基于高分辨率图像的人脸识别理论和方法

近年来，以传统较低分辨率图像（一般两眼距离小于90像素）即可满足识别要求的人脸识别技术遇到了怎样进一步提高识别性能的瓶颈。而随着高分辨率成像技术的发展，利用高分辨率人脸图像提供的肤纹特征（毛孔、褶皱等）、奇异点特征（雀斑、痣、胎记等），以及近红外高分辨率人脸图像上的虹膜特征，与传统的人脸识别特征相融合，以在基本不影响人脸识别使用方便性的前提下提高人脸识别技术的性能成为一个发展研究方向。本项目针对这个问题，研究基于高分辨率图像的人脸识别理论和方法，用图像匹配的观点来统一看待以上各种特征的识别问题，重点解决以上各种特征的表示和描述，及其匹配方法的问题。同时指出人脸图像是由以上各种特征及其相互关系共同刻画的，因此在融合的时候应充分考虑各种特征之间的关系，才能取得更好的识别性能。项目组具有良好的人脸识别研究工作基础，研究的软硬件条件基本齐全。本研究必将进一步推进人脸识别技术在国家安全等领域的应用。

人脸识别技术在国家安全、公安刑侦、电子护照等方面具有广阔的应用前景，同时也是计算机视觉领域具有挑战性的困难问题。. 本项目以提高目前人脸识别技术的性能为研究目标。基于目前高清晰度成像技术的发展，所获取的高分辨率人脸图像，除了可以提供传统的2D人脸纹理信息以外，还可以获得一些新的信息，例如：人脸上的肤纹、痣和胎记等。因此，充分利用这些信息与传统的2D纹理信息相融合可能进一步提高人脸识别技术的性能。另外，本项目还研究了器官特征点定位、分类器设计、姿态变化和光照变化等与高分辨率人脸图像识别相关的一系列问题。. 项目已按计划圆满、超额地完成。具体来说，所取得的研究结果有：. （1）在基于高分辨率图像的人脸肤纹、奇异点等特征识别方面，用图像匹配的观点来统一看待以上各种特征的识别问题，并将这些识别问题放在一个统一的框架内进行解决。在对整幅图像进行统一的表示和描述的基础上，提出了一种基于区域相关性的图像匹配方法。同时将所提出的方法与传统人脸识别算法相融合。研究表明，利用高分辨率人脸图像进行人脸识别可显著提高传统人脸识别技术的性能。. （2）在人脸图像的精确器官定位研究方面，以基于统计学习方法为总体思路，研究了基于主动形状模型和随机森林分类器的多姿态人脸器官特征点定位算法，以及在多视角主动表象模型框架下的人脸器官特征点跟踪方法，实验表明这些方法都能得到很好的定位精度。. （3）在人脸识别算法的分类器设计方面，提出了一种针对人脸识别开集和小样本特点适用的分类器鉴别学习算法和一种基于Bayesian分类器的人脸验证方法，大量实验结果证明了以上算法的有效性。. （4）在解决困难的人脸大姿态变化问题方面，提出了了一种基于3D可形变模型的全自动人脸姿态校正算法。实验结果表明该算法能极大提高大姿态人脸变化时的识别性能。. （5）在解决困难的人脸光照变化问题方面，提出了一种无需3D模型的只基于一张正面光照样本来产生不同光照情况下人脸图像的方法。实验结果表明这些产生的图像有助于提高人脸识别算法对于光照变化的适应性。. 本项目共发表论文13篇，其中：SCI收录3篇，EI收录10篇（有3篇同时被SCI收录），ISTP收录1篇（同时被EI收录）。另外还新申请发明专利1项。所研究的人脸识别技术授权给韩国三星和腾讯等知名公司使用。