基于流形学习的视频人脸识别方法研究

Over the past several decades, face recognition has been the most important topic and draws much attention in the field of computer vision and artificial intelligence. With the increasing popularity of such application as video surveillance and sharing, it is more and more pressing to the technology of face recognition for video, which can learn more space-time information within videos to improve the accuracy rate and has been one of the hottest theme in face recognition area. Aware of the superiority of manifold learning on face recognition, the richer cognitive feature in video face sequences than in static face images and the high dimension of face data, we naturally realize that manifold based algorithms can play a better role in face recognition for video. Our work, based on the research to the optimization of manifold learning, aims to solve the specific problems of manifold learning in face recognition for video, then find an effective way for manifold based methods, thus promote the development of face recognition technology for video.

在几十年的国际计算机视觉及智能计算研究中，人脸识别始终是最重要的难题 之一并吸引了大量研究工作人员的兴趣。随着视频监控、视频分享等应用的普及，视频人脸 识别技术的需求也日益迫切。基于视频的人脸识别可以利用视频中的时间及空间信息增加识 别的准确度，近年来成为了人脸识别领域的研究热点。本项目认识到了流形学习方法在人脸 识别领域的独特优势，而视频人脸具有比静止人脸更丰富的认知特征，而作为非线性数据的 维数也更高，很自然的一个想法是基于流形学习的算法应该可以在视频人脸识别上表现优 异。本项目准备在前期对流形学习方法的优化研究基础上，致力于解决困扰流形学习方法应 用于视频人脸识别时遇到的一些具体问题，找到使流形学习方法成功应用于视频人脸识别的 有效途径，从而推动视频人脸识别技术的发展。

本项目按预定计划，完成了文献调研，理论研究，算法设计，数据处理和实验验证等工作。首先，我们针对视频特性，例如训练样本中目标漂移和光照姿态变化巨大等，分别提出了基于稀疏优化和基于低秩约束的流形学习视频人脸识别算法，设计了适合多态图像环境的近邻图方案。其次，针对有完整且良好标记的视频训练样本少的问题，我们提出使用迁移学习的方法从图像数据中学习知识，并将训练的模型迁移到视频的识别中，实现图像辅助视频分析。最后，我们利用稀疏模型，低秩模型，深度模型和迁移模型实现了一组视频人脸识别原型系统，并在公开的标准数据集和实际应用场景中验证了算法的有效性和先进性。本项目圆满完成了预定的研究目标和成果目标，代表成果包括了2篇CCF A顶级会议论文，2篇JCR一区期刊论文以及三篇JCR二区期刊论文，同时在成果应用转化和交叉学科的研究中有所突破。