基于大边距余弦相似度学习的细粒度人脸认证

摘要

针对细粒度人脸认证(fine-grained face verification,FGFV)中如何有效区分非常相似的人脸图像问题,提出了一种大边距余弦相似度学习(large margin cosine similarity learning,LMCSL)方法,以提高认证精度。实验中,正样本对由同一人的2幅人脸图像组成,不同于传统人脸认证,每个负样本对由双胞胎人脸图像组成,能呈现非常相似的面部外观。LMCSL方法通过在大边距框架条件下学习一个线性变换,使在投影子空间正样本对的余弦相似度大于较大的阈值,并使约束负样本对的余弦相似度小于较小的阈值,提高了正样本对的相似度,降低了负样本对的相似度,可有效区分双胞胎的人脸图像。在FGFV基准数据集上的实验结果表明,所提LMCSL方法对细粒度人脸认证问题有效、可行。