基于扩展稀疏表示的多姿态人脸识别研究

结题报告

项目介绍

AI项目解读

基本信息

批准号：
61375031
项目类别：
面上项目
资助金额：
79.0万
负责人：
邓伟洪
依托单位：
北京邮电大学
学科分类：
F0605.模式识别与数据挖掘
结题年份：
2017
批准年份：
2013
项目状态：
已结题
起止时间：
2014-01-01 至2017-12-31

项目参与者：
胡佳妮；王尊亮；汪浩；黄平牧；董明智；齐宪标；阴凉；李俊；刘柳；
关键词：
稀疏表示人脸识别生物特征识别

项目摘要

Sparse representation has been rapidly developed in recent years, which leads to its wide-range applications in signal processing. This project proposes a extended sparse representation model for pattern recognition task, which decomposes high dimensional data into the sparse combination of "class-specific prototype" atoms and "intra-class variation" atoms. This model can enhance the generalization ability of sparse representation on small sample size problems. Based on this theory, the project will study dictionary learning of extended sparse representation, in order to improve the representation ability of the model. Aiming at multiple and mixed property of interferential factors, this project will utilize image alignment and 3D reconstruction algorithms to enhance the robustness of face recognition system under face occlusion and pose variations respectively. At the same time, the project will explore the relationship among face alignment, pose rectification, and sparse representation. Finally, sparse representation and face alignment based iterative optimization method and "sparse representation-3D reconstruction-pose rectification" loop optimization based recognition method will be formed, which help the solution to the pose-invariant face recognition challenge.

近年来，稀疏表示理论的研究获得较大突破，使该理论广泛应用到信号与信息处理的各个领域。本课题提出一种面向模式识别任务的扩展稀疏表示模型，假设高维数据可以表示为"类别原型"原子和"类内变化"原子的稀疏线性组合，从而增强传统稀疏表示在小样本条件下的泛化能力。在此基础上，研究扩展稀疏表示的字典学习算法，从训练数据中学习类别原型和类内变化的最优表示。在人脸识别应用中，本课题引入人脸三维结构和纹理的先验信息以提高扩展稀疏表示模型对姿态变化的鲁棒性，并探索稀疏表示、三维重建和姿态矫正三者之间的内在联系以提高识别系统的稳定性。本项目最终将形成基于"扩展稀疏表示--图像对齐"迭代优化和基于"扩展稀疏表示--三维重建--姿态矫正"闭环优化的识别新方法，推进小样本条件下的多姿态人脸识别难题的解决。

结项摘要

近年来，稀疏表示理论的研究获得较大突破，使其被广泛应用到信号与信息处理的各个领域。本课题提出一种面向模式识别任务的扩展稀疏表示模型，假设高维数据可以表示为“类别原型”原子和“类内变化”原子的稀疏线性组合，从而增强传统稀疏表示在高维小样本条件下的泛化能力。针对现有稀疏模型对姿态变化鲁棒性不足的问题，引入人脸的三维形状和纹理先验信息，探索稀疏表示、三维重建和姿态矫正三者之间的相互优化关系以提高识别系统的稳定性。此外，借鉴近年来深度学习的技术发展，本课题利用区分性深度特征学习方法对人脸姿态变化进行适应，在LFW等主流数据库上达到了较高准确率。. 在项目执行期间，课题组成员已在包括IEEE TPAMI、PR、CVPR在内的国际期刊和会议上发表论文56篇，项目负责人先后入选教育部“新世纪优秀人才”计划、北京市青年英才计划和“科技新星”计划，并晋升正高职称。项目组主要在图像特征表示理论、人脸识别算法、数据库建设上做出了创新性成果：. 1. 提出叠加线性表示和变换主成分分析等特征表示新方法，理论解释了稀疏表示在人脸识别中的判别性根源，增强了小样本条件下的图像识别率和稳定性，2篇相关论文发表在人工智能领域权威期刊IEEE TPAMI上；. 2. 提出面向多姿态人脸的系列归一化和识别方法，在国际主流的MPIE和LFW数据库上取得了较高准确率，6篇相关论文发表在模式识别领域著名期刊Pattern Recognition和国际会议CVPR上。. 3. 发布了真实世界相似人、跨年龄、跨姿态人脸验证的系列数据库，系统地改进了权威LFW数据库的不足。从人脸识别中的微小类间差异和巨大类内差异出发，保持了LFW评价准则的易用性和通用性，以更高难度的方式重新定义了LFW评测，受到国际学术界关注；. 通过本项目的科研工作，项目组培养了10名硕士研究生和5名在读博士生，在稀疏表示、深度学习和人脸识别领域进行了大量有益探索，在模式识别与计算机视觉领域国际会议上发表论文近50篇，参加了18次国内外学术会议，主讲了4次国际会议tutorial报告。 . 基于上述科研成果，项目组研制一套具有自主知识产权的多姿态人脸识别关键技术和原型系统，申请国家发明专利2项，并在与腾讯、中兴通讯、滴滴出行等企业合作中得到成功应用。