论文部分内容阅读
人脸识别作为当下的热门技术,在学术界已达到了较高的识别准确率。然而在非约束条件下,由于采集设备的局限性与采集环境的复杂性,捕获到的人脸图片质量参差不齐,人脸识别无法获得较为理想的性能表现。本文对人脸筛选算法进行了研究,期望得到同一个个体的高质量图片,过滤低质量图片,提升人脸识别在实际应用中的鲁棒性。论文将人脸筛选算法分为人脸质量评估与人脸识别两个部分,通过质量评估对人脸图片质量进行打分,剔除可能影响识别算法准确性的低质量图片,再经由人脸识别,将高质量图片对应到每个个体之下,以达到筛选目的。具体工作如下:(1)在人脸识别方面,本文提出了一种新的损失函数,并对现有网络结构进行了改进,在Labeled Faces in the Wild(LFW)数据集上取得了较高的准确率。本文选取了CASIA-Webface数据集作为算法的训练数据集,并通过MTCNN算法以及随机水平镜像翻转的扩充方式对数据集进行预处理。论文以Mobilefacenet作为基准网络,设计了拥有更快运算速度的Mobilefacenet-1。该网络的运算量远小于主流人脸识别模型,但识别准确率相比于原始Mobilefacenet没有较大损失。随后本文评估了目前较为流行的几种损失函数,在Mnist数据集上可视化了特征的二维分布,并基于Focal Loss设计了对于难易样本拥有更明确语义定义的Focal-angle Loss。相比于Focal Loss,通过该损失函数训练的人脸识别模型有着更高的识别准确率。(2)在人脸质量评估方面,本文提出了一种新的人脸质量分数标定方法,并通过卷积神经网络设计了人脸质量评估模型。本文首先通过实验证实了低质量图片能够影响人脸识别算法的性能。论文设计了以类别权重向量作为标准人脸特征向量的标定方法,并与现有的人工选取高质量图片的标定方法进行了对比,通过对错误拒绝(Error versus Reject,EvR)曲线的分析,证实了本文提出的质量分数标定方法对于人脸识别算法具有更好的导向作用。通过构建融合低层特征与深层特征的网络,并结合上述方法标定的数据集,训练出了良好的人脸图像质量评估模型,在EvR曲线上验证了该模型得到的图像质量分数能够为人脸识别提供较好的导向作用。