基于自編碼網(wǎng)絡(luò)的多姿態(tài)人臉重建研究及其在識別中的應(yīng)用.pdf

1、在現(xiàn)實應(yīng)用場景中，多姿態(tài)人臉重建與識別是機器視覺領(lǐng)域的一個重要研究課題。由于在人臉圖像采集過程中，用戶有可能處于非配合狀態(tài)，使得采集到的圖片存在不同姿態(tài)角度的偏轉(zhuǎn)，從而臉部的紋理信息被部分遮擋導(dǎo)致正臉重建難度增大，繼而影響后續(xù)的識別性能。因此姿態(tài)變化成為了人臉重建和識別領(lǐng)域中的難點之一。針對可控條件下的人臉姿態(tài)變化問題，本文進行了深入的分析與研究，設(shè)計和實現(xiàn)了兩種自編碼網(wǎng)絡(luò)用于多姿態(tài)人臉重建。為了驗證所提出的方法，還進行了基于姿態(tài)重建的

2、人臉識別研究。本文的主要研究工作如下：
　　1.針對姿態(tài)變化對人臉識別性能的影響，以及在姿態(tài)恢復(fù)過程中個體細節(jié)差異容易丟失的問題，提出一種基于多任務(wù)學(xué)習(xí)堆疊自編碼器(MtLSAE)的多姿態(tài)人臉重建方法。該方法首先通過步進的方式，將較大姿態(tài)的人臉圖像在解碼時映射為較小姿態(tài)的圖像以此來完成姿態(tài)的步進恢復(fù)；接著又通過引入非負約束稀疏自編碼器來學(xué)習(xí)人臉的局部紋理特征；然后采用多任務(wù)學(xué)習(xí)機制來同時學(xué)習(xí)姿態(tài)恢復(fù)和臉部細節(jié)信息保留這兩個既相關(guān)又

3、相互制約的任務(wù)，在編碼過程中共享這兩個任務(wù)之間的參數(shù)來學(xué)習(xí)網(wǎng)絡(luò)從而重建正臉圖片。實驗表明，使用MtLSAE算法重建出的人臉圖片保留的局部紋理信息清晰，重建質(zhì)量較好且性能相較于堆疊步進自編碼器算法有了提升。
　　2.為了能夠?qū)W習(xí)到對姿態(tài)變化更具魯棒性的特征以此很好地重建正臉圖片，提出一種基于相似度保留堆疊自編碼器(SP-SAE)的人臉姿態(tài)重建方法。該方法通過在每個步進自編碼器的隱含層中引入相似度保留約束項，使得隱含層中同一個人對應(yīng)的

4、姿態(tài)特征相似，從而提取到有利于重建且對姿態(tài)變化更具魯棒性的特征；接著訓(xùn)練完一個網(wǎng)絡(luò)后，將其隱含層特征作為下一個網(wǎng)絡(luò)的輸入，通過堆疊多個網(wǎng)絡(luò)來實現(xiàn)正臉姿態(tài)的重建。實驗表明，使用SP-SAE網(wǎng)絡(luò)能夠很好重建人臉圖片的細節(jié)信息，重建后的正臉圖片整體光滑，噪點少，且主觀視覺和客觀結(jié)構(gòu)相似度表現(xiàn)都很好。
　　3.為了驗證基于MtLSAE和SP-SAE網(wǎng)絡(luò)的多姿態(tài)人臉重建算法的識別性能，本文將兩個算法重建后的正臉圖片分別通過Fisherfac

5、e進行降維并用最近鄰分類器做識別研究，以說明二者方法在識別方面相較于其他方法的優(yōu)越性；然后為了彰顯本文的SP-SAE算法提取到的隱含層特征冗余信息少，且對姿態(tài)變化具有較強魯棒性，又將兩個算法網(wǎng)絡(luò)結(jié)構(gòu)中的最高隱含層特征通過降維識別來做對比分析。實驗表明，本文提出的兩種多姿態(tài)人臉重建算法在識別方面性能優(yōu)越，且SP-SAE重建算法提取到的姿態(tài)不變特征魯棒性更強，極大提升了多姿態(tài)人臉的識別性能。
　　本文研究的多姿態(tài)人臉重建算法取得了較好