解奕鹏,秦品乐,曾建潮,闫寒梅,柴 锐,赵鹏程
(1.中北大学 大数据学院,山西 太原 030051;2.山西省医学影像与数据分析工程研究中心(中北大学),山西 太原 030051;3.山西警察学院 刑事科学技术系,山西 太原 030401)
近年来,随着深度学习的快速发展,人脸识别性能得到了很大提升,但它们局限于接近正面的人脸识别(Near-Frontal Face Recognition,NFFR)。多项研究表明,NFFR算法对大姿态的人脸识别效果不佳[1],因此姿态鲁棒性人脸识别(Pose-Invariant Face Recognition,PIFR)成为近年来的研究热点。
目前解决PIFR问题的方法主要分两大类:一类是学习对姿态变化鲁棒的特征,另一类即人脸正面化。第一类方法[2]依赖大量姿态分布均匀的训练数据,而现有数据大多呈现长尾分布,很难学习到对姿态鲁棒的人脸特征[3]。第二类方法[4]可以在不重新训练现有人脸识别模型的基础上,通过生成对应的正面图像进行人脸识别,提高准确率。
现有的人脸正面化方法按照合成域分为基于2D的方法和基于3D的方法。基于3D的方法[5-6]通常对较小姿态的人脸正面化效果比较好,而对较大姿态的人脸纹理细节损失严重,同时三维拟合时严重依赖面部关键点检测的准确性,渲染时计算量大,都使得这类方法难以在实际中应用[1]。
而生成对抗网络[7]的提出极大改善了二维图像合成的视觉效果,所以越来越多的研究人员采用基于2D的方法解决人脸正面化问题。例如,Huang等人提出一种双通道生成对抗网络TP-GAN[8],融合两通道的特征生成正面人脸图像,并用实验结果说明了……