PDF《指导教师：杨涛》

数字图象处理作业 The task of Digital Image Processing 指导教师: 杨涛 提交时间: 2016/3/19 CVPR2015 Paper Translation No:

01 姓名: 冯益民 学号:

2013302474 班号:

10011301 数字图象处理作业 The task of Digital Image Processing 基于现实世界人脸识别的分级 PEP 模型 Haoxiang Li, Gang Hua 斯蒂文斯理工学院 Hoboken, NJ

07030 {hlil8, ghua}@stevens.

edu 摘录 姿态变化仍然是对现实世界人脸 识别准确性产生不利影响的主要因素 之一.在最近提出的概率弹性部分 (PEP)模型和在一系列视觉任务中深 层次结构的成功的启发下,我们提出 了分层-PEP 模式尝试解决无约束人脸 识别难题.我们基于面部表示,分级 采用 PEP 模型按照不同层次的细节将 面部图像分解为脸的局部,来建立姿 态不变的部分.从底向上遵循分层结 构,我们在每一层堆叠面部局部表示, 分别降低其维数,从而一层接一层地 聚集面部局部表示层,建立一个紧凑 不变的面部表示.分层-PEP 模型利用 了面部局部在不同级别细节下的细粒 结构来解决的姿态的变化.它也受在 构建面部局部/面部表示的监视信息 的指导.我们凭经验在两个公共基准 和一个基于图像和视频人脸验证的人 脸识别挑战中验证分层 PEP 模型.使 用了最先进技术表现证明了我们方法 的潜力. 1.介绍 现实世界的人脸识别, 困难源于各 种视觉变化,包括表情,光照,姿态 等等.姿势的变化是其中的主要挑战 之一.同一张脸在不同的姿势下互相 看上去截然不同,如图

1 所示,特克 等人【47】和贝尔胡米尔等人【4】的 早期作品,在这个区域聚焦于识别高 准直性的正面人脸.他们凭经验证明 人的正脸可以被投影到一个低维的在 光照和面部表情上从不变到改变的子 空间【4】 .这项观察强调了处理姿态 变化的重要性,因为它大大地有助于 缓解其他视觉变化的不利影响. 一系列的研究通过生成相同视角 的按姿态变化配对的面部图像来处理 这个难题例如,帕布等人【40】利用 三维人脸模型将人脸图像旋转到一个 看不见的视野.朱等人【54】利用深 层神经网络直接训练来预测从 图1, 姿态变化: 相同的人从不同的姿态观 察. 多视角的人脸图像到标准视角变换的 方法,来恢复标准视角的人脸.使用 这种方法,他们试着整体排列人脸来 减轻姿态的变化. 另外一套方法凭借定位面部标记 来建立姿态不变的人脸表征【10,15】 . 例如,陈等人【15】连接面部标记周 数字图象处理作业 The task of Digital Image Processing 围密集的容貌特征来建立人脸表征. 姿态不变形用这种方法实现,因为它 总是从面部标记周围的面部局部抽取 容貌特征而不关注它们在图像中的位 置. 弹性匹配方法【20,29,30,50】归 纳出这个方案.李等人【29,30】提出 从面部图像碎片无监督地学习的概率 弹性部分(PEP)模型.PEP 模型是局 部模型和每一个隐式定义一个面部局 部的混合物. PEP 模型从这些不同姿态 的人脸的面部局部中寻找图像碎片. 然后通过从这些筛选的图像碎片中连 结容貌特征来构建人脸表征. 这个过程――定位人脸局部和堆 叠容貌特征来建立人脸表征――被陈 等人【15】和李等人【29】证明是有 效的.在提取面部局部特征方面,陈 等人【15】使用高维成堆的 SIFT 特征 和李等人【29】简单使用 SIFT 容貌特 征.尽管低阶的特征像 SIFT 现在的部 分不变到局部变化,我们主张使用这 些低阶特征的缺乏说服力的密集提取 物直接描述人脸部分可能并不是最理 想的. 在这项工作中, 我们打算建立一个 更好的人脸局部模型来构建一个改进 的人脸表征.我们的方法是基于 PEP 模型【29】来构建以人脸局部表征位 基础的概率弹性部分.在我们的方法 中,我们在一个分层方式中使用不同 级别的细节来塑造人脸局部.此外, 我们通过定位人脸局部的微妙的结构 和堆叠不同级别容貌特征一起来建立 人脸局部表征.用这个方法,我们在 一个分级结构上构建姿态不变的人脸 表征.我们把这种新的模型命名为分 级PEP 模型,这种新的局部的局部的 人脸表征称为 POP-PEP. 这种分级结构可能会产生一个维 度很高的人脸表征.我们通过构建人 脸局部表征中有差别维数的减小来避 免这个缺点.此外,这种维数减小的 应用来源于底部水平,这种底部水平 取决于主要成分分析(PCA)和线性鉴 别嵌入(LDE) 【16】的简易网络下的 完整人脸.这种相似的技术之前已经 被西蒙尼扬【42】和张【12】等人采 用.张等人【12】提出带有级联 PCA 的一个简易深度网络.西蒙尼扬等人 【42】反复进行 PCA 和空间堆叠来形 成一个简易深度网络. 在这项工作中, 我们使用一个现实 的聚集局部表征的结构,进一步完善 了监督信息.我们反复堆叠精细人脸 局部结构的表征,并且采用有差别的 维度减小.我们凭经验验证我们实验 中这种设计的可行性(详情请看第四 部分) . 在这项工作中我们的贡献可以称 得上是一箭三雕: 为了改善姿态不变,我们提出一 个分级 PEP 模型来利用不同级别细节 的精细人脸局部结构. 我们提出一个有差别的维度减小 的简易网络来将人脸局部表征整合为 一个紧凑而又差别的人脸表征. 我们在两个公共人脸验证基准和 数字图象处理作业 The task of Digital Image Processing 一个人脸识别挑战上实现了最先进技 术的表现. 2.相关工作 人脸识别在过去数十年里称为一 项活跃的研究.最近,设计精良的负 载的人脸识别基准【24,48】和不断涌 现的人脸技术应用促进了许多现实世 界人脸识别方法的发展.【23,3,5,6,9,13,18,28,32,34,35,4 4,46】 . 为了构建姿态不变人脸表征, 之前 的工作被建议使用 3D 信息明确地寻址 姿态不变.例如,帕布【40】等人使 用3D 人脸模型将图库人脸图像旋转到 调查图像的评估视角;