非可控条件下人脸识别中的若干问题研究

发布时间：2017-06-10 16:02

  本文关键词：非可控条件下人脸识别中的若干问题研究，由笔耕文化传播整理发布。

【摘要】：人脸识别是图像处理、模式识别、机器学习等领域的经典问题。尽管目前已取得丰硕的研究成果,但当前的人脸识别技术都具有如下限定:(1)可控的图像采样环境;(2)被识别对象的主动配合。这些限定成为人脸识别技术发展和推广的最大障碍。然而,随着智能视频分析、人脸匹配、人脸图像搜索等应用需求的增长,人们对非限定条件下的人脸识别技术的需求日益增长。但是,非可控条件下的姿态、光照、表情和遮挡等复杂干扰因素可能导致人脸图像的类内变化远大于类间变化,这使人脸识别精度急剧下降而不能满足实际应用需求。本文以减少非可控条件下复杂干扰的影响为目标,围绕人脸识别系统中的人脸图像预处理、特征提取、相似性度量和判别分类等关键步骤展开研究,根据人脸识别任务的特点,针对每个关键步骤,提出减少复杂干扰影响的解决方法。本文的主要贡献如下:(1)提出了基于人脸图像预评估的自适应人脸验证方法。该方法首先按照预定义区域将人脸对分割成多个图像对。然后通过评估人脸对在关键点的图像梯度差异,自适应地选择人脸区域上的图像对。最后联合选出的图像对验证人脸对是否匹配。为了选择图像对,提出了三种图像对的可靠性评估方法:基于异常差异检测的方法、基于支持向量回归机的方法、基于堆栈自编码深度网络的方法。它们分别适用于对验证速度和验证精度要求不同的情形。实验表明,该人脸验证方法可以根据输入人脸对的遮挡、表情等视觉干扰条件差异,自适应地选择受干扰影响较小的人脸区域验证该人脸对。与仅使用全脸的方法和直接联合多人脸部件的方法相比,它可以有效减少局部干扰的影响。(2)提出了基于特征池化学习的高层人脸特征提取方法。首先提出一种新颖的特征池化学习算法。针对当前特征池化方法无法描述人脸结构信息且无法有效抑制局部噪音特征码,引入池化权重向量和线性变换矩阵两个模型参数,基于Sum-Pooling定义新颖的池化操作。并设计一个交替迭代优化算法学习该池化操作的模型参数,通过学习池化操作实现学习人脸高层特征。然后,将提出的特征池化学习算法应用于采用稀疏编码方法提取的局部特征,在不同大小的人脸图像块上学习人脸高层特征。最后联合所有图像块的高层特征形成人脸高层特征表达。实验表明,该方法可以提取不同层次的人脸结构高层特征,同时也可以有效地抑制局部噪音特征码。而且,提取的特征向量是低维的。(3)提出了基于视觉条件差异自适应调整的距离度量学习算法。首先利用人脸对齐检测的关键点位置关系和关键点上的局部特征,计算一对人脸关于姿态、表情、遮挡、光照的视觉条件差异。将这种与身份信息无关的视觉条件差异引入到特征空间的距离度量中,联合马氏距离定义新颖的距离度量。然后设计度量学习算法学习定义的新距离,并采用增广拉格朗日方法求解相应优化问题。优化过程同时学习特征空间中的马氏距离、视觉差异条件对马氏距离的影响及相应的调整规则。实验表明,在测试阶段,对于一对人脸图像,学习的距离度量能够根据它们的视觉条件差异,自适应地调整它们的特征向量计算的距离,从而有效地减小复杂干扰导致的类内变化。(4)提出了基于优化训练和组织多分类器的人脸验证方法。首先提出一种视觉一致性度量方法。然后分割成对的训练人脸图像,并利用视觉一致性度量方法优化组织分割的子图对,形成在不同人脸区域上、不同视觉一致性条件下的训练子集。接着融合多特征在每个子集上训练支持向量机分类器。每个分类器保存着特定人脸区域、特定视觉一致性条件下的分类规则。在测试阶段,根据一对人脸在全脸和人脸部件上的视觉一致性度量结果,自适应地选择分类器并优化组织它们执行判别。实验表明,该方法能够根据一对人脸在全脸和部件上的视觉干扰条件差异,自适应地调整分类判别规则验证该对人脸是否匹配,从而有效地减少复杂干扰的影响。
【关键词】：支持向量回归 深度自编码网络 特征池化学习 距离度量学习 多分类器
【学位授予单位】：电子科技大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要5-7
• ABSTRACT7-13
• 缩略词表13-15
• 主要符号表15-17
• 第一章 绪论17-34
• 1.1 研究背景及意义17-19
• 1.2 研究现状及存在的问题19-29
• 1.2.1 概述19-20
• 1.2.2 人脸图像预处理20-22
• 1.2.3 人脸特征提取22-25
• 1.2.4 人脸特征向量的距离度量25-27
• 1.2.5 判别分类27-29
• 1.3 本文研究内容及创新点29-32
• 1.3.1 研究内容29-30
• 1.3.2 创新点30-32
• 1.4 本文的基本组织结构32-34
• 第二章 基于人脸图像预评估的自适应人脸验证34-62
• 2.1 研究现状及问题形成34-36
