人脸识别技术近年来发展迅速,并在多个领域应用广泛。然而,现有的人脸识别算法大多存在两个弊端:在训练样本较少情况下识别性能会急剧下降以及在种族间泛化性较差。针对上述两个问题,本文提出了一种基于深度多维空间扩充与多视角特征的单样本人脸识别算法,主要工作如下:第一,为测试算法在种族间的泛化性,在Mega Face数据集中收集了African、Asian、Caucasian、Indian四个人种,每个人种3000人、20000张左右图像,构成新的数据集Racial Faces in Mega Face(RFM),该数据集中四个人种的图像数量均占总数的25%左右,保证了数据均衡性,可用于评估算法性能。第二,提出一种基于多视角特征的深度迁移学习单样本人脸识别算法。首先,选择三种不同深度的改进残差网络(Improved Residual Networks,IRes Net)作为主干网络,分别加载Glint360K数据集上的预训练网络参数,并利用BUPT-Balancedface种族平衡数据集进行微调,以增加网络在种族间的泛化性;其次,利用微调后的三个网络分别对单样本训练集和测试集提取三个初步特征,融合为最终特征;最后,计算余弦相似度得到预测结果。在RFM数据集和其他常用数据集中进行测试,统计识别准确率、精确率和召回率并与其他算法对比。实验证明:该算法在单样本人脸识别任务中性能良好,且在种族间具有较强的泛化能力。第三,为进一步提升算法在单样本人脸识别任务中的性能,利用生成对抗网络扩充训练集,提出一种基于深度多维空间扩充与多视角特征的单样本人脸识别算法。通过在RFM数据集和其他常用数据集中的实验证明:该方法在不影响种族间泛化性的前提下,成功提升算法在单样本人脸识别任务中的性能。
暂无评论