类别不平衡的多任务人脸属性识别

张 文

(南京航空航天大学计算机科学与技术学院，江苏 南京 210016)

0 引 言

属性作为物体的中层特征表示，对物体[1]和场景[2]的识别显得至关重要。而人脸属性识别中的属性主要是指头发颜色、性别、鼻子和脸型等，在人脸验证[3]、识别[4]以及检索方面[5]都有很多的应用，例如人脸表情的识别，这对于机器理解人的情绪至关重要；在人脸图片质量较差时进行身份验证，普通的人脸验证算法可能会失效，如在刑侦案件中，对犯罪嫌疑人通常只有一些物理属性的描述，可以通过这些属性在监控视频中检索相似的疑犯，或者在图片搜索中按照某个相似的属性进行检索，如黄皮肤的人。

识别自然场景中人脸属性是比较具有挑战性的任务，因为人脸容易受到光照、姿势和遮挡的影响，近些年来也受到很多的关注，例如大规模的属性数据集[6]的公开说明该问题得到了研究者的关注。属性识别的传统方法大致可以分成2类：全局和局部方法。全局方法从整个物体中抽取特征，该方法不需要物体关键点准确位置，但该方法对物体的变形扭曲不够鲁棒；局部方法首先检测物体的部件，对每个部件提取特征后，将这些特征连接起来训练分类器。例如文献[3]从人脸的10个块中抽取人工设计的特征识别人脸属性。Panda模型通过对齐人体，然后抽取上百个部件来识别人的属性[7]。这些局部的方法在无约束且有较大变形的人脸图片上通常失效，这是因为这些人脸的定位和对齐十分困难，所以提取的特征不准确。……