手机美妆与人脸识别

手机美妆与人脸识别

在许多人心中，如今的人脸识别系统功能强大，无所不能：机场安检、刷脸支付、手机解锁……但其实，人脸识别问题还远没有达到彻底解决的程度。现有的人脸识别系统在面对一些特殊情况时，仍然表现得不尽如人意，例如脸部遮挡、光照变化，拍摄角度、妆容变化等。如何使人脸识别系统更加自如地应对这些特殊情况，仍然具有重要的科学研究意义和实际应用价值。

正所谓“不化妆，不出门；卸了妆，不见人”，如今化妆早已不是聚光灯下的专利，而是一种日常习惯。要问化妆的好处？给你张图自己感受一下。

另一方面，手机等智能终端也纷纷把美颜功能当作卖点，美妆这种操作的火热程度可见一斑。化妆能够掩饰脸部瑕疵，增强五官立体感，表达独特性格……既然美妆有这么多好处，我们为何要“反美妆”[5]呢？其实理由还是刚才说的那些。

言归正传，美妆带来的效果会显著改变一个人的面部特征，而这却给以特征“识人”的人脸识别系统造成难题。然而况且化妆人的心情天天换，今儿在脸上加个阴影，明儿又换种眼线的，更别提网络上的各路大神纷纷修炼的“化妆换脸术”了。所有这些把我们老实的人脸识别系统折磨得不轻。

想象一下这个场景：白天买了新手机，马上美美地拍了一张照片注册了人脸解锁功能，享受了一整天高科技带来的便捷之后问题来了——晚上回家卸了妆，手机就不认识主人了！

为了解决类似的问题，研究人员们提出了妆容鲁棒（Makeup-Invariant）人脸识别方法。

化妆普及的历史不长，所以妆容鲁棒人脸识别对很多人来说可能是个陌生的词汇。但是近些年，该问题却得到了越来越多国内外研究人员的关注，例如清华大学Jiwen Lu[1]，新加坡国立大学Shuicheng Yan[2]，密歇根州立大学Arun Ross[3]和中国科学院信息工程研究所Si Liu[4]等。

这些方法采用的思路是用传统方法或深度神经网络学习得到不受化妆影响、对妆容鲁棒的特征。与之不同，这次介绍的由中科院自动化所智能感知与计算研究中心提出的方法从一个全新角度思考，利用生成网络模型来把化妆脸变成素颜脸，并且借此提升现有人脸识别系统对化妆的鲁棒性[5]。你没有看错，面对各路化妆技巧和美颜设备，该方法反其道而行，故谓之“反美妆”[5]。

该方法以生成对抗式网络（GAN）为基础，采用使生成器（G）和判别器（D）相对抗的策略完成网络训练。但不同于传统GAN（Generative Adversarial Network），该方法设计了两个判别器，一个（Dp）用以判断生成图片的真假，另一个（Df）用来判断生成图片的特征是否为真，即双层对抗网络（Bi-Level Adversarial Network，BLAN）。具体模型框图如下所示：

转自：CSIG视觉大数据