[00526277]姿态鲁棒人脸识别算法研究

　　该项目为教育部“新世纪优秀人才支持计划”项目（批准号：NCET-13-0683）。该项目取得的主要研究成果如下：

　　1.姿态和光照变化下的鲁棒识别：国际上普遍采用姿态和光照密集采样的海量人脸图像作为训练样本，学习得到具有不变性的人脸特征。然而，实践中采集此类训练样本的代价巨大，造成实用精度无法提高。课题组在已有的人脸通用三维模型下，引入光照迁移，从单幅图像生成任意姿态和光照条件下的新人脸，为后续量化姿态区间的分类器提供海量虚拟训练样本，在美国Multi-PIE数据库上获得发表时的最高识别率，识别率从80.7%提高至91.1%。此外，为了避免上述方法在大规模识别中的存储和效率问题，课题组提出了姿态和光照联合归一化方法，解决了学术界对物体自遮挡部位光照估计的难题，实现了任意姿态和光照变化人脸的统一处理和识别。

　　2.复杂环境下的综合问题：除了姿态和光照，复杂环境下的人脸识别问题还叠加了表情、遮挡、化妆、图像质量等因素，是一个综合的问题。深度特征学习是目前应对复杂环境人脸识别最有效的技术，然而，Softmax目标函数过早进入饱和状态常导致人脸特征的区分性不足。以DeepID为代表的多任务网络一般通过附加样本距离损失函数来增强深度特征的区分性，但样本和参数选择导致训练十分困难。为了避免这种困难，课题组通过在目标函数中添加随机噪声项，直接延迟网络学习的饱和状态，进而提出了基于加噪Softmax的判别性深度特征学习新方法。该方法不仅训练操作简单，而且在LFW人脸验证评测上取得了99.3%的单一网络准确率，超过香港中文大学的DeepID2和Facebook的Deepface方法。

　　3.细粒度人脸识别新问题：课题组采用众包方式从LFW的图片集中选择出3000组外貌形似的人脸作为负样本，代替原数据库中的随机人脸对，构造出新的“细粒度”LFW基准测试。在此新基准测试下，原来接近完美性能的深度学习算法只能获得93%左右的准确率，明确地揭示了深度学习方法在细粒度人脸验证问题上尚不完善。同时，该数据集的人工标注准确率也仅有92%，为研究人类如何区分相似脸提供了独特的平台。