隨著生活水平的提高,人們越發(fā)重視自身的外表,很多人會使用化妝的方式來改善自己的外表。但是,現(xiàn)有人臉識別和人臉驗證算法多是基于面部特征信息,由于化妝的原因,面部特征信息會被改變,最終會導致特征提取網(wǎng)絡(luò)提取不到有效特征,使得識別和驗證的正確率大大降低�，F(xiàn)有的人臉識別與驗證的方法,一般通過增大訓練集的樣本數(shù)量,或者增加模型的網(wǎng)絡(luò)層數(shù)來使模型具有更好的魯棒性。但是,增大訓練集樣本數(shù)量會導致模型的訓練時間變長,訓練效率降低;而增加網(wǎng)絡(luò)層數(shù)會使得模型參數(shù)量變大,訓練速度變慢,除此之外,相關(guān)研究表明,在網(wǎng)絡(luò)層數(shù)持續(xù)增加后,模型會出現(xiàn)退化,效果不升反降。本文將對抗學習分別引入到需要識別的人臉圖像空間和人臉識別網(wǎng)絡(luò)的中間特征空間,提出了兩種基于對抗學習的帶妝人臉驗證的方法,具體內(nèi)容如下。（1）提出了一種基于妝容定向生成的帶妝人臉驗證的方法。首先訓練一個神經(jīng)網(wǎng)絡(luò)用于評估每張人臉圖像的妝容特征;其次,使用該網(wǎng)絡(luò)用于約束一個殘差生成對抗網(wǎng)絡(luò)的生成過程,使得該網(wǎng)絡(luò)能夠?qū)崿F(xiàn)妝容的定向生成。將一張不帶妝人臉轉(zhuǎn)換為對應的帶有特征妝容的人臉,以消除化妝帶來的人臉圖像的信息差。之后,用來訓練一個殘差網(wǎng)絡(luò),以實現(xiàn)人臉驗證的... 

【文章來源】：中國科學技術(shù)大學安徽省 211工程院校 985工程院校

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【部分圖文】：

圖１．１?一些帶妝人臉圖像展示??化妝品的歷史最早可以追溯到古埃及時代［２］，使用適當?shù)幕瘖y品，可以使皮膚??看起來光滑圓潤，使得眼圈變黑，也可以改變嘴唇的顏色、眉毛的形狀等等

的作用。但是隨著網(wǎng)絡(luò)模型深度的增加，網(wǎng)絡(luò)的??參數(shù)量也會變大，使得訓練周期變長，訓練成本增加。同時當網(wǎng)絡(luò)模型的深度達??到一定層數(shù)后，網(wǎng)絡(luò)模型還會出現(xiàn)模型退化的問題，所以一味增加網(wǎng)絡(luò)深度并不??能從根本上解決人臉識別網(wǎng)絡(luò)缺乏魯棒性的問題。而增加訓練集的訓練樣本，會??導致模型訓練時間變長。并且現(xiàn)有的公開數(shù)據(jù)集，多數(shù)只有幾百上千張圖像，并??不能充分訓練模型。而獲取足夠的圖像類的訓練樣本較為困難。因此，通過增加??訓練樣本解決人臉識別網(wǎng)絡(luò)缺乏魯棒性的問題也有一定的困難。??ＥＧ??圖１．?２?Ｆａｃｅｎｅｔ原文中展示的未成功識別的部分人臉圖像??１．２．２帶妝人臉識別與驗證算法??化妝相關(guān)的研宄現(xiàn)在己經(jīng)越來越受研究人員的關(guān)注，但是跟妝容有關(guān)的人臉??驗證相關(guān)的研宄卻很少。Ｈｕ［１３］等提出了基于典型相關(guān)分析（ｃａｎｏｎｉｃａｌ?ｃｏｒｒｅｌａｔｉｏｎ??ａｎａｌｙｓｉｓ，?ＣＣＡ）?［１４］和支持向量機（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，?ＳＶＭ）【１５】的妝容識別方??法，ＣＣＡ是一種圖片的特征提取算法，可以將圖像映射到同一個歐幾里得空間中，??并使得同類的照片之間的歐氏距離更近，屬于比較早的特征提取算法。在特征提??取結(jié)束后，結(jié)合ＳＶＭ進行分類，由于ＣＣＡ所做的特征提取僅僅考慮了單個帶??妝面部圖像和單個不帶妝面部圖像的關(guān)系，忽視了帶妝面部圖像和不帶妝面部圖??像內(nèi)部之間的關(guān)系，所以ＣＣＡ應用在帶妝人臉識別時的效果較差。Ｇｕｏ等人??等將化妝特性作為領(lǐng)域知識，提出了一種結(jié)合面部分割與ＣＣＡ進行識別的方法，??該方法不但可以對化妝的人臉進行識別，同時還可以對不化妝的人臉進行識別，??對于妝容的魯棒性較強，

