年里,已经有各种各样的相关算法被提出来解决人脸识别中的各种问题并取得了重大的进展,在理想条件下这些算法可以使得计算机的人脸识别率超过人眼。然而,对于非限制条件（自然条件）下的人脸识别,当前的人脸识别技术仍然存在着许多挑战。非限制条件的人脸识别需要对真实自然场景中的人脸图像进行特征提取,因此容易受到诸多因素的影响,如面部姿态差异以及由光照、模糊、噪声、低分辨率等因素引起的人脸图像内容丢失。这些因素极大地影响了非限制条件下的人脸识别性能,需要进行进一步的研究。除此之外,随着对认证安全性的不断重视,人脸识别系统不仅需要具有较高的识别精度还需要能鉴别该人脸是真实的人脸还是来自图片或视频中的人脸（伪造攻击人脸）。因此,人脸防伪技术也是当前非限制条件下人脸识别系统中的重要组成部分。为了提高当前人脸识别系统的准确性、鲁棒性、以及安全性,本论文主要集中研究人脸图像增强,人脸关键点检测,人脸姿态归... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：137 页

【学位级别】：博士

【文章目录】：
摘要
abstract
缩略词表
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 国内外研究现状
    1.3 研究内容和主要创新点
    1.4 论文的结构安排
第二章 人脸识别各阶段算法概述
    2.1 人脸图像预处理
        2.1.1 人脸去光照
        2.1.2 人脸超分辨
        2.1.3 人脸去模糊
    2.2 人脸关键点检测
        2.2.1 二维人脸关键点检测
        2.2.2 三维人脸关键点检测
    2.3 人脸特征提取
        2.3.1 基于局部特征的人脸特征提取
        2.3.2 基于特征编码的人脸特征提取
        2.3.3 基于深度学习的人脸特征学习
    2.4 安全人脸认证
        2.4.1 基于传统特征的活体人脸检测方法
        2.4.2 基于深度学习的活体人脸检测方法
    2.5 常用的人脸数据库
        2.5.1 二维人脸数据库
        2.5.2 三维人脸数据库
        2.5.3 人脸防伪检测数据库
    2.6 本章小结
第三章 基于尺度分解及能量模型最小化的人脸去光照方法
    3.1 相关工作
    3.2 能量模型定义
    3.3 能量模型求解
    3.4 实验与分析
        3.4.1 实验数据及模型参数
        3.4.2 可视化实验结果分析
        3.4.3 消融实验分析
        3.4.4 人脸识别结果分析
    3.5 本章小结
第四章 基于二维辅助学习的人脸三维关键点检测方法
    4.1 相关工作
        4.1.1 三维人脸重建
        4.1.2 三维人脸对齐
    4.2 三维形变模型
    4.3 网络结构
        4.3.1 3DMM系数加权监督
        4.3.2 二维辅助自监督
        4.3.3 生成对抗弱监督
        4.3.4 模型整体训练
    4.4 实验与分析
        4.4.1 实验数据及网络参数
        4.4.2 人脸关键点检测结果分析
        4.4.3 三维人脸重建结果分析
        4.4.4 消融实验分析
    4.5 本章小结
第五章 基于生成对抗学习的跨姿态低质量人脸复原方法
    5.1 相关工作
        5.1.1 人脸转正
        5.1.2 人脸增强
    5.2 网络结构
        5.2.1 双代理生成网络
        5.2.2 姿态归一化模型
        5.2.3 双代理-先验引导判别网络
        5.2.4 过渡训练
    5.3 实验与分析
        5.3.1 实验数据及网络参数
        5.3.2 消融实验分析
        5.3.3 人脸转正效果分析
        5.3.4 人脸增强效果分析
        5.3.5 人脸识别结果分析
    5.4 本章小结
第六章 基于深度迁移及多任务学习的人脸防伪方法
    6.1 相关工作
    6.2 基于深度迁移学习的人脸防伪方法
        6.2.1 网络结构
        6.2.2 实验数据及网络参数
        6.2.3 域内测试结果
        6.2.4 域间测试结果
        6.2.5 消融实验分析
    6.3 深度多任务学习人脸防伪方法
        6.3.1 网络结构
        6.3.2 全成对混淆损失
        6.3.3 快速域适应模块
        6.3.4 实验数据及网络参数
        6.3.5 消融实验分析
        6.3.6 域内测试结果
        6.3.7 域间测试结果
        6.3.8 人脸识别结果
    6.4 本章小结
第七章 全文总结与展望
    7.1 全文总结
    7.2 后续工作展望
致谢
参考文献
攻读博士学位期间取得的成果


【参考文献】：
期刊论文
[1]基于多模态特征融合的轻量级人脸活体检测方法[J]. 皮家甜,杨杰之,杨琳希,彭明杰,邓雄,赵立军,唐万梅,吴至友.  计算机应用. 2020(12)
[2]预训练网络引导的人脸图像超分辨率重建[J]. 徐文博,孙广玲,陆小锋.  工业控制计算机. 2020(06)
[3]多稀疏表示分类器决策融合的人脸识别[J]. 唐彪,金炜,符冉迪,龚飞.  电信科学. 2018(04)
[4]基于改进深层网络的人脸识别算法[J]. 李倩玉,蒋建国,齐美彬.  电子学报. 2017(03)
[5]基于优化投影矩阵的人脸识别技术研究[J]. 于爱华,白煌,孙斌斌,侯北平.  浙江工业大学学报. 2016(04)
[6]基于局部二值模式和深度学习的人脸识别[J]. 张雯,王文伟.  计算机应用. 2015(05)
[7]基于LBP和深度学习的非限制条件下人脸识别算法[J]. 梁淑芬,刘银华,李立琛.  通信学报. 2014(06)
[8]基于全局和局部特征集成的人脸识别[J]. 苏煜,山世光,陈熙霖,高文.  软件学报. 2010(08)
[9]基于局部Gabor变化直方图序列的人脸描述与识别[J]. 张文超,山世光,张洪明,陈杰,陈熙霖,高文.  软件学报. 2006(12)
[10]基于3D人脸重建的光照、姿态不变人脸识别[J]. 柴秀娟,山世光,卿来云,陈熙霖,高文.  软件学报. 2006(03)

硕士论文
[1]基于深度学习的人脸识别研究[D]. 林妙真.大连理工大学 2013



本文编号：3174237