本文關(guān)鍵詞：非可控條件下人臉識別中的若干問題研究，由筆耕文化傳播整理發(fā)布。

【摘要】：人臉識別是圖像處理、模式識別、機器學(xué)習(xí)等領(lǐng)域的經(jīng)典問題。盡管目前已取得豐碩的研究成果,但當前的人臉識別技術(shù)都具有如下限定:(1)可控的圖像采樣環(huán)境;(2)被識別對象的主動配合。這些限定成為人臉識別技術(shù)發(fā)展和推廣的最大障礙。然而,隨著智能視頻分析、人臉匹配、人臉圖像搜索等應(yīng)用需求的增長,人們對非限定條件下的人臉識別技術(shù)的需求日益增長。但是,非可控條件下的姿態(tài)、光照、表情和遮擋等復(fù)雜干擾因素可能導(dǎo)致人臉圖像的類內(nèi)變化遠大于類間變化,這使人臉識別精度急劇下降而不能滿足實際應(yīng)用需求。本文以減少非可控條件下復(fù)雜干擾的影響為目標,圍繞人臉識別系統(tǒng)中的人臉圖像預(yù)處理、特征提取、相似性度量和判別分類等關(guān)鍵步驟展開研究,根據(jù)人臉識別任務(wù)的特點,針對每個關(guān)鍵步驟,提出減少復(fù)雜干擾影響的解決方法。本文的主要貢獻如下:(1)提出了基于人臉圖像預(yù)評估的自適應(yīng)人臉驗證方法。該方法首先按照預(yù)定義區(qū)域?qū)⑷四槍Ψ指畛啥鄠�圖像對。然后通過評估人臉對在關(guān)鍵點的圖像梯度差異,自適應(yīng)地選擇人臉區(qū)域上的圖像對。最后聯(lián)合選出的圖像對驗證人臉對是否匹配。為了選擇圖像對,提出了三種圖像對的可靠性評估方法:基于異常差異檢測的方法、基于支持向量回歸機的方法、基于堆棧自編碼深度網(wǎng)絡(luò)的方法。它們分別適用于對驗證速度和驗證精度要求不同的情形。實驗表明,該人臉驗證方法可以根據(jù)輸入人臉對的遮擋、表情等視覺干擾條件差異,自適應(yīng)地選擇受干擾影響較小的人臉區(qū)域驗證該人臉對。與僅使用全臉的方法和直接聯(lián)合多人臉部件的方法相比,它可以有效減少局部干擾的影響。(2)提出了基于特征池化學(xué)習(xí)的高層人臉特征提取方法。首先提出一種新穎的特征池化學(xué)習(xí)算法。針對當前特征池化方法無法描述人臉結(jié)構(gòu)信息且無法有效抑制局部噪音特征碼,引入池化權(quán)重向量和線性變換矩陣兩個模型參數(shù),基于Sum-Pooling定義新穎的池化操作。并設(shè)計一個交替迭代優(yōu)化算法學(xué)習(xí)該池化操作的模型參數(shù),通過學(xué)習(xí)池化操作實現(xiàn)學(xué)習(xí)人臉高層特征。然后,將提出的特征池化學(xué)習(xí)算法應(yīng)用于采用稀疏編碼方法提取的局部特征,在不同大小的人臉圖像塊上學(xué)習(xí)人臉高層特征。最后聯(lián)合所有圖像塊的高層特征形成人臉高層特征表達。實驗表明,該方法可以提取不同層次的人臉結(jié)構(gòu)高層特征,同時也可以有效地抑制局部噪音特征碼。而且,提取的特征向量是低維的。(3)提出了基于視覺條件差異自適應(yīng)調(diào)整的距離度量學(xué)習(xí)算法。首先利用人臉對齊檢測的關(guān)鍵點位置關(guān)系和關(guān)鍵點上的局部特征,計算一對人臉關(guān)于姿態(tài)、表情、遮擋、光照的視覺條件差異。將這種與身份信息無關(guān)的視覺條件差異引入到特征空間的距離度量中,聯(lián)合馬氏距離定義新穎的距離度量。然后設(shè)計度量學(xué)習(xí)算法學(xué)習(xí)定義的新距離,并采用增廣拉格朗日方法求解相應(yīng)優(yōu)化問題。優(yōu)化過程同時學(xué)習(xí)特征空間中的馬氏距離、視覺差異條件對馬氏距離的影響及相應(yīng)的調(diào)整規(guī)則。