基于主动感知的人脸识别研究

现行的人脸识别方法主要采用"被动感知"的策略，利用图像的底层像素信息自底向上地提取特征，使得不可控的图像变化直接作用到人脸特征向量中，最终导致识别错误。为了解决这个问题，本项目引入人脸特征的先验知识，利用"主动感知"的策略来有选择性地提取特征，使识别系统能够区分正常人脸特征和异常干扰因素。在特征提取阶段，我们建立颜色、纹理和形状特征的先验统计模型，并利用这三类特征的内在联系，研究在位置、尺度、方向、色度等方面具有选择性的主动特征提取算法。在特征降维阶段，我们同时利用通用人脸库和候选人脸库的特征统计信息，研究特征子空间的融合学习算法，提高小样本条件下的人脸识别精度。本项目的研究成果将有助于提高人脸识别技术在复杂环境下的实用性，应用前景广阔。

现行的人脸识别方法主要采用“被动感知”的策略，利用图像的底层像素信息自底向上地提取特征，使得不可控的图像变化直接作用到人脸特征向量中，最终导致识别错误。为了解决这个问题，本项目引入人脸特征的先验知识，利用“主动感知”的策略来有选择性地提取特征，通过合理的先验假设和知识建模，使识别系统能够区分正常人脸特征和异常干扰因素。基于上述思想，本项目在新兴的稀疏线性表示模型和传统的正交线性表示模型都取得了理论突破，取得了ESRC与TIPCA两项标志性理论成果，克服了线性模型在实际应用中的局限性，主要内容和科学意义分述如下：. 在稀疏线性表示方面，本项目提出一种新颖的扩展稀疏表示（Extended Sparse Representation based Classification, ESRC）模型，首次提出“测试图像与模板图像之间的特征差异可以由‘类内变化字典’来稀疏线性组合表示”的先验假设，巧妙地解决了稀疏表示的小样本问题。此外，“原型+变化”稀疏表示模型通过分离训练样本中的身份成分与类内变化成分的分离表示，解决不可控训练样本问题。本项目的工作不仅拓宽了稀疏表示在人脸识别问题上的适用范围，同时验证了稀疏性约束在人脸识别中的独特作用。.在最优线性表示方面，本项目以“最优配准的图像可以获得最优线性表示”为先验假设，把人脸配准、表示和识别三个环节统一起来，提出一种具有变换不变性的TIPCA（Transform-Invariant PCA）方法，同时获得了人脸图像配准精度、图像编码效率和识别精度上的提高。该方法以PCA为纽带，揭示了图像配准、表示与识别（Registration, Representation, Recognition）三者之间的内在联系。实验验证了基于整体外观的配准图像的编码和识别效果，均优于目前学术界广泛采用的基于手工标注特征点的配准图像。. 此外，面向实际应用中的人脸特征动态变化问题，本项目提出一种具有通用学习和增量学习的线性回归分析方法。该算法同时利用通用人脸库和候选人脸库的特征统计信息，实现特征子空间的融合增量学习算法，提高对环境变化具有动态适应能力。. 基于上述成果，课题负责人以第一作者在信息科学领域的著名期刊IEEE Trans. PAMI上发表论文两篇，Pattern Recognition一篇，国际会议CVPR一篇。

内容获取失败，请点击重试