人脸图像保护和网纹人脸识别

随着大数据时代的到来和深度学习的发展，人脸识别技术取得了重大突破。人脸识别已经被广泛地应用于公共安防、银行金融、公安刑侦、社交媒体等领域。由于人脸图像包含个人的身份信息并且容易获取，不法分子极易利用人脸图像冒充或盗取用户的身份信息。因此，保护人脸图像信息不被滥用成为了一个日趋重要的社会隐私问题和科学研究问题[1,2,3,4,5]。

图1.左边为清晰人脸图像，中间为网纹人脸图像，右边为去网纹后的人脸图像

       网纹人脸（MeshFace）提供了一种简单而且低廉的方式保护人脸信息，它是在清晰人脸图像上加随机的网纹状条纹，这些网纹状条纹的位置、波形、深浅都是随机的。这种随机的网纹会破坏人脸图像的部分信息，从而达到保护人脸身份的目的。网纹人脸图像已经被广泛应用到金融领域用于保护用户身份信息。

       虽然网纹人脸图像对人脸身份的保护具有重要作用，但是它也极大地影响了人脸识别的性能。因此，提升网纹人脸图像的识别性能具有巨大的实际价值。

       网纹人脸图像可以被看成一种遮挡人脸图像，但是相比于一般的遮挡人脸补充问题，网纹人脸图像的遮挡位置是未知的且完全随机，算法需要检测并修复被遮挡的区域。网纹人脸图像的研究历史并不长。为了解决网纹人脸图像的识别问题，研究人员提出了一系列的方法[1-9]。它们的思路是先从网纹人脸恢复清晰人脸（去网纹），然后使用恢复的人脸进行识别。一些方法[1,2,3,6,7]需要收集大量清晰人脸-网纹人脸对进行训练，但是在实际场景中收集清晰人脸-网纹人脸对是费时费力的。

高阶关系保持的循环生成对抗网络

       针对人脸图像保护和网纹人脸识别问题，中国科学院自动化研究所智能感知与计算研究中心近期提出了高阶关系保持的循环生成对抗网络（High-order Relation-preserving CycleGAN，HRCycleGAN）方法[4]，他们将网纹人脸保护和修复问题转化为图像转换问题，以循环生成对抗网络（CycleGAN）为基础，提出了高阶关系保持损失（High-order Relation-preserving loss，HR loss）恢复更加细节的纹理；此外为了保持人脸身份信息，引入了全局和局部身份保持损失。该方法不仅能够从网纹人脸图像中恢复出清晰人脸图像；还能对输入的清晰人脸图像加入随机网纹，保护人脸图像不被随意使用，使得其它机器算法破解网纹更加困难。具体的框架图如下：

图2. 框架图

框架包含两个域：网纹人脸图像域和清晰人脸图像域，两个域之间的转换分别使用两个生成器建模。每个域各包含一个判别器，通过与生成器的对抗学习各个域的分布；计算各域的输入样本与重建样本的高阶关系保持损失，以恢复图像中的细节信息；约束各域的输入样本与重建样本在特征空间的一致性，以保持身份信息。网纹人脸图像的去除和生成可以转化为两个域之间的转换。

转自：智能感知与计算研究中心

完整内容请点击“阅读原文”