?第２章帶妝面部圖像生成與驗證概述???且最終生成出的圖像效果也不好，很難應用于真實情況中。??ｈ?＾?ｂ￡?Ｒ??一??ｖ?＇?Ｏ?ａｅＲｎ??Ｕ?Ｖｌ?ｔ＞３??圖２．１受限玻爾茲曼機網(wǎng)絡(luò)結(jié)構(gòu)圖??２．１．１．２變分自編碼器??與傳統(tǒng)的生成類模型專注于采樣，以便求得先驗概率ｐ〇｜ｚ）不同，變分自編??碼器［２Ｇ］專注于求得后驗概率ｐ（Ｚ｜；〇。具體來說，假設(shè)我們有一個樣本；假設(shè)該??樣本服從正態(tài)分布ｐ〇｜ｘｆ）。構(gòu)建兩個神經(jīng)網(wǎng)絡(luò)來分別計算該正態(tài)分布的均值＂和??方差ｆｆ２，由此就可以得到對應該樣本的后驗正態(tài)分布。同時構(gòu)建一個生成網(wǎng)絡(luò)??５〇），可以將一個采樣到的噪聲ｚ映射到對應的真實分布。變分自編碼器的原理??圖如圖２．２所示。??真實樣本?采樣變置?生成樣本??ｈ＇、?ｉ?？??？?－＾４?：?’、‘一＇、?乂廣’．?＇－ＴＬ＼?器?；］??ｅ?＜？＞?－．?ｅ?ｘ，??Ｂ＂?－ＬＪ?？??奉?１??［??對比???ｊ??圖２．?２變分自編碼器原理圖??在實驗圖像生成的任務(wù)中，給定一個樣本先通過兩個神經(jīng)網(wǎng)絡(luò)來計算／／??和Ｖ，這樣我們就得到了該樣本對應的后驗正態(tài)分布ｐＯｋｉ）。之后，在該分布中??進行采樣，得到對應的噪聲４。通過生成器５〇）可以將映射到對應的真實分布。??由于對于任意一個樣本，該模型所構(gòu)建出的正態(tài)分布是不同的，所以該模型在原??理上可以實現(xiàn)兩個分布的定向映射。??變分自編碼器可以實現(xiàn)圖像生成的任務(wù)，但是由于對于生成缺乏約束，所以??在實際使用過程中生成的圖像較為模糊。??８??

【參考文獻】：
期刊論文
[1]自適應融合殘差網(wǎng)在圖像分類中應用研究[J]. 楊晶東,楊鑫,趙誠.  小型微型計算機系統(tǒng). 2020(02)
[2]多通道交叉融合的深度殘差網(wǎng)絡(luò)脫機手寫漢字識別[J]. 張秀玲,周凱旋,魏其珺,董逍鵬.  小型微型計算機系統(tǒng). 2019(10)
[3]網(wǎng)中網(wǎng)殘差網(wǎng)絡(luò)模型的表情圖像識別研究[J]. 裴頌文,楊保國,顧春華.  小型微型計算機系統(tǒng). 2018(12)

博士論文
[1]基于深度學習的人臉表情識別方法研究[D]. 楊雨濃.西北大學 2017



本文編號：3301720