隨著視頻監(jiān)控網(wǎng)絡(luò)在國內(nèi)廣泛的建設(shè)與應(yīng)用,通過視頻監(jiān)控快速確定行人的身份信息成為了公安工作智能化的關(guān)鍵因素。在實際情況下,視頻監(jiān)控獲取的人臉大多為非正面人臉,影響人臉識別的準(zhǔn)確率以及后續(xù)的使用。人臉正面化為多角度人臉識別提供了有效的預(yù)處理方法。人臉正面化是指根據(jù)側(cè)面人臉生成正面人臉,可以顯著提高多角度人臉識別情況下的準(zhǔn)確率。同時,合成的正面人臉可以用于公安工作的后續(xù)開展。因此,人臉正面化具有廣泛的應(yīng)用前景。本文提出了新的基于產(chǎn)生式模型的人臉正面化方法。通過對目前基于深度學(xué)習(xí)的產(chǎn)生式模型進(jìn)行研究和分析,在生成對抗學(xué)習(xí)GAN網(wǎng)絡(luò)框架下對生成器和判別器網(wǎng)絡(luò)進(jìn)行改進(jìn),設(shè)計出兩個能較好實現(xiàn)人臉正面化任務(wù)的產(chǎn)生式模型。本文主要工作如下:一、對生成器網(wǎng)絡(luò)進(jìn)行改進(jìn),分別采用變分自編碼器VAE和流模型GLOW作為生成器。對于基于VAE的生成器網(wǎng)絡(luò),設(shè)計了條件β-VAE網(wǎng)絡(luò)以增強(qiáng)人臉生成的解耦性。對于基于GLOW的生成器網(wǎng)絡(luò),設(shè)計出基于條件批歸一化層CBN的條件流網(wǎng)絡(luò)以實現(xiàn)對生成方向的控制。二、對判別器網(wǎng)絡(luò)進(jìn)行改進(jìn),分別加入身份、角度損失函數(shù)和互信息限制對目標(biāo)函數(shù)進(jìn)行改進(jìn)。加入身份、角度損失函數(shù)的判別器網(wǎng)絡(luò)不再是傳統(tǒng)的二分類器,而是多輸出分類器,不僅判別圖片真假,同時判別身份和角度。加入互信息限制的判別器網(wǎng)絡(luò)對原始數(shù)據(jù)和潛在空間變量的互信息進(jìn)行限制,平衡網(wǎng)絡(luò)的訓(xùn)練。三、提出了兩個人臉正面化模型。分別是采用條件β-VAE生成器和加入身份、角度損失函數(shù)判別器的βVAE-GAN模型和采用條件流生成器和加入互信息限制判別器的Cflow-GAN模型。通過發(fā)揮對抗學(xué)習(xí)框架的優(yōu)點(diǎn),實現(xiàn)人臉正面化的任務(wù)。四、通過多種評估方式進(jìn)行對提出的兩個人臉正面化模型進(jìn)行分析。在定量分析中,βVAE-GAN和Cflow-GAN在FID、IS、PSNR和SSIM等評估標(biāo)準(zhǔn)下的成績都要比基準(zhǔn)模型好。在人臉正面化識別實驗評估中,βVAE-GAN和Cflow-GAN的識別準(zhǔn)確率得到提高。本文通過以上工作,設(shè)計出了兩個人臉正面化模型并且通過多方面的評估標(biāo)準(zhǔn)進(jìn)行分析,可以生成質(zhì)量較高的正面人臉,提升了多角度人臉識別的準(zhǔn)確率。
【學(xué)位單位】：中國人民公安大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2020
【中圖分類】：TP391.41
【部分圖文】：

