论文部分内容阅读
近年来,随着人工智能技术和计算机视觉技术的快速发展,人脸识别受到了越来越广泛的关注。然而,人脸识别的准确性和精确度往往受到很多其他因素的干扰,比如:光照条件、人脸姿态、面部表情以及面部遮挡等。眼镜作为最常见的面部遮挡物,对于人脸识别的精确性有着极大的影响,而且眼镜的种类十分繁多,使得眼镜去除问题变得更加复杂,如何有效地去除人脸图片中的眼镜遮挡成为了一个凾待解决的问题。传统去除人脸图片中眼镜的方法大多使用PCA重建对眼镜进行摘除。但PCA重建需要预先定位眼镜的位置,这本身就是一个难题,而且重建之后图像的眼镜区域和非眼镜区域有着明显的不连续。针对上述问题,本文提出了基于跳连接反卷积神经网络的自动眼镜摘除方法,有效地对人脸图片中的眼镜进行了去除。本文主要工作和创新点如下:1.本文详细地分析了传统PCA重建算法中使用全图进行重建导致误差扩散到整幅图像中的缺陷以及PCA本身丢失高频信息导致人脸局部细节丢失的缺陷,提出了基于跳连接反卷积神经网络的自动眼镜摘除方法,实现了端到端的训练,使得眼镜摘除效果更加自然,减少了眼镜摘除之后眼镜区域和非眼镜区域的不连续性的问题。2.眼镜摘除中需要将神经网络中浅层获取的空间信息与高层中获取的语义信息进行融合,但是卷积神经网络只采用卷积和池化交替的结构使得网络中浅层的空间信息丢失,反卷积神经网络只通过“反向”池化层来融合浅层中的空间信息和高层中的语义信息,使得特征中某些隐藏信息的转换受到了限制,一般的跳连接结构可以较为有效地对特征进行融合,但是如果图片中存在多种遮挡物时一般的跳连接结构无法对遮挡物进行区分,本文在此基础上提出了一种自下而上/自上而下的过程来对空间信息和语义信息进行有效融合。3.本文通过与传统的PCA重建技术以及基于反卷积神经网络的结果进行对比,验证了本文提出的基于跳连接反卷积神经网络的有效性。同时分析了眼镜摘除对于人脸识别性能的影响。