典型文献
面向大姿态人脸识别的正面化形变场学习
文献摘要：
目的 人脸识别已经得到了广泛应用,但大姿态人脸识别问题仍未完美解决.已有方法或提取姿态鲁棒特征,或进行人脸姿态的正面化.其中主流的人脸正面化方法包括2D回归生成和3D模型形变建模,前者能够生成相对自然真实的人脸,但会引入额外的噪声导致图像信息的扭曲;后者能够保持原始的人脸结构信息,但生成过程是基于物理模型的,不够自然灵活.为此,结合2D和3D方法的优势,本文提出了基于由粗到细形变场的人脸正面化方法.方法 该形变场由深度网络以2D回归方式学得,反映的是不同视角人脸图像像素之间的语义级对应关系,可以类3D的方式实现非正面人脸图像的正面化,因此该方法兼具了2D正面化方法的灵活性与3D正面化方法的保真性,且借鉴分步渐进的思路,本文提出了由粗到细的形变场学习框架,以获得更加准确鲁棒的形变场.结果 本文采用大姿态人脸识别实验来验证本文方法的有效性,在MultiPIE(multi pose,illumination,expressions)、LFW(labeled faces in the wild)、CFP(celebrities in frontal-profile in the wild)、IJB-A(intelligence advanced research pro-jects activity Janus benchmark-A)等4个数据集上均取得了比已有方法更高的人脸识别精度.结论 本文提出的基于由粗到细的形变场学习的人脸正面化方法,综合了2D和3D人脸正面化方法的优点,使人脸正面化结果的学习更加灵活、准确,保持了更多有利于识别的身份信息.
文献关键词：
大姿态人脸识别;人脸正面化;可学习形变场;由粗到细学习;全卷积网络
中图分类号：
作者姓名：
胡蓝青;阚美娜;山世光;陈熙霖
作者机构：
中国科学院计算技术研究所,北京 100190
文献出处：
引用格式：
[1]胡蓝青;阚美娜;山世光;陈熙霖-.面向大姿态人脸识别的正面化形变场学习)[J].中国图象图形学报,2022(07):2171-2184
A类：
大姿态人脸识别,人脸正面化,MultiPIE,celebrities,IJB,可学习形变场,由粗到细学习
B类：
2D,声导,图像信息,结构信息,生成过程,物理模型,深度网络,学得,不同视角,人脸图像,像素,面人,保真性,分步,multi,pose,illumination,expressions,LFW,labeled,faces,wild,CFP,frontal,profile,intelligence,advanced,research,jects,activity,Janus,benchmark,识别精度,身份信息,全卷积网络
AB值：
0.245301
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
