基于特征學習與相似度度量學習的人臉確認研究.pdf

1、人臉識別技術分為人臉辨識和人臉確認兩類不同的任務，人臉確認指的是預測一對人臉圖像是否表示同一個人。在無約束條件下，受復雜背景、人臉表情、姿勢以及光照等影響，人臉圖像較大的類內(nèi)變化已成為人臉確認研究的主要挑戰(zhàn)。針對無約束條件下的人臉確認問題，圍繞相應的特征提取與度量學習方法展開研究，本文具體工作如下：
　?。?）在特征提取方面，本文利用無監(jiān)督特征學習的思想，實現(xiàn)了人臉局部特征的自動提取。首先，給定的人臉圖像塊訓練集，基于自稀疏編碼器

2、學習一系列局部濾波算子（Sparse Auto-Encoder Based Local Descriptor, SAELD），與傳統(tǒng)的手工特征相比，學習的濾波算子具有更好的魯棒性和判別性。然后，基于學習的濾波算子對每幅圖像進行卷積操作以及非線性映射，從而獲得豐富的空間信息。為去除冗余信息，本文對卷積圖像進行池化操作并采用白化主成分分析進一步降低特征維度，同時噪聲得到抑制。最后本文結(jié)合相似度度量模型完成人臉確認任務，在LFW（Labele

3、d Faces in the Wild）數(shù)據(jù)集上驗證了本文所提出的特征提取方法的有效性。
　　（2）在度量學習方面，本文提出了一種加權子空間相似度度量學習方法。首先在類內(nèi)人臉對上具有權重的類內(nèi)協(xié)方差矩陣，從而得到具有魯棒性的類內(nèi)子空間。將人臉特征投影到類內(nèi)子空間，降低人臉特征的類內(nèi)變化。然后，本文將人臉對的先驗信息加入到相似度度量模型中，并改進了正則項函數(shù)，從而確保學習的距離度量具有類內(nèi)魯棒性和類間判別性。最后，根據(jù)結(jié)合學習的距離