论文部分内容阅读
人脸识别是人工智能方向近年来的研究热点,其运用也从单一的特殊场景,到如今的各类硬件均能搭载的自然多变的场景。所以对于解决实际场景的问题,对于人脸识别的实际应用和扩大推广具有实际而积极的意义。因此,本文致力于解决自然场景下对于人脸验证存在的部分问题。对于自然场景人脸验证需要解决两方面的问题:一是在图像采集过程中质量并不能得到保证,图像抖动产生的混叠效应或者由于对比度低无法突出图像的ROI。本文从这两点入手,采用基于低分辨率图像快速重建技术的构建方法对图像重建,另外一方面是通过CLAHE技术进行对比度调节。图像的特征在于其像素的构成,以及像素与像素之间的关系,而通过对比度的调节,无疑将这一层关系得到进一步的加强;二是在于人脸图像检测对齐的操作,这部分工作无论是对于训练出的深度模型的优良性,还是对于提高人脸验证工作的效率都有及其重要的作用。本文的人脸检测对齐工作基于多任务神经网络,采用“分而治之”的思想,针对获得的不同的人脸样本采用不同阶段的网络任务,避免了经历所有过程,从工作量和准确率两方面全面提升人脸的检测和对齐工作。本文提出了仿射变换与多任务网络相融合的方法,运用人脸标记点获得了校正的标准姿态人脸,也使获得的人脸图像有效区域占比更大,仿射图像经尺度变换就可以直接输入人脸特征提取网络,这样仿射变换就成为了两个网络相结合关键操作。如何获得具有稳定性和差异性的人脸特征,也是一大难点。本文基于卷积神经网络和运用残差网络机制,在网络深度提高的同时,网络性能得到了很好的保障,结合中心损失对于特征的内聚性和softmax loss的特征分离性,将二者作为网络训练的监督信号,获得了能够提取出更稳定、区分性更高的人脸特征的深度网络模型。在验证机制的选择和实际测试方面,本文设定了多个实验。运用LFW测试集获得的人脸特征,通过对数据与图像的分析,找出人脸相似度的最佳设定阈值。并且为了提高验证准确率,提出了以最大似然值作为验证的依据的思路,通过实验验证了此方案的可行性。为了验证本文获得特征的稳定性与优良性,本文进行了多角度、多表情、跨年龄等个性化验证实验,其实验结果验证了方法的可靠性。最后还构建了一个简单的实验运用平台,目的是希望未来的研究工作更多地应该与生活需求相结合。