• 2.2 预备知识36-39
• 2.2.1 主要概念与相关标记36-37
• 2.2.2 关键点局部特征描述和图像对关键点差异向量描述37-39
• 2.3 基于异常差异检测的人脸区域选择方法39-42
• 2.3.1 异常差异检测和图像对可靠性评估39-41
• 2.3.2 基于异常差异检测的人脸区域选择41-42
• 2.4 基于SVR的人脸区域选择方法42-46
• 2.4.1 基于图像对相似分的可靠性定义42-43
• 2.4.2 模型构建与学习43-44
• 2.4.3 基于概率模型的区域选择方法44-46
• 2.5 基于SAE的人脸区域选择方法46-52
• 2.5.1 深度模型选择47-48
• 2.5.2 深度网络设计与训练48-51
• 2.5.3 基于SAE评估模型的区域选择方法51-52
• 2.6 实验52-60
• 2.6.1 实验设置53-54
• 2.6.2 评估全脸和局部人脸54-55
• 2.6.3 分析与验证本工作提出的方法55-59
• 2.6.4 分析所提方法对视觉干扰条件差异的鲁棒性59-60
• 2.7 本章小结60-62
• 第三章 基于特征池化学习的高层人脸特征表达62-87
• 3.1 研究现状及问题形成62-65
• 3.2 基于特征池化学习的高层人脸特征提取方法65-68
• 3.2.1 标记与定义65-66
• 3.2.2 基于特征池化学习提取人脸高层特征的基本流程66-68
• 3.3 特征池化学习68-75
• 3.3.1 问题形式化69-70
• 3.3.2 优化与求解70-73
• 3.3.3 讨论与分析73-75
• 3.4 实验75-85
• 3.4.1 人脸身份识别实验75-82
• 3.4.1.1 实验设置75-76
• 3.4.1.2 与经典池化方法的比较76-79
• 3.4.1.3 对池化区域的分析79-80
• 3.4.1.4 与最近提出的池化学习算法比较80-82
• 3.4.2 人脸验证实验82-85
• 3.4.2.1 实验设置82
• 3.4.2.2 在非可控条件下评估学习的人脸高层特征82-84
• 3.4.2.3 学习的人脸高层特征与其它技术相联合84-85
• 3.5 本章小结85-87
• 第四章 基于距离度量学习自适应评估人脸相似性87-113
• 4.1 研究现状及问题形成87-89
• 4.2 基于视觉条件差异自适应调整的距离度量学习89-96
• 4.2.1 距离度量定义89-90
• 4.2.2 形式化描述90-91
• 4.2.3 算法设计与求解91-93
• 4.2.4 算法讨论与分析93-96
• 4.3 视觉条件差异评估96-102
• 4.3.1 概述96-97
• 4.3.2 基于形状模型的视觉条件差异评估97-101
• 4.3.3 基于参照集方法的视觉条件差异评估101-102
• 4.4 实验102-111
• 4.4.1 人脸验证102-110
• 4.4.1.1 实验设置102-104
• 4.4.1.2 参数分析与模型分析104-107
• 4.4.1.3 比较实验107-110
• 4.4.2 人脸身份识别110-111
• 4.4.2.1 实验设置110
• 4.4.2.2 比较实验110-111
• 4.5 本章小结111-113
• 第五章 基于优化训练和组织多分类器的人脸验证113-136
• 5.1 研究现状及问题形成113-115
• 5.2 所提方法概述115-116
• 5.3 基于概率表达的视觉一致性度量116-118
• 5.4 基于VCM优化训练多分类器118-123
• 5.4.1 图像对的多距离向量表达119-120
• 5.4.2 分组训练样本和训练分类器120-123
• 5.5 基于VCM优化组织多分类器执行判别123-128
• 5.5.1 根据VCM计算分类器决策分123
• 5.5.2 优化组织多分类器123-126
• 5.5.3 讨论与分析126-128
• 5.6 实验128-134
• 5.6.1 实验设置128-129
• 5.6.2 评估图像对的多距离向量表达129-130
• 5.6.3 分析基于VCM训练分类器的贡献130-132
• 5.6.4 评估优化组织多分类器的方案132-133
• 5.6.5 与当前方法的比较133-134
• 5.7 本章小结134-136
• 第六章 总结和展望136-140
• 6.1 本学位论文的主要工作136-137
• 6.2 主要特色和创新点137-138
• 6.3 工作展望138-140
• 致谢140-141
• 参考文献141-155
• 攻博期间取得的研究成果155-156

  本文关键词：非可控条件下人脸识别中的若干问题研究，由笔耕文化传播整理发布。

，

本文编号：439025