實驗表明,在測試階段,對于一對人臉圖像,學(xué)習(xí)的距離度量能夠根據(jù)它們的視覺條件差異,自適應(yīng)地調(diào)整它們的特征向量計算的距離,從而有效地減小復(fù)雜干擾導(dǎo)致的類內(nèi)變化。(4)提出了基于優(yōu)化訓(xùn)練和組織多分類器的人臉驗證方法。首先提出一種視覺一致性度量方法。然后分割成對的訓(xùn)練人臉圖像,并利用視覺一致性度量方法優(yōu)化組織分割的子圖對,形成在不同人臉區(qū)域上、不同視覺一致性條件下的訓(xùn)練子集。接著融合多特征在每個子集上訓(xùn)練支持向量機分類器。每個分類器保存著特定人臉區(qū)域、特定視覺一致性條件下的分類規(guī)則。在測試階段,根據(jù)一對人臉在全臉和人臉部件上的視覺一致性度量結(jié)果,自適應(yīng)地選擇分類器并優(yōu)化組織它們執(zhí)行判別。實驗表明,該方法能夠根據(jù)一對人臉在全臉和部件上的視覺干擾條件差異,自適應(yīng)地調(diào)整分類判別規(guī)則驗證該對人臉是否匹配,從而有效地減少復(fù)雜干擾的影響。
【關(guān)鍵詞】：支持向量回歸 深度自編碼網(wǎng)絡(luò) 特征池化學(xué)習(xí) 距離度量學(xué)習(xí) 多分類器
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要5-7
• ABSTRACT7-13
• 縮略詞表13-15
• 主要符號表15-17
• 第一章 緒論17-34
• 1.1 研究背景及意義17-19
• 1.2 研究現(xiàn)狀及存在的問題19-29
• 1.2.1 概述19-20
• 1.2.2 人臉圖像預(yù)處理20-22
• 1.2.3 人臉特征提取22-25
• 1.2.4 人臉特征向量的距離度量25-27
• 1.2.5 判別分類27-29
• 1.3 本文研究內(nèi)容及創(chuàng)新點29-32
• 1.3.1 研究內(nèi)容29-30
• 1.3.2 創(chuàng)新點30-32
• 1.4 本文的基本組織結(jié)構(gòu)32-34
• 第二章 基于人臉圖像預(yù)評估的自適應(yīng)人臉驗證34-62
• 2.1 研究現(xiàn)狀及問題形成34-36
• 2.2 預(yù)備知識36-39
• 2.2.1 主要概念與相關(guān)標記36-37
• 2.2.2 關(guān)鍵點局部特征描述和圖像對關(guān)鍵點差異向量描述37-39
• 2.3 基于異常差異檢測的人臉區(qū)域選擇方法39-42
• 2.3.1 異常差異檢測和圖像對可靠性評估39-41
• 2.3.2 基于異常差異檢測的人臉區(qū)域選擇41-42
• 2.4 基于SVR的人臉區(qū)域選擇方法42-46
• 2.4.1 基于圖像對相似分的可靠性定義42-43
• 2.4.2 模型構(gòu)建與學(xué)習(xí)43-44
• 2.4.3 基于概率模型的區(qū)域選擇方法44-46
• 2.5 基于SAE的人臉區(qū)域選擇方法46-52
• 2.5.1 深度模型選擇47-48
• 2.5.2 深度網(wǎng)絡(luò)設(shè)計與訓(xùn)練48-51
• 2.5.3 基于SAE評估模型的區(qū)域選擇方法51-52
• 2.6 實驗52-60
• 2.6.1 實驗設(shè)置53-54
• 2.6.2 評估全臉和局部人臉54-55
• 2.6.3 分析與驗證本工作提出的方法55-59
• 2.6.4 分析所提方法對視覺干擾條件差異的魯棒性59-60
• 2.7 本章小結(jié)60-62
• 第三章 基于特征池化學(xué)習(xí)的高層人臉特征表達62-87
• 3.1 研究現(xiàn)狀及問題形成62-65
• 3.2 基于特征池化學(xué)習(xí)的高層人臉特征提取方法65-68
• 3.2.1 標記與定義65-66
• 3.2.2 基于特征池化學(xué)習(xí)提取人臉高層特征的基本流程66-68
