论文部分内容阅读
在现实应用场景中，多姿态人脸重建与识别是机器视觉领域的一个重要研究课题。由于在人脸图像采集过程中，用户有可能处于非配合状态，使得采集到的图片存在不同姿态角度的偏转，从而脸部的纹理信息被部分遮挡导致正脸重建难度增大，继而影响后续的识别性能。因此姿态变化成为了人脸重建和识别领域中的难点之一。针对可控条件下的人脸姿态变化问题，本文进行了深入的分析与研究，设计和实现了两种自编码网络用于多姿态人脸重建。为了验证所提出的方法，还进行了基于姿态重建的人脸识别研究。本文的主要研究工作如下： 1.针对姿态变化对人脸识别性能的影响，以及在姿态恢复过程中个体细节差异容易丢失的问题，提出一种基于多任务学习堆叠自编码器(MtLSAE)的多姿态人脸重建方法。该方法首先通过步进的方式，将较大姿态的人脸图像在解码时映射为较小姿态的图像以此来完成姿态的步进恢复；接着又通过引入非负约束稀疏自编码器来学习人脸的局部纹理特征；然后采用多任务学习机制来同时学习姿态恢复和脸部细节信息保留这两个既相关又相互制约的任务，在编码过程中共享这两个任务之间的参数来学习网络从而重建正脸图片。实验表明，使用MtLSAE算法重建出的人脸图片保留的局部纹理信息清晰，重建质量较好且性能相较于堆叠步进自编码器算法有了提升。 2.为了能够学习到对姿态变化更具鲁棒性的特征以此很好地重建正脸图片，提出一种基于相似度保留堆叠自编码器(SP-SAE)的人脸姿态重建方法。该方法通过在每个步进自编码器的隐含层中引入相似度保留约束项，使得隐含层中同一个人对应的姿态特征相似，从而提取到有利于重建且对姿态变化更具鲁棒性的特征；接着训练完一个网络后，将其隐含层特征作为下一个网络的输入，通过堆叠多个网络来实现正脸姿态的重建。实验表明，使用SP-SAE网络能够很好重建人脸图片的细节信息，重建后的正脸图片整体光滑，噪点少，且主观视觉和客观结构相似度表现都很好。 3.为了验证基于MtLSAE和SP-SAE网络的多姿态人脸重建算法的识别性能，本文将两个算法重建后的正脸图片分别通过Fisherface进行降维并用最近邻分类器做识别研究，以说明二者方法在识别方面相较于其他方法的优越性；然后为了彰显本文的SP-SAE算法提取到的隐含层特征冗余信息少，且对姿态变化具有较强鲁棒性，又将两个算法网络结构中的最高隐含层特征通过降维识别来做对比分析。实验表明，本文提出的两种多姿态人脸重建算法在识别方面性能优越，且SP-SAE重建算法提取到的姿态不变特征鲁棒性更强，极大提升了多姿态人脸的识别性能。 本文研究的多姿态人脸重建算法取得了较好的重建效果，且在识别过程中得到了相应的验证，提高了识别率。