应用于人脸识别的监督局部邻域保持嵌入算法

提出了一种应用于人脸识别的监督线性维数约简 算法。首先引入图像距离度量方法以确定人脸数据 之间的相似程度,之后将训练样本的类标先验信息融入到邻域保持嵌入(NPE,neighborhood preserving embedding)算法的目标函 数中,使得降维后的嵌入空间的投影数据呈多流形分布,不仅最优保持了样本空间的局部几 何结构,同时各类样本 投影的类内散度最小化,类间散度最大化,增大了各类数据分布之间的间隔,提高了嵌入空 间的辨别能力。在Extended Yale B和CMU PIE两个开放人脸数据库上进行了识别实验,结果表明,本文算法取得了很好 的识别效果。     

基于三元组损失函数的深度人脸哈希方法

大规模人脸数据集上的快速检索是人脸识别应用的关键问题。较短长度人脸哈希方法可降低人脸特征比对的计算量,有助于大规模人脸识别的应用。为此提出了一种基于三元组损失函数的深度人脸哈希方法,通过优化三元组损失函数训练深度卷积神经网络以提取图像深层特征,使得由该特征表征的同类图像在欧式空间中的距离尽可能小,不同类图像在欧式空间中的距离尽可能大;通过在深度网络后添加随机映射层,进一步将高维特征映射到低维空间,并通过阈值化将低维空间映射到汉明空间。在多个标准的数据集上的实验结果表明本文方法相比于现有其他方法的优越性。     

基于LLE与Fisher线性判别的人脸识别算法

为了提高基于流形学习理论人脸识别算法的识别率,采用一种将非线性降维与Fisher线性判别相结合的方法。首先利用邻域嵌入算法,将人脸图像测试和训练集的维数降低到合适维度,然后使用Fisher线性判别进行人脸数据集特征的提取,最后将测试集人脸图像特征和训练集人脸图像特征,使用最近邻分类器进行分类。在公开的Olivettifaces和ORL人脸图像数据库上,分别将该算法与几种经典基于流形学习理论的人脸识别算法进行了对比实验,实验结果表明当近邻数比较大时本算法识别率是最高的。     

基于受试者工作特征pAUC优化的人脸识别系统

基于深度学习的人脸识别技术在大量应用场景中表现出优于传统方法的性能,它们的损失函数大致可分为2类：基于验证的和基于辨识的。验证型损失函数符合开集人脸识别的流程,但实施过程比较困难。因此目前性能较优的人脸识别算法都是基于辨识型损失而设计的,通常由softmax输出单元和交叉熵损失构成,但辨识型损失并没有将训练过程与评估过程统一起来。本文针对开集人脸识别任务提出一种新的验证型损失函数,即最大化受试者工作特征(ROC)曲线下的部分面积(pAUC);同时还提出一种类中心学习策略提高训练效率,使提出的验证型损失和辨识型损失有较强的可比性。在5个大规模非限定环境下的人脸数据集上的实验结果表明,提出的方法和目前性能最优的人脸识别方法相比,具有很强的竞争性。     

基于可视数据的可信身份识别和认证方法

近年来,深度学习技术在基于视频和图像等可视数据的身份识别和认证任务（如人脸、行人识别等）中得到了广泛应用。然而,机器学习（特别是深度学习模型）容易受到特定的对抗攻击干扰,从而误导身份识别系统做出错误的判断。因此,针对身份识别系统的可信认证技术研究逐渐成为当前的研究热点。分别从基于信息空间和物理空间的可视数据身份识别和认证攻击方法展开介绍,分析了针对人脸检测与识别系统、行人重识别系统的攻击技术及进展,以及基于人脸活体伪造和可打印对抗图案的物理空间攻击方法,进而讨论了可视数据身份匿名化和隐私保护技术。最后,在简要介绍现有研究中采用的数据库、实验设置与性能分析的基础上,探讨了可能的未来研究方向。     

基于核正交局部判别嵌入的人脸识别

针对人脸识别中的非线性特征提取问题,提出一种基于核正交局部判别嵌入(KOLDE,kernel orthogonal local discriminant embedding)的人脸识别算法。首先通过引入基向量正交约束,得到OLDE算法,并给出算法的推导过程。然后为了更好地处理高度复杂非线性结构数据,将OLDE向高维空间扩展,在核空间提取图像的高阶非线性信息,得到核空间OLDE算法。在ORL和PIE库上的人脸识别实验验证了算法的有效性。     

Topology preserving non-negative matrix factorization for face recognition.

