视觉感知启发的单样本人脸特征表示与识别方法研究

Face recognition technology has achieved significant progresses in the past several decades. However, uncontrolled face recognition still encounters many problems. Moreover, single sample per person (SSPP) problem makes face recognition more difficult because the information contained in one single sample is extremely limited. Based on the fact that human visual perception system has strong ability of face recognition, this project focuses on several key issues in SSPP face recognition by utilizing the working principles and phenomenons of human visual perception system. Firstly, to shrink the semantic gap under SSPP condition, a face feature representation method in accordance with visual perception will be explored. Meanwhile, a union framework containing feature representation and classification will be constructed to effectively inegrate the two key steps of face recognition. Secondly, a low-rank representation model that is feasible to SSPP problem will be investigated by extracting image local structures. Block-sparse and manifold structures are respectively utilized to enhance discriminability. Finally, by making use of the visual perception characteristics during human face recognition, we plan to study effective fusion of global and local information, design an information fusion framework based on entropy theory, and construct a sparse representation model fusing global and local information, thus pushing forward the theoretical research of hybrid methods in SSPP face recognition. This project will theoretically push forward the development of SSPP face recognition and practically promote the spread and application of face recognition system.

人脸识别技术发展至今已经取得了显著进展，但非可控条件下的人脸识别仍然存在很多问题有待解决，而单样本问题则进一步加大了非可控人脸识别的难度。人类视觉感知系统具有强大的人脸识别能力，本项目拟借鉴其工作原理和现象对单样本人脸识别中的若干关键问题展开研究。首先，研究符合视觉感知的人脸特征表示方法以缩小单样本情况下的“语义鸿沟”，构建特征表示与分类一体化框架以有效关联人脸识别的两个关键步骤；其次，利用图像局部结构信息，研究适应单样本的低秩表示模型，通过块稀疏和流形结构增强鉴别能力；最后，基于人类视觉在人脸识别过程中的工作特点，研究全局与局部信息的有效融合，包括设计基于熵理论的信息融合框架、建立融合全局与局部信息的稀疏表示模型，从而推动单样本人脸识别中混合方法的理论研究。本项目将在理论上推动单样本人脸识别技术的发展，并在实际中促进单人脸识别系统的推广和应用。

人脸识别技术发展至今已经取得了显著进展，但非可控条件下的人脸识别仍然存在很多问题有待解决，而单样本问题则进一步加大了非可控人脸识别的难度。人类视觉感知系统具有强大的人脸识别能力，本项目拟借鉴其工作原理和现象对单样本人脸识别中的若干关键问题展开研究。首先，针对单样本情况下人脸的特征表示与高层类别信息间存在“语义鸿沟”问题，本项目提出了一种基于半监督子块联合回归的单样本人脸识别方法，将特征表示过程融入到线性回归过程中，通过对映射矩阵加入L21范数约束实对特征的稀疏选择和描述，该算法通过线性回归搭建特征表示与分类一体化框架，将特征表示和分类两个传统上独立的人脸识别步骤融合到一个模型中，该方法同时提出了利用测试样本学习人脸变化的思想，并从理论上证明了通过等距嵌入可以去除测试人脸图像中的人脸变化对分类的影响。其次；项目组从语义的角度出发提出了一种基于多阶段K近邻协同表示编码的词袋模型，该方法可以提取中层语义特征，弱化高层语义和底层特征间的语义鸿沟以提升单样本情况下的人脸识别性能。然后，项目组提出了一种基于块稀疏结构的低秩通用表示学习方法，首次将低秩表示应用于了单样本人脸识别领域，并同时利用了测试数据集的结构信息和通用数据集的变化信息，解决了单样本情况下单张人脸图像无法描述其所对应的子空间和低秩过程导致的鉴别性降低的问题。最后，项目组提出了一种同时利用数据的全局与局部结构的结构化的稀疏表示方法，通过对所有局部块的联合求解来解决传统的局部方法对每个局部子图像单独分类所导致的多个局部子图像间的潜在关系被忽视的问题。以上研究成果都是在人类视觉感知启发下提出的，有利于推动单样本人脸识别技术的理论发展，促进单样本人脸识别技术的实际应用与推广。