中國人民公安大學(xué)碩士學(xué)位論文-4-方法。通過建立形變模型，利用線性仿射變換等操作可以較好地實現(xiàn)正面人臉生成側(cè)面人臉。但是當(dāng)問題變?yōu)閺膫?cè)面人臉生成正面人臉時，難度大大增加，因為這是要恢復(fù)側(cè)面人臉中不存在的紋理特征。因此，使用2D圖像學(xué)方法在直接對側(cè)面人臉進(jìn)行線性或非線性的幾何變換時，會導(dǎo)致生成正面人臉存在扭曲的情況。如LGBP[20]方法，采用局部Gabor二進(jìn)制模型對側(cè)面人臉進(jìn)行建模，生成人臉圖像的直方序列，但是與原圖像的相似度不高。根據(jù)前人的研究可以看出，利用簡單的2D圖形學(xué)方法進(jìn)行線性或非線性的幾何變換很難生成質(zhì)量較高的正面人臉。3D圖形學(xué)的方法是根據(jù)側(cè)面人臉建立3D的人臉模型，進(jìn)而獲得正面人臉。例如由Blanz等人提出的三維形變模型法（3DMorphableModel,3DMM）[21]，需要大量3D人臉樣本進(jìn)行構(gòu)造模型，對紋理細(xì)節(jié)和形狀分布建模合成正面人臉�；谌S形變模型方法的改進(jìn)模型有很多，如Grupp等人[22]采用isomap算法對人臉紋理表示的學(xué)習(xí)方法進(jìn)行了改進(jìn)，效果如圖1.1所示。此外，3D圖形學(xué)的方法還有光流法[23]、非剛體模型法[24]。光流法計算復(fù)雜度相對較小，但當(dāng)人臉角度變化較大時，合成的圖像會存在較多像素?fù)p失。非剛體模型法模型相對簡單，但生成的正面人臉畸變較大，應(yīng)用范圍較為受限。3D圖形學(xué)的方法整體而言需要的樣本信息較大，訓(xùn)練過程較為復(fù)雜，而且從圖1.1可以看出生成的圖片存在畸變，與真實圖像存在一定差距。圖1.1三維形變模型法的人臉正面化效果[22]綜上所述，基于傳統(tǒng)圖形學(xué)的方法中2D的方法難以完成人臉正面化的任務(wù)，3D的方法利用了三維模型對人臉角度變化的魯棒性可以解決人臉正面化的問題，但是生成的正面人臉畸變較大。

用AAM方法的效果要好，但是因為選擇進(jìn)行全局合成，假設(shè)不同角度間人臉存在全局相似一致性，忽視了局部的不相似性，致使生成圖片存在一定缺陷。除此之外，近期使用統(tǒng)計學(xué)方法取得較好人臉正面化效果的是Sagonas等人提出了一種可變形的TILT（TransformInvariantLow-rankTexture）統(tǒng)計學(xué)模型[28]實現(xiàn)人臉關(guān)鍵點(diǎn)定位和人臉正面化，根據(jù)在線性空間中正面人臉的秩較其他不同角度人臉是最小的，建立一個低秩且稀疏的統(tǒng)計學(xué)模型實現(xiàn)人臉正面化的魯棒性。雖然沒有使用AAM方法，但是使用自行設(shè)計的方法對圖片進(jìn)了預(yù)處理。其實驗效果如圖1.2所示，可以看出生成的正面人臉較傳統(tǒng)圖形學(xué)方法會比較平滑，但是生成圖像僅為中心區(qū)域，而且面部細(xì)節(jié)有所缺失。圖1.2可變形的TILT模型的人臉正面化效果[28]

中國人民公安大學(xué)碩士學(xué)位論文-6-綜上所述，基于統(tǒng)計學(xué)的方法從學(xué)習(xí)側(cè)面人臉和正面人臉之間的規(guī)律出發(fā)，生成的正面人臉較傳統(tǒng)圖形學(xué)方法會比較自然平滑，但是在面部細(xì)節(jié)的處理上依舊存在不足。1.2.3基于產(chǎn)生式模型的人臉正面化方法隨著深度學(xué)習(xí)方法的不斷發(fā)展，基于產(chǎn)生式模型的人臉正面化方法取得了顯著的成績。為了更好地分析目前主流的人臉正面化方法，在本節(jié)中所研究的產(chǎn)生式模型都是基于深度學(xué)習(xí)的方法，根據(jù)深度學(xué)習(xí)技術(shù)的不同，可以將其分為基于各類卷積神經(jīng)網(wǎng)絡(luò)方法、基于自動編碼器AE模型和基于GAN模型的人臉正面化方法。基于各類卷積神經(jīng)網(wǎng)絡(luò)的方法利用了深度神經(jīng)網(wǎng)絡(luò)強(qiáng)大的擬合能力，根據(jù)自行設(shè)計的產(chǎn)生式模型來生成正面人臉。例如，Zhu等人提出了FIP（FaceIdentity-Preserving）[29]方法利用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)人臉中具有身份一致性的特征，克服光照和角度的影響，從而生成正面人臉。隨后又提出了MVP（Multi-ViewPerceptron）[30]方法設(shè)計多視角感知網(wǎng)絡(luò)分別學(xué)習(xí)身份和角度特征，使其具有足夠的區(qū)分性和魯棒性，從而根據(jù)給定人臉重建正面人臉。Yim[31]等人提出了多任務(wù)學(xué)習(xí)框架實現(xiàn)在保持身份一致性的情況下將輸入人臉旋轉(zhuǎn)為任意角度。其實驗效果如圖1.3所示，最左側(cè)為輸入，其余幾列為生成的指定角度人臉�？梢钥闯鰧嶒炐Ч^傳統(tǒng)圖形學(xué)和統(tǒng)計學(xué)的方法要好，生成人臉比較完整，但是在面部細(xì)節(jié)上處理有待提高。圖1.3多任務(wù)學(xué)習(xí)人臉正面化框架效果[31]基于AE模型的人臉正面化方法往往采用自動編碼器的變體來完成人臉正面化任務(wù)。例如，MeinaKan等人提出了堆疊漸進(jìn)式自編碼器SPAE，以漸進(jìn)的方式通過堆疊自編
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張鵬升;;基于變分自編碼器的人臉正面化產(chǎn)生式模型[J];軟件導(dǎo)刊;2018年12期