In this paper, a novel topology preserving non-negative matrix factorization (TPNMF) method is proposed for face recognition. We derive the TPNMF model from original NMF algorithm by preserving local topology structure. The TPNMF is based on minimizing the constraint gradient distance in the high-dimensional space. Compared with L(2) distance, the gradient distance is able to reveal latent manifold structure of face patterns. By using TPNMF decomposition, the high-dimensional face space is transformed into a local topology preserving subspace for face recognition. In comparison with PCA, LDA, and original NMF, which search only the Euclidean structure of face space, the proposed TPNMF finds an embedding that preserves local topology information, such as edges and texture. Theoretical analysis and derivation given also validate the property of TPNMF. Experimental results on three different databases, containing more than 12,000 face images under varying in lighting, facial expression, and pose, show that the proposed TPNMF approach provides a better representation of face patterns and achieves higher recognition rates than NMF.     

采用新型纹理特征的2DLDA人脸识别算法

针对现有基于纹理特征的人脸识别算法中纹理特征维数偏大且对噪声较敏感等不足,提出了用于描述人脸图像大尺度局部特征的中心四点二元模式（Center Quad Binary Pattern, C-QBP）和用于描述图像小尺度局部特征的简化四点二元模式（Simplified Quad Binary Pattern, S-QBP）两种互补的新型纹理特征。在此基础上,实现基于新型纹理特征的2DLDA人脸识别算法。首先对人脸图像进行多级分割,再对所产生的图像块提取C-QBP和S-QBP纹理特征,构建纹理特征矩阵。最后,采用2DLDA子空间学习算法实现基于新型纹理特征的人脸识别。实验结果表明,本文所提出的人脸识别算法的识别率明显高于其他基于纹理特征和子空间学习的人脸识别算法。当每一类训练样本数统一设置为5,特征维数为48×4时,在ORL人脸库上,本文所提出的人脸识别算法的识别率达98.68%;在YALE人脸库上,特征维数为48×36时,识别率达99.42%;在FERET人脸库上,特征维数为48×26时,识别率为91.73%。      

基于三元采样图卷积网络的半监督遥感图像检索

该文提出了一种基于三元采样图卷积网络的度量学习方法,以实现遥感图像的半监督检索。所提方法由三元图卷积网络(TGCN)和基于图的三元组采样(GTS)两部分组成。TGCN由3个具有共享权重的并行卷积神经网络和图卷积网络组成,用以提取图像的初始特征以及学习图像的图嵌入。通过同时学习图像特征以及图嵌入,TGCN能够得到用于半监督图像检索的有效图结构。接着,通过提出的GTS算法对图结构内隐含的图像相似性信息进行评价,以选择合适的困难三元组(Hard Triplet),并利用困难三元组组成的样本集合对模型进行有效快速的模型训练。通过TGCN和GTS的组合,提出的度量学习方法在两个遥感数据集上进行了测试。实验结果表明,TGCN-GTS具有以下两方面的优越性：TGCN能够根据图像及图结构学习到有效的图嵌入特征及度量空间;GTS有效评估图结构内隐含的图像相似性信息选择合适的困难三元组,显著提升了半监督遥感图像检索效果。     

Utility Preserved Facial Image De-identification Using Appearance Subspace Decomposition

Automated human facial image de-identification is a much-needed technology for privacy-preserving social media and intelligent surveillance ap-plications. We propose a novel utility preserved facial image de-identification to subtly tinker the appearance of facial images to achieve facial anonymity by creating"averaged identity faces". This approach is able to preserve the utility of the facial images while achieving the goal of privacy protection. We explore a decomposition of an Active appearance model (AAM) face space by using subspace learning where the loss can be modeled as the difference between two trace ratio items, and each respectively models the level of discriminativeness on identity and utility. Finally, the face space is decomposed into subspaces that are respectively sensitive to face identity and face utility. For the subspace most relevant to face identity, a k-anonymity de-identification procedure is applied. To verify the performance of the proposed facial image de-identification approach, we evaluate the created"averaged faces"using the extended Cohn-Kanade Dataset (CK+). The experimental results show that our proposed approach is satisfied to preserve the utility of the original image while defying face identity recognition.     

结合CNN不同层信息的全变量建模人脸特征表达学习方法

如何学习有效的人脸特征表达是人脸识别的关键性问题。现有基于卷积神经网络（Convolutional Neural Networks, CNN）的人脸深度特征表达学习方法大多在人脸图像经过了有效检测和校正的情况下，能够获得优异的性能，而在复杂场景下其推广性和鲁棒性受到极大限制。对此，本文提出了结合CNN不同层信息的全变量建模人脸特征表达学习方法，将提取的人脸局部深度特征中所包含的差异信息按照子空间进行建模，有效聚合局部深度特征的同时得到人脸在低维子空间的特征表达（iVector）。在IJB-A（IARPA Janus Benchmark A）上的实验结果表明，与现有的深度特征表达相比，该方法学习得到的人脸iVector表达能够显著提升人脸识别系统的识别性能和计算效率。      