• 3.3 特征池化學(xué)習(xí)68-75
• 3.3.1 問題形式化69-70
• 3.3.2 優(yōu)化與求解70-73
• 3.3.3 討論與分析73-75
• 3.4 實驗75-85
• 3.4.1 人臉身份識別實驗75-82
• 3.4.1.1 實驗設(shè)置75-76
• 3.4.1.2 與經(jīng)典池化方法的比較76-79
• 3.4.1.3 對池化區(qū)域的分析79-80
• 3.4.1.4 與最近提出的池化學(xué)習(xí)算法比較80-82
• 3.4.2 人臉驗證實驗82-85
• 3.4.2.1 實驗設(shè)置82
• 3.4.2.2 在非可控條件下評估學(xué)習(xí)的人臉高層特征82-84
• 3.4.2.3 學(xué)習(xí)的人臉高層特征與其它技術(shù)相聯(lián)合84-85
• 3.5 本章小結(jié)85-87
• 第四章 基于距離度量學(xué)習(xí)自適應(yīng)評估人臉相似性87-113
• 4.1 研究現(xiàn)狀及問題形成87-89
• 4.2 基于視覺條件差異自適應(yīng)調(diào)整的距離度量學(xué)習(xí)89-96
• 4.2.1 距離度量定義89-90
• 4.2.2 形式化描述90-91
• 4.2.3 算法設(shè)計與求解91-93
• 4.2.4 算法討論與分析93-96
• 4.3 視覺條件差異評估96-102
• 4.3.1 概述96-97
• 4.3.2 基于形狀模型的視覺條件差異評估97-101
• 4.3.3 基于參照集方法的視覺條件差異評估101-102
• 4.4 實驗102-111
• 4.4.1 人臉驗證102-110
• 4.4.1.1 實驗設(shè)置102-104
• 4.4.1.2 參數(shù)分析與模型分析104-107
• 4.4.1.3 比較實驗107-110
• 4.4.2 人臉身份識別110-111
• 4.4.2.1 實驗設(shè)置110
• 4.4.2.2 比較實驗110-111
• 4.5 本章小結(jié)111-113
• 第五章 基于優(yōu)化訓(xùn)練和組織多分類器的人臉驗證113-136
• 5.1 研究現(xiàn)狀及問題形成113-115
• 5.2 所提方法概述115-116
• 5.3 基于概率表達的視覺一致性度量116-118
• 5.4 基于VCM優(yōu)化訓(xùn)練多分類器118-123
• 5.4.1 圖像對的多距離向量表達119-120
• 5.4.2 分組訓(xùn)練樣本和訓(xùn)練分類器120-123
• 5.5 基于VCM優(yōu)化組織多分類器執(zhí)行判別123-128
• 5.5.1 根據(jù)VCM計算分類器決策分123
• 5.5.2 優(yōu)化組織多分類器123-126
• 5.5.3 討論與分析126-128
• 5.6 實驗128-134
• 5.6.1 實驗設(shè)置128-129
• 5.6.2 評估圖像對的多距離向量表達129-130
• 5.6.3 分析基于VCM訓(xùn)練分類器的貢獻130-132
• 5.6.4 評估優(yōu)化組織多分類器的方案132-133
• 5.6.5 與當前方法的比較133-134
• 5.7 本章小結(jié)134-136
• 第六章 總結(jié)和展望136-140
• 6.1 本學(xué)位論文的主要工作136-137
• 6.2 主要特色和創(chuàng)新點137-138
• 6.3 工作展望138-140
• 致謝140-141
• 參考文獻141-155
• 攻博期間取得的研究成果155-156

  本文關(guān)鍵詞：非可控條件下人臉識別中的若干問題研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：439025