资 源 简 介
针对无约束条件下的人脸图像样本少、面部姿态变化大、被遮挡以及背景复杂等问题，提出一种结合三维人脸矫正与相似性学习相结合的人脸验证算法（ sub-SL）。首先，通过三维人脸矫正方法对人脸图像进行姿态矫正，将图像中的人脸矫正为标准正面脸；其次，裁剪该正面脸的脸部相关区域，去除复杂的图像背景；最后，利用基于个体子空间的相似性学习方法对图像对之间的相似度进行度量，完成人脸验证。实验采用了几个以LFW（ Labeled Faces inthe Wild）数据库为基础的经过预处理操作（例如人脸矫正、裁剪等）后建立起来的数据库。在基于局部三值模式（ LTP）的特征提取方法并且训练图像对数为625的实验中，sub-SL算法的识别率比利用马氏距离进行度量学习的算法sub-ML以及结合了马氏距离与相似性学习的度量学习算法sub-SML分别高出了15. 6qo和8.4010。实验结果表明，sub-SL算法能够有效提高无约束条件下人脸识别的准确率。
虽然在部分公开的人脸数据集上，很多人脸识别算法已经取得了非常优秀的成绩，但这些成绩一部分是建立在严苛的实验环境基础之上的。现实中的人脸识别验证往往面临着训练数据有限、面部特征被遮挡、姿态变化、复杂的场景变化、光照变化等多方面的难题，很多传统的人脸识别验证算法在这种情况下表现得不是很好，因此现在越来越多的学者将研究的注意力转向了无约束条件下的人脸识别。
针对无约束人脸识别验证中的人脸姿态变化问题，利用大量的训练样本来学习寻找姿势不变特征，并通过提取这些姿势不变特征来进行人脸识别，然而在人脸旋转角度较大的情况下，人脸图像在很大程度上被改变，很难寻找到姿势不变特征，因此人脸矫正方法被许多研究学者提出。人脸矫正是将图像中有姿态变化的非正面人脸矫正为正面人脸的过程，主要有两种方法：一种是基于二维视角的方法，另一种是基于三维人脸的人脸重建方法。
