论文部分内容阅读
本文对基于人脸属性的近红外和可见光(NIR-VIS)异构人脸识别方法进行研究。近红外(NIR)与可见光(VIS)图片分别由近红外光和可见光成像得到,成像机制的不同造成了两种图片巨大的差异。NIR-VIS异构人脸识别是指根据NIR图片和VIS图片的比对计算来进行人脸识别;然而通常的可见光和可见光(VIS-VIS)同构人脸识别,比对计算的图片均来自VIS域。因而NIR-VIS异构人脸识别有别于VIS-VIS同构人脸识别,算法不仅需要克服表情、姿态和光照强度等干扰因素,而且需要能有效地应对图片异构给人脸识别带来的影响。为提高NIR-VIS异构人脸识别性能,本文研究了基于人脸属性的NIR-VIS异构人脸识别方法。该方法通过多任务学习将人脸属性预测与NIR-VIS异构人脸识别结合起来,旨在利用属性预测任务促进异构人脸识别;同时在人脸分类和跨域学习模块,该方法利用最大软间隔损失(Softmax loss)和三元组损失来学习异构不变的人脸特征表示。本文主要工作包括总结出统一的NIR-VIS异构人脸识别框架,VIS和NIR人脸数据库属性提取,VIS域人脸识别和属性预测多任务学习,基于人脸属性的NIR-VIS异构人脸识别四大部分。本文在对比分析各主流算法后,总结出统一的NIR-VIS异构人脸识别框架,该框架可以将主流的NIR-VIS异构人脸识别算法统一起来。对比分析发现跨域学习是NIR-VIS异构人脸识别至关重要的一环。基于此框架,本文研究了基于人脸属性的NIR-VIS异构人脸识别算法。在VIS和NIR人脸数据库属性提取部分,为提升属性预测的准确性,本文采取投票策略来确定每人的人脸属性。在VIS域人脸识别和属性预测环节,通过不同学习方式的对比,确定了最佳的多任务学习方式。多任务和单任务学习算法的对比分析,论证了人脸属性预测对人脸识别任务的促进作用。在NIR-VIS域的人脸识别部分,设计了人脸分类和跨域学习模块,利用Softmax loss和三元组损失学习异构不变的人脸特征表示,分析了特征归一化和尺度放大对于三元组损失的重要性。通过对比实验,确定了多任务学习中属性预测任务的最佳学习策略。最终的评估结果表明在rank-1指标上,本文算法优于大部分主流识别算法,仅略低于CDL算法的性能;而在假阳率等于0.1%的验证指标上,本文算法要优于主流的识别方法。