基于流形理论和稀疏表示的低质量图像人脸识别算法研究

More and more face recognition systems are applied under unconstrained conditions for public security. This is a great challenge to classical face recognition algorithms. The experiments indicate that the performances of existing face recognition systems decline rapidly under the unconstrained conditions. In this project, we plan to resolve the unconstrained face recognition problem from the prospective of machine learning. The key problems in this project are 1) how to extract the most essential features from the low-quality images when the information of a single pixel is no longer reliable, 2) how to segment the face images without tempering the discriminative power and apply the segment method to images with occluded faces, and 3) how to apply the sparse representation of data to construct a fast, robust classifier. The concrete research of this project include three folds: 1) a new and effective manifold learning theory for the feature extraction of low-quality images, 2) a fast and incremental subspace optimization model for our manifold learning algorithm and 3) a ensemble classifier based on the global and local features for occluded face recognition.

随着公共安全方面需要的增长,更多的人脸识别应用需要在图像质量不可控的情况下使用。然而低质量图像给人脸识别带来了非常大的挑战，现有的识别系统在这样的情况下性能下降非常快，不能达到实用水平。本项目拟针对低质量图像的人脸识别问题，从机器学习的角度开展创新性的研究工作，力求实现在低质量图像人脸识别问题中若干关键问题的突破性进展。项目的难点体现在：1)如何在单个像素信息不可靠的情况下提取低分辨率高噪声人脸图像整体的本质特征，2)如何实现不减弱判别性能的人脸图像分割采样方法并将其用于解决人脸被遮挡情况下的识别问题，和3)如何利用稀疏编码中的判别信息实现快速、对噪声和遮挡鲁棒的分类算法。根据本项目的难点，我们的具体研究子目标包括1）新型的流形学习理论用于低质量人脸图像的本质特征提取，2）一种增量、可在线更新的子空间优化模型，和3）基于人脸局部特征和全局特征有效结合的集成分类算法用于遮挡情况下人脸识别。

人脸识别是模式识别研究领域最重要的研究课题之一，也是国内外都非常活跃的研究方向。然而，现有的人脸识别算法在获取人脸图像低质量的情况下性能下降非常快，不能达到实用水平。本项目围绕着低质量图像的人脸识别问题，从机器学习的角度开展了一系列创新性的研究工作，力求在低质量图像人脸识别问题中的实现若干关键科学问题方面取得有益的进展。具体地来说，本课题提出了关于人脸识别中的特征学习、分类器实现等问题的几种有效解决方案，其中包括：(1)针对低质量人脸图像数据，研究基于流形学习理论的本质特征提取新方法，以实现比现有方法更鲁棒的本质特征提取，并将其用于人脸图像数据的半监督分类，课题组相关的国际论文目前合计他引5次；(2)基于人脸数据分布的流形特征，研究了一类既能保持同类人脸内部的几何结构，也能保持人脸间本质区别的多流形学习新方法，课题组相关的国际会议论文已经他引5次；(3) 针对超高维数据，研究增量、在线可更新的子空间优化模型，使得我们能够得到人脸图像的有效表示，从而提升识别效果，相关工作申请了发明专利并发表在国际期刊上；(4) 研究新的基于数据非负稀疏表示的集成分类器理论与方法，并将其用于鲁棒人脸识别，课题组相关的研究论文目前已有5次他引。总地来说，课题组在本项目的资助下共完成了6篇SCI检索的国际期刊论文，3篇CCF-A和3篇CCF-B类国际会议论文，以及1篇《中国科学-自然科学》期刊论文，并且申请了4项发明专利，课题组在短期内获得了一定的国际影响力和产业界的关注。