论文部分内容阅读
人脸识别技术作为生物特征识别技术的一种,凭借其自然性、非强制性、非接触性以及并发性的特点,在计算机视觉以及模式识别领域受到了越来越多的关注。近年来人脸识别技术飞速发展,逐渐提高的识别精度和识别速度为其在众多领域内的现实应用提供了坚固的技术支撑,尤其在公共安全领域得到了广泛的应用与发展。然而随着图像采集设备的多样化发展以及某些特定应用场景的逐渐显现,越来越多非可见光模态的人脸图像逐渐出现,例如人像素描、近红外图像、热红外图像、三位人脸建模、低分辨率图像等。这些来自不同模态的人脸图像可以称之为异构人脸图像,但由于不同模态的人脸图像成像机理的不同,同一个人的异构人脸图像之间存在巨大的表观差异,这使得传统人脸识别算法在异构人脸数据集上的识别效果不尽如人意,并不能有效地处理异构人脸图像的识别问题。因此异构人脸识别不同于传统的人脸识别,它着重研究的是如何有效地消除异构人脸图像之间的模态差异以实现来自不同模态的人脸图像之间的匹配识别,也被称为跨模态人脸识别。本文针对异构人脸识别问题提出了两种解决方法:(1)耦合的判别性特征学习方法(Coupled Discriminant Feature Learning,简称CDFL),CDFL采用图像滤波的方式消除模态差异,结合线性判别分析的思想以及皮尔森相关系数来构建滤波器的学习目标函数,进而从滤波后的异构人脸图像中提取出最具判别力的特征表达。(2)基于级联结构的判别性特征学习方法(Hierarchical Discriminant Feature Learning,简称HDFL)。耦合的判别性特征学习方法CDFL是基于图像块进行判别性滤波器的学习,这导致了 CDFL最终训练得到的滤波器结构十分复杂,每个模态的人脸图像中的每个图像块均对应多个滤波器。结构复杂的滤波器使得测试样本的分类识别过程十分繁琐。因此本文在耦合的判别性特征学习方法CDFL的基础框架上,提出了一种基于级联结构的两层的AdaBoost分类器网络(Hierarchical AdaBoost Network,简称HBN)用以简化滤波器的结构,通过学习每个滤波器的权重从而将CDFL的滤波器集合以加权投票的方式整合至一个最优的判别力最强的滤波器。本文在三个不同模态的异构人脸数据集上与多个主流的异构人脸识别算法进行了对比实验与验证实验,实验结果充分说明了 HDFL方法的优越性与有效性。