吴莎莎，陈雪云

(广西大学 电气工程学院， 广西 南宁 530004)

0 引言

人脸识别在实际应用过程中，无监督情况下采集到的人脸图像受到姿态的影响，造成人脸识别精度下降，姿势的变化是人脸识别研究上的一个巨大挑战。人脸姿态重建主要是将非正面的人脸照片通过一定的技术手段生成正面姿态的人脸照片，是解决由姿态变化导致的识别率下降的重要手段之一。

由于自遮挡，缺少大部分人脸特征，由侧面图像生成正面图像非常具有挑战性。现有的人脸姿态重建方法可分为基于3D的方法[1-2]，统计方法[3-4]和深度学习方法[5-7]。FENG等[1]把人脸侧面图像映射到3D弹性网格(spring-based face model)中，利用3D网格的旋转规律进行人脸姿态重建。杨玮玥等[2]设计了一种基于3D建模的人脸多姿态合成方法，利用均值坐标(mean-value coordinates，MVC)图像编辑方法对不可见区域进行填充。3D方法虽然能得到较好的效果，但是在实验过程中需要获取大量的数据，并且计算复杂耗时。在统计学方法中，ZHANG等[3]通过提取人脸图像的特征表示，假设该特征表示对于姿势不变，以此合成一个新的面部图像。HAO等[4]提出一个统一的正则化框架，将 L2 范数和邻域一致性两个正则化项统一起来。前者利用对图像对角线权重矩阵进行约束，后者提高人脸合成的相似度。虽然统计学方法需要的数据量会少一些，重建也更加方便，但是往往会忽略输入图像与每个训练样本之间的局部相似性的重要性，在生成图像的细节及生成图像的质量方面有一定的局限性，并不能得到满意的重建效果。……