基于正则化非线性回归的异质人脸识别研究

异质人脸识别是近年来人脸识别领域中发展起来的一个新方向，其目的是研究不同类型图像之间的人脸识别方法，以提升人脸识别技术的应用范围和适应性。由于图像性质不同，异质人脸识别比传统的人脸识别更具有挑战性，本项目将以近红外－可见光人脸识别为例，从人脸的光照物理模型入手，分析近红外－可见光人脸空间结构之间的异质性，揭示异质人脸识别问题的复杂性。通过分析已有的异质人脸识别方法，提出基于正则化非线性回归的异质人脸识别框架；在此框架下，首先研究基于半监督学习的公共子空间构造方法；然后，研究适用于异质空间的非线性回归方法，将两个高维异质空间映射到上述公共子空间中，在此子空间中使用传统方法进行人脸识别；为了缓解非线性回归中的过学习问题，还将研究基于先验信息的正则化方法，对其进行约束。本项目的成果，可以提升异质人脸识别的性能，推动人脸识别技术的发展，使得人脸识别技术在国家安全领域中发挥更大的作用。

本课题对异质人脸识别问题进行了研究，涉及的具体问题包括：近红外-可见光人脸识别和画像-照片人脸识别。首先研究了光谱鲁棒的特征表达，该特征在HFB数据库上取得了当时最好的性能。为进一步提升性能，我们随后提出了一种基于矢量Boosting的异质人脸识别方法，但该方法在小数据上易过学习，因此我们构建了一个包含七百多人的最大近红外-可见光人脸数据库NIR-VIS 2.0，并基于此库进行进一步研究。在NIR-VIS 2.0上，继续尝试了Boosting和深度度量学习，这两种方法仍然容易过学习。最后我们按非监督学习的思路提出了一种基于多模态受限玻尔兹曼机的识别方法，在HFB、NIR-VIS 2.0、CUFS和CUFSF上均取得了当前最好性能，并达到了项目预期性能。