超低分辨率人脸识别

本项目以解决低分辨率人脸图像的识别问题为目标，研究基于低分辨率人脸图像的超分辨率理论和人脸相似度估计理论，建立基于人类视觉识别和机器识别的人脸识别算法。在深入理论研究的基础上，本项目拟从两方面解决基于低分辨率图像的识别问题：一方面从低分辨率图像中重构高分辨率图像用于基于人类视觉的人脸识别。另一方面拟直接从低分辨率图像中估算人脸相似度和提取判别性特征,以用于基于计算机的自动人脸识别。. 本项目着重研究以下五方面内容：1）紧致的全局人脸表达模型及其理论；2）非精确人脸图像对齐下的局部高分辨率图像重构方法； 3）基于人脸特性的全局模型和一般图像特性的局部模型的最优化理论和方法，以及结合两者用作高分辨率图像的恢复； 4）高低分辨率图像在不同空间下之间关系的基础理论; 5）基于核空间低分辨率图像相似度的基础理论。

本项目面向从监控视频中进行人脸识别的实际应用需求，针对目前我国通用的视频监控所采用的摄像系统的所摄制的人脸图像没法达到人脸识别系统所要求的分辨率的问题，从统计计算理论出发，密切联系实际应用需求研究出发展开深入了研究。在图像超分辨率、特征融合、人脸数据安全保护等方面深入研究现有视频监控条件下人脸识别的计算模型和核心技术。同时，针对实际应用需求，在人脸追踪、行人再标识等方面也取得了较丰硕的成果。.通过本项目的研究，取得了一批有意义的研究结果。特别是在以下几个方面取得了具有较大创新性的成果。.1. 针对现有图像超分辨率方法进行低分辨率人脸识别的不足，提出了在相似性保持假设的不满足时使用纹理上下文约束的视觉词汇的图像超分辨率重建方法，以及在低分辨率人脸图像对齐不准，也能有效进行超分辨率的方法。.2. 从一般的特征融合和分类器融合理论方法出发，提出了独立性假设不成立情况下的分类器线性依赖性模型和特征线性依赖性模型，并以此提出了第一种使用类别信息的人脸超分辨率算法。针对人脸等视觉图像的特点，进一步提出了缩减的解释依赖性模型。.3. 有效的低分辨率的人脸跟踪算法是包括自动人脸识别在内的基于人脸的智能应用实现的重要前提条件。为此项目组提出用于低分辨率的人脸跟踪算法，通过描述人脸外观的全局性的固有特性，做到既不依赖于特定的人脸模型也不受一般光照变化的干扰，从而能有效描述低分辨率的人脸图像。针对视觉跟踪中跟踪目标的外观变化问题，也提出了一种基于联合稀疏表示方法在特征层次上进行多线索(多特征)融合的跟踪算法。.4. 生物特征模板的安全性和保密性是生物特征识别的一个重要课题。项目组指出了现有的二进制人脸模板的安全性上的不足，针对此弱点提出的攻击算法证明了伪装攻击对二进制人脸模板的威胁。.5. 低分辨率视频中动作识别和人体图像识别方法可作为辅助识别手段提高人脸识别的准确率和效率。为此，提出了利用空间信息和姿势时间构造流形上拓扑的动作识别算法，以及可用于大规模摄像机网络的行人再标识模型。.6. 针对有遮挡的人脸识别和半监督学习的环境分别提出了有效的新学习方法。.该项目共攻发表学术论文17篇，其中IEEE Trans.刊物的论文3篇，被SCI检索论文9篇，被EI检索论文16篇。在本项目资助下发表的论文，已经被google scholar引用127次。本项目已经培养博士8名、硕士研究生5名。