论文部分内容阅读
人脸分析是一种具有广泛潜在应用的生物识别技术。在互联网金融、安防监控、考勤等众多身份认证领域得到了使用，受到研究者们广泛关注。目前，在可控环境下，人脸分析相关任务已经达到了比较满意的效果。然而在非控环境下，由于受到光照、姿态、表情、分辨率等非可控因素影响，人脸相关任务的性能依然很差，无法满足实际应用的要求。本论文主要针对非控场景下人脸分析的几个关键问题展开研究，并针对相关的问题提出了相应的解决办法。主要创新点如下: 1.针对视频人脸识别问题，提出了一种联合空间学习的算法，它同时从视频中发现最具有代表性的样本和具有判别能力的特征。我们将这个联合空间学习描述成一个同时针对列（样本）和行（特征）的矩阵最小化问题。然后我们提出了一种循环最优化算法来逐步地降低联合损失函数。同时我们使用随机化技术来获取数据中的非线性结构，通过这种方式准确率和性能都获得了提升。 2.针对图像集人脸识别效率问题，提出了学习图像集的具有判别性和紧凑性的二值化表达。为了达到这个目的，本文将Hadamard二值码嵌入到哈希函数中。Hadamard码不仅可以提供监督信息同时也可以促使目标函数生成满足某些信息论准则的高质量编码。同时使用低秩约束来达到压缩图像集的目的，实验结果证明这种方式可以有效地降低每个图像集的冗余性。最后我们引入一个基于核的方法来进一步的提升算法的性能。 3.针对非控场景下的性别识别问题，构造了一种多阶局部二值特征提取人脸中丰富信息，具体来说，通过三种不同统计方式来获取具有互补关系的特征，即像素、区域均值、区域方差。这使得特征描述子的表达能力更加丰富。同时开发了一种局部增强学习算法来联合学习三个局部分类器，从而提升算法的分类性能。通过这两个阶段的融合，可以有效的降低光照、表情、姿态等因素影响。 4.针对非控场景下多角度聚类问题，提出一种基于非负字典对学习方法进行鲁棒的多角度聚类。具体来说，我们联合学习一个语义投影和特征投影。这种组合使得我们的计算既可以很好地提取聚类中心又可以降低噪声的影响。然后我们引入一个一致性约束和局部结构保持约束使得不同角度的聚类结果保持一致。为了降低算法时间复杂度，我们提出使用交替线性最小化算法来逐步降低目标函数的损失。理论和实验分析证明这种算法可以快速地收敛到一个全局最优解。 总的来说，本文针对非控场景下人脸分析的几个关键问题:身份识别、识别效率、性别识别、多角度聚类等问题进行了系统而深入的研究，提升了现有的人脸分析算法性能。