《基於深度特徵學習的非受控人臉識別研究》是依託北京郵電大學，由鄧偉洪擔任項目負責人的面上項目。
基本介紹
- 中文名：基於深度特徵學習的非受控人臉識別研究
- 項目類別：面上項目
- 項目負責人：鄧偉洪
- 依託單位：北京郵電大學
項目摘要,結題摘要,
項目摘要
真實非受控成像環境給人臉識別帶來姿態、遮擋、表情和光照等複雜挑戰，是大規模識別套用的瓶頸，成為本領域的研究熱點。針對當前技術在人臉配準和特徵學習上的不足，本項目以申請人最近提出的變換不變性主成分分析TIPCA模型為基礎，採用深度特徵學習為主要技術路線，提出一套面向複雜環境的人臉配準、表示與識別的新方法。研究內容包括（1）一種包括特徵點定位、人臉正面化、TIPCA配準的處理流程，把包含複雜變化的人臉圖像歸一化為統一的形式，便於後續學習人臉的本質特徵；（2）深度神經網路學習的自適應訓練方法，同時有效地利用海量外部訓練樣本和特定候選人的小樣本訓練集的信息；（3）通過人機互動和反饋學習的手段，減小人機之間在人臉相似度判定上的“語義鴻溝”，使深度神經網路學習獲得的特徵相似度與人類的認知相似度更加接近，從而提高識別的泛化能力。本項目的研究成果將有助於解決真實環境下的人臉識別難題，具有較大套用價值。
結題摘要
本項目面向智慧型視頻監控的國家重大需求，重點研究以人臉為主要套用的深度學習方法。與傳統識別任務相比，視頻監控面臨“同類外觀多變”、“類間差別細微”、“訓練樣本缺乏”等識別挑戰，視覺特徵表達是解決這些挑戰的核心問題。項目在增強視覺特徵的魯棒性、鑑別性和泛化性等方面取得重要進展。項目提出了像素相關性假設出發的特徵濾波器，得到了對噪聲具有最優魯棒性的特徵表達；提出基於對抗樣本的三元組正則化訓練方法，大幅度地搞了人臉深度模型的噪聲魯棒性；提出了基於自適應類別間隔、高階注意力、特徵圖分組訓練的方法，提高了特徵的鑑別性；提出了虛擬樣本自適應、特徵距離約束和信息最大化方法，提高了特徵的泛化能力。本項目建立了人臉識別魯棒性和公平性數據集，用於評價相似外貌、跨年齡、跨姿態和在四類主要人種上的基準性能的訓練和測試數據集，被國內外同行廣泛採用。除了人臉識別，本項目的深度特徵學習的成果還成功地套用在表情識別、行人識別、車輛識別、細粒度物體檢索與聚類等問題上。依託本項目的理論成果，項目負責人以第一或通訊作者發表TPAMI、IJCV、TIP、PR等SCI一區二區期刊論文和CVPR、ICCV、NIPS、AAAI等CCF-A類會議論文20餘篇，得到了英美等國院士和多位IEEE Fellow等眾多著名學者的正面引用。這些成果全面系統地提升了視覺識別的穩定性、準確性和適應性，據此研製的智慧型監控系統在封閉環境和開放環境下均獲得較大規模套用，取得顯著社會經濟效益。
