论文部分内容阅读
人脸识别技术被视为当前人工智能领域的关键技术,由于其享有不同于传统生物识别技术的优势,在安全防范领域中扮演着重要角色,并从单一场景使用迅速普及到各行各业中。当前人脸识别的应用场景多为用户配合下的图像采集,但实际更多的应用场景为被采集者非配合状态。人脸图像信息的采集常具有不确定性、随机性,摄像机捕获到的人脸信息会呈现出扭转、倾斜等干扰。在这样的状态下人脸图像直接放入人脸识别系统或相关应用中,无法顺利进行识别和比对,常常会出现识别速度和识别率下降的情况。为了解决这一问题,人脸正面化算法,具有一定的研究价值和广泛的应用前景。针对这个问题,本文提出了一种基于3D重建的人脸正面化算法,对输入的非正向人脸图像进行正面化。分别完成深度学习的方法训练网络模型完成人脸检测、人脸关键点检测等步骤,并使用图形学的方法进行仿射变换,基本实现了一般条件下的非正向人脸图像正面化。本文主要工作如下:1.总结了当前人脸识别和正面化研究现状和应用场景面临的挑战。从人脸正面化的流程步骤上进行了梳理,分别阐述了人脸检测、关键点检测、人脸正向化、人脸重建的主要研究成果和方法,并对主流的算法及网络模型进行了分析、对比。2.在详细分析当前主要的人脸正面化算法的基础上,本文提出了一种基于3D重建的人脸正面化方法。该算法首先对输入的人脸图像进行了预处理,使用深度学习方法训练网络模型,并且在不同阶段中采用了不同的网络模型,获得人脸关键点信息。同时,将网络模型与仿射变换相结合,运用获得的二维人脸关键点信息,计算二维人脸图像和实际人脸模型之间的旋转矩阵,生成与输入人脸图像对应的正向的,利于进一步识别的人脸模型。实验结果表明,通过该方法生成的人脸图像与真实人脸具有身份一致性,有助于提升人脸识别对侧面人脸的识别准确性。