2 孔環(huán)環(huán);石洪波;;產(chǎn)生式與判別式分類方法比較研究[J];科技情報開發(fā)與經(jīng)濟(jì);2010年08期

3 索紅軍;奚建榮;;關(guān)于ε-產(chǎn)生式消除算法的改進(jìn)[J];渭南師范學(xué)院學(xué)報;2006年02期

4 ;產(chǎn)生式語言[J];電子計算機(jī)參考資料;1974年Z1期

5 李庶巾;;不良情緒要疏泄[J];半月選讀;2009年14期

6 黃永忠;陳左寧;周蓓;;產(chǎn)生式重構(gòu)代理的輕量級移動模型[J];計算機(jī)工程;2008年16期

7 王泓皓,董韞美;基于產(chǎn)生式集劃分的上下文無關(guān)語言句子生成[J];軟件學(xué)報;2000年08期

8 王文義,張行進(jìn),王若雨;產(chǎn)生式外部形態(tài)對算術(shù)表達(dá)式翻譯的影響及其解決辦法[J];鄭州工業(yè)大學(xué)學(xué)報;1999年01期

9 廖湖聲，姚峰;一個產(chǎn)生式部件系統(tǒng)的設(shè)計與實現(xiàn)[J];北京工業(yè)大學(xué)學(xué)報;1995年01期

10 劉少英;李友仁;;產(chǎn)生式軟件開發(fā)工具[J];計算機(jī)研究與發(fā)展;1990年06期

相關(guān)博士學(xué)位論文 前10條

1 姜嘉言;用于人臉識別的產(chǎn)生式模型和判別式模型中若干問題的研究[D];復(fù)旦大學(xué);2009年

2 任志宏;Web服務(wù)復(fù)合的若干關(guān)健問題研究[D];中國科學(xué)院研究生院（軟件研究所）;2004年

3 梁海華;一種結(jié)合Agent技術(shù)的產(chǎn)生式領(lǐng)域工程方法[D];浙江大學(xué);2008年

4 陳帥均;基于專家系統(tǒng)的飛行器評估系統(tǒng)研究[D];中國科學(xué)院研究生院（光電技術(shù)研究所）;2014年

5 歐陽林寒;模型不確定下的穩(wěn)健參數(shù)設(shè)計研究[D];南京理工大學(xué);2016年

6 郝春艷;網(wǎng)絡(luò)容量擴(kuò)張中的成本效益模型研究[D];華中科技大學(xué);2006年

7 劉展;基于廣義比例優(yōu)勢模型的加速壽命試驗統(tǒng)計分析與優(yōu)化設(shè)計[D];西南財經(jīng)大學(xué);2016年

8 李欽;面向模型的組合理論研究[D];華東師范大學(xué);2011年

9 尚文朋;加法與乘法風(fēng)險模型的廣義矩估計方法[D];華中科技大學(xué);2017年

10 周伊佳;帶有共享不確定參數(shù)的魯棒優(yōu)化模型[D];大連理工大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 張鵬升;基于產(chǎn)生式模型的人臉正面化研究[D];中國人民公安大學(xué);2020年

2 江雪蓮;產(chǎn)生式/判別式混合分類方法研究[D];山西財經(jīng)大學(xué);2011年

3 田海;基于產(chǎn)生式編程的矩陣計算庫的設(shè)計與實現(xiàn)[D];大連理工大學(xué);2008年

4 彭翔;基于離散事件系統(tǒng)的產(chǎn)生式推理故障診斷建模方法的研究[D];華僑大學(xué);2015年

5 徐燕平;產(chǎn)生式理論在高中有機(jī)化學(xué)教學(xué)中的應(yīng)用研究[D];華東師范大學(xué);2007年

6 鄧哲;虛擬現(xiàn)實系統(tǒng)中自然植物模擬的研究與實現(xiàn)[D];湖南大學(xué);2010年

7 朱光菊;基于領(lǐng)域本體的產(chǎn)生式框架知識表示的研究及其應(yīng)用[D];云南師范大學(xué);2007年

8 雷麗竹;現(xiàn)代漢語詞匯正面義研究[D];西南科技大學(xué);2020年

9 封沖;正面文化工作坊在青少年社會工作中的應(yīng)用[D];南京大學(xué);2013年

10 王珊;基于3D重建的人臉正面化研究[D];中國人民公安大學(xué);2020年

本文編號：2865390