论文部分内容阅读
人脸识别是使用计算机从图像或者视频中自动识别或验证对象身份的技术。由于其采集廉价性和非侵入性的优势,人脸识别已经成为最受关注的生物特征识别模态之一。随着人脸识别技术性能的不断提高,它在社会的各个方面逐渐得到普及。但是现阶段人脸识别依然存在一些亟待攻克的技术难点,如夜间和恶劣大气环境下的人脸识别需求。该场景下需要采用红外线,涉及十分挑战性的跨光谱人脸识别问题,且该问题通常与异源图像质量不对等问题混合在一起:即可见光图像质量较高而红外图像质量较低。该现象常常导致人脸识别系统性能的急剧下降;另一个常见的难点是跨光谱人脸识别中的人脸遮挡问题,该问题也将会导致人脸识别系统性能急剧下降。一个解决方案是采用眼周部位进行身份认证。本文针对以上问题在跨光谱人脸识别以及跨光谱眼周识别领域尝试性做了一些创新性工作,具体包括以下几个方面:(1)本文提出基于小波图像融合的远距离跨光谱人脸识别方法。该方法将低质量远距离的红外人脸图像采用小波变换技术进行融合,进而改善其图像质量使之与近距离高质量的可见光人脸图像质量对等化。为了验证方法有效性,我们首先使用锐度测量工具对融合后的图像进行质量评估,结果表明红外图像经融合之后其质量有明显改善。然后使用Gabor+WLD+LBP+GLBP算子进行人脸匹配试验,结果表明该小波融合方法在跨光谱人脸数据集TINDERS上EER更低,识别准确率有显著提高。(2)针对人脸遮挡将会导致跨光谱人脸识别性能在一定程度上急剧下降的问题,本文采用眼周部位进行身份认证,并研究跨光谱眼周识别技术。由于截取自人脸的眼周图像通常分辨率低,而有效信息的缺失将会影响最终的识别性能。本论文因此提出基于深度学习的超分辨率方法来对低分辨率的眼周图像进行放大,有效增加眼周区域。结果表明,采用超分辨率的眼周识别准确率显著超过直接进行眼周识别的准确率。另外,本文还对比了基于插值的简单眼周放大方法,结果表明本论文的超分辨率眼周放大在重建图像评估指标PSNR以及SSIM方面效果更佳。(3)本文研究了采用卷积神经网络进行跨光谱眼周识别的可行性。传统眼周识别大多依赖手工特征提取的方法,本文我们通过设计卷积神经网络来解决该问题。我们首先对跨光谱眼周数据集进行了扩充,并针对超分辨率重建前后的跨光谱眼周数据集构建了卷积神经网络模型PeriocularNet来提取跨光谱眼周特征。实验表明,在跨光谱眼周数据集Pre-TINDERS以及TINDERS上,该网络模型的识别性能优于传统的方法,EER更低,GAR更高。此外,针对于超分辨率前和超分辨率后分别设计了PeriocularNet-11以及PeriocularNet-15两个神经网络。实验表明超分辨率后的PeriocularNet-15模型优于超分辨率前的PeriocularNet-11模型。