融合复小波与零空间判别投射的人脸识别方法

提出一种新颖的零空间判别投射(NDPE)的子空间人脸识别方法。基于局部保持映射(LPP)和非参数判别分析方法,NDPF能够同时编码人脸数据流形的几何和判别结构,并且通过在零空间中求解特征值来克服小样本尺寸问题。为进一步提高人脸识别的准确率,提出融合双树复小波变换(DTCWT)与NDPE的方法。实验结果表明,所提人脸识别方法在ORL、Yale和AR人脸数据库上均取得了较高的识别率。     

一种融合流形学习的视频人脸性别识别改进算法

如何有效利用视频中人脸之间的时空连续性信息来克服人脸分辨率低、图像尺度变化大和姿态、光照变化以及遮挡等问题是视频人脸识别的关键所在.提出了一种基于流形学习的视频人脸性别识别算法.该算法不仅可以通过聚类融合学习来挖掘视频内在的连续性信息,同时能发现人脸数据中内在非线性结构信息而获得低维本质的流形结构.在UCSD/Honda和自采集数据库上与静态的算法比较结果表明,所提算法能够获得更好的识别率.     

基于核的正交局部保持投影的人脸识别

针对发掘人脸图像中的高维非线性结构,本文将加核及向量间相互正交两种思想同时引入局部保留投影算法中,提出了一种新的基于核的正交局部保持投影(Kernel based Orthogonal Locality Preserving Projections, KOLPP)的非线性子空间人脸识别算法并给出了其推导过程。该算法首先利用核的方法提取人脸图像中的非线性信息,并将其投影在一个高维非线性空间,在保证各向量正交的同时,通过局部保持投影算法做一线性映射,从而更好地提取人脸非线性局部邻域结构特征。在ORL和Yale人脸库上的试验证明了该文所提算法的有效性。     

基于卷积神经网络的大姿态人脸对齐方法

大姿态人脸对齐是人脸识别和三维人脸重构等很多重要视觉任务的先决条件。现有的对齐方法大多使用二维界标位置来进行对齐,且使用的界标数量有限,影响大姿态人脸对齐的准确性。提出一种采用三维形变模型(3DMM)来表示二维人脸图像,将具有任意姿态的人脸对齐问题建模为基于3DMM的拟合问题。采用基于卷积神经网络(CNN)的级联回归方法学习二维人脸图像及其表示之间的映射关系。提出2种新的姿态不变局部特征作为卷积神经网络学习的输入层,通过训练得到CNN用于大姿态人脸对齐。在2个经典的人脸图像数据集上的仿真实验结果表明,与目前最新的人脸对齐方法相比,该方法的效果较优。     

基于LLE和BP神经网络的人脸识别

利用LLE非线性降维方法提取人脸特征,然后将提取出来的特征输入到BP神经网络进行训练得到人脸类间的判别信息,进行人脸识别。利用LLE降维方法既能够降低数据维数,减少运算量,又很好的保留了各类人脸样本的拓扑结构,避免人脸图像光照、姿态等因素对人脸识别的影响。在ORL人脸库上的实验结果表明了,这种方法是有效的。     

Multi-manifold-based skin classifier on feature space Voronoï regions for skin segmentation

Skin segmentation is a crucial and a challenging step in many face and gesture recognition techniques and it has various applications in human computer interaction, objectionable content filtering, image retrieval and many more. In this article, we propose a novel skin segmentation method, which uses multi-manifold-based skin classification of feature space skin candidate Voronoï regions to achieve accurate skin segmentation. The state-of-the-art skin segmentation techniques reported in this article focus on discrimination between textural feature vectors belonging to skin and non-skin classes. In contrast, the proposed method focuses on discrimination between textural feature vectors belonging to skin and skin-like (non-skin) classes, which lead to higher skin classification accuracy. Furthermore, we introduce a novel image segmentation technique based on spatial and feature space Dirichlet tessellation (also called a Voronoï diagram) to achieve feature space segmentation of skin candidate regions of an image. These feature space segments will then be classified using a multi-manifold-based skin classifier. The proposed skin segmentation method was evaluated on two benchmark skin segmentation data sets and its results were compared with four other state-of-the-art methods proposed for skin segmentation. The experimental results reported in this article confirm that the proposed method outperforms the existing skin segmentation approaches in terms of false alarm rates in the skin segmentation process. Also, the proposed method results in the lowest minimal detection error compared to the existing methods reported in this article.     

基于改进哈希算法的图像检索方法

当前主流图像检索技术所采用的传统视觉特征编码缺少足够的学习能力,影响学习得到的特征表达能力。此外,由于视觉特征维数高,会消耗大量的内存,因此降低了图像检索的性能。文中基于深度卷积神经网络与改进的哈希算法,提出并设计了一种端到端训练方式的图像检索方法。该方法将卷积神经网络提取的高层特征和哈希函数相结合,学习到具有足够表达能力的哈希特征,从而在低维汉明空间中完成对图像数据的大规模检索。在两个常用数据集上的实验结果表明,所提出的哈希图像检索方法的检索性能优于当前的一些主流方法。