非限制环境下人脸识别关键技术研究

Face recognition has long been a hot research subject in computer vision and pattern recognition field. Face recognition in unconstrained environments is even more challenging due to the variety and unpredictability of illumination, pose and face image quality. In order to effectively solve the above problems, we will make deep research in this project to obtain the key approach of unconstrained face recognition, which include:.(1).Deep research will be made on the 3D-model based face recognition for solving large pose variations. Our work will be concentrated on two problems, i.e. how to generate 3D models from any single 2D images and how to represent 3D face with using multiscale descriptors..(2) Deep research will be made on the face recognition under varying illumination conditions. Our work will be focused on two problems, i.e., how to obtain the illumination-invariant facial features under Non-Lambertian assumption and, how to solve the illumination problem with Sparse Representation under weak image alignment constraint. .(3).Deep research will be made on face super-resolution (SR) techniques. We will find a new approach to learn the nonlinear relationship between the high-resolution image space and the very low resolution image space for face SR. Moreover, we will investigate how to introduce the semantic model in the traditional SR framework..If this project will be carried out, we will obtain the improvements in the theory and techniques about face representation and very-low-resolutation image reconstruction. Finally, we expect a new real-world face recognition system will be implemented based on the algorithms which will be deeply investigated in this project.

人脸识别一直是计算机视觉和模式识别领域的研究热点，而非限制环境下的人脸识别，由于姿态、光照的多样性以及图像质量的不可预见性，更富有挑战性，近年来成为新的关注点。围绕这些难题，本项目将展开如下研究：(1)拟研究基于三维模型的多姿态人脸识别技术，重点解决基于单一样本多姿态人脸图像的三维外形重建以及基于多层次描述的三维人脸表征等问题；(2)拟对极端光照变化下的人脸表征方法展开研究，重点解决非朗伯反射约束条件下的光照不变人脸特征提取以及松弛配准条件下的人脸稀疏表示问题；(3)拟对超低分辨率的人脸图像重构进行研究，重点解决多模态非线性关系学习以及基于语义约束的人脸超分辨率重构等问题。通过本课题研究，期望在三维人脸表征、光照不变人脸特征提取以及超低分辨率人脸图像重构等方面获得突破。最后，我们将利用本研究所得的新理论和方法，构建一个面向实际环境的人脸识别系统。

人脸识别一直是计算机视觉和模式识别领域的研究热点，而非限制环境下的人脸识别，由于姿态、光照、年龄、表情变化的多样性以及图像质量的不可预见性，更富有挑战性。围绕这些难题，在本项目资助下，我们开展了如下研究：（1）针对姿态变化问题，分别提出基于Gabor特征的权重分块稀疏人脸表示算法、基于跨模态核线性判别分析混合稀疏编码、基于多尺度跨模态深度网络联合金字塔判决异构模型等方法，解决了单个训练条件下多姿态人脸识别难题；（2）针对光照变化问题，我们提出了双树复小波算法、多流形稀疏格莱斯曼鉴别分析算法以及多流形典型相关鉴别分析算法，解决了可变光照人脸表征难题；（3）针对低分辨率图像质量问题，提出基于“核”技巧的耦合鉴别分析方法及其增强模型，我们将低分辨率非正面人脸图和高分辨率正面人脸图像分别映射到一个公共空间，在该空间进行特征提取。我们的方法考虑了多个鉴别因素并能对非正面低分辨率人脸进行鲁棒表征，这在当前研究中并不多见；（4）针对年龄变化问题，我们提出基于强化因子分析的跨年龄人脸识别算法，该算法能有效地将人脸身份与年龄信息分离，并采用最大后验概率法解决了人脸分类问题；（5）针对表情变化问题，我们提出基于流行正则化的双字典稀疏编码方法以及基于差值信息的卷积神经网络表达算法，上述算法能增强同类数据在结构上的内部关联信息，使图像的表示更具代表性。在本项目资助下，我们还对多视角步态特征表达以及基于深度学习的动作识别算法进行了深入研究，提出了一系列解决方案。本课题的研究涵盖了当前人脸识别研究的主要热点和难点问题，其理论意义和研究价值将是非常深远的。