Face Recognition in Unconstrained Environment

2016 ◽  
pp. 217-242
Author(s):  
Santosh Kumar ◽  
Ramesh Chand Pandey ◽  
Shrikant Tiwari ◽  
Sanjay Kumar Singh
Keyword(s):  
Face Recognition ◽  
Future Research ◽  
User Cooperation ◽  
Still Images ◽  
Comprehensive Review ◽  
Security Applications ◽  
Unconstrained Face Recognition ◽  
Recognition Systems ◽  
Unconstrained Face

Research emphasizes in face recognition has shifted towards recognition of human from both still images and videos which are captured in unconstrained imaging environments and without user cooperation. Due to confounding factors of pose, illumination, image quality, and expression, as well as occlusion and low resolution, current face recognition systems deployed in forensic and security applications operate in a semi-automatic manner. This book chapter presents a comprehensive review of face recognition approaches in unconstrained environment. The objective of this book chapter is to address issues, challenges and recent advancement in face recognition algorithms which may help novel researchers to do innovative research in unconstrained environment. Finally, this chapter provides the stepping stone for future research to unveil how biometrics approaches can be deployed in unconstrained face recognition systems.

scholarly journals Look across Elapse: Disentangled Representation Learning and Photorealistic Cross-Age Face Synthesis for Age-Invariant Face Recognition

2019 ◽  
Vol 33 ◽  
pp. 9251-9258 ◽  
Author(s):  
Jian Zhao ◽  
Yu Cheng ◽  
Yi Cheng ◽  
Yang Yang ◽  
Fang Zhao ◽  
...  
Keyword(s):  
Face Recognition ◽  
Representation Learning ◽  
Paired Data ◽  
The Arts ◽  
Deep Architecture ◽  
Age Variation ◽  
In The Wild ◽  
Unconstrained Face Recognition ◽  
Face Synthesis ◽  
Unconstrained Face

Despite the remarkable progress in face recognition related technologies, reliably recognizing faces across ages still remains a big challenge. The appearance of a human face changes substantially over time, resulting in significant intraclass variations. As opposed to current techniques for ageinvariant face recognition, which either directly extract ageinvariant features for recognition, or first synthesize a face that matches target age before feature extraction, we argue that it is more desirable to perform both tasks jointly so that they can leverage each other. To this end, we propose a deep Age-Invariant Model (AIM) for face recognition in the wild with three distinct novelties. First, AIM presents a novel unified deep architecture jointly performing cross-age face synthesis and recognition in a mutual boosting way. Second, AIM achieves continuous face rejuvenation/aging with remarkable photorealistic and identity-preserving properties, avoiding the requirement of paired data and the true age of testing samples. Third, we develop effective and novel training strategies for end-to-end learning the whole deep architecture, which generates powerful age-invariant face representations explicitly disentangled from the age variation. Extensive experiments on several cross-age datasets (MORPH, CACD and FG-NET) demonstrate the superiority of the proposed AIM model over the state-of-the-arts. Benchmarking our model on one of the most popular unconstrained face recognition datasets IJB-C additionally verifies the promising generalizability of AIM in recognizing faces in the wild.

3D-Aided Dual-Agent GANs for Unconstrained Face Recognition

2019 ◽  
Vol 41 (10) ◽  
pp. 2380-2394 ◽  
Author(s):  
Jian Zhao ◽  
Lin Xiong ◽  
Jianshu Li ◽  
Junliang Xing ◽  
Shuicheng Yan ◽  
...  
Keyword(s):  
Face Recognition ◽  
Unconstrained Face Recognition ◽  
Unconstrained Face

scholarly journals Landmark detection for unconstrained face recognition

2013 ◽  
Author(s):  
Παναγιώτης Περάκης
Keyword(s):  
Face Recognition ◽  
Landmark Detection ◽  
Face Model ◽  
Facial Landmark ◽  
Unconstrained Face Recognition ◽  
Landmark Model ◽  
Unconstrained Face

Σε αυτήν τη διατριβή παρουσιάζεται μία νέα μέθοδος ανίχνευσης 3Δ οροσήμων και υπολογισμού πόζας, κατάλληλη για 3Δ μετωπικές και πλάγιες σαρώσεις προσώπου. Η προτεινόμενη μέθοδος εκμεταλλεύεται την 3Δ και 2Δ πληροϕορία, ώστε με τη χρήση τοπικών περιγραϕέων να εξαχθούν υποψήϕια σημεία ενδιαϕέροντος, που στη συνέχεια θα αναγνωρισθούν και θα ονοματισθούν ως ανατομικά ορόσημα. Επιπλέον, εισάγεται ένα νέο γενικό πλαίσιο συνδυασμού περιγραϕέων χαρακτηριστικών, για την ανίχνευση οροσήμων. Ωστόσο, οι γενικές μέθοδοι ανίχνευσης χαρακτηριστικών, δεν μπορούν να αναγνωρίσουν και να ονοματίσουν τα ανιχνευμένα ορόσημα. Για το σκοπό αυτό, εισάγεται ένα 3Δ Μοντέλο Οροσήμων Προσώπου (Facial Landmark Model - FLM) αποτελούμενο από ανατομικά ορόσημα. Τα υποψήϕια ορόσημα, ανεξάρτητα του τρόπου με τον οποίο έχουν παραχθεί, μπορούν να αναγνωρισθούν και να ονοματισθούν από το ταίριασμά τους με το μοντέλο FLM. Τέλος, εισάγεται μία νέα μέθοδος για την απρόσκοπτη αναγνώριση προσώπου η οποία χρησιμοποιεί τον 3Δ ανιχνευτή οροσήμων για να αποδόσει σε κάθε σάρωση προσώπου μία αρχική εκτίμηση της πόζας και στη συνέχεια, ένα 3Δ Προσημειωμένο Μοντέλο Προσώπου (Annotated Face Model - AFM) ευθυγραμμίζεται και προσαρμόζεται στα δεδομένα, χρησιμοποιώντας τη συμμετρία του προσώπου για τη συμπλήρωση των αποκρυπτόμενων περιοχών. Έτσι, η προτεινόμενη μέθοδος μπορεί να επιτελέσει συγκρίσεις μεταξύ σαρώσεων διαϕορετικής πόζας, σε αντίθεση με τις υπάρχουσες μεθόδους που απαιτούν αποκλειστικά μετωπικές σαρώσεις.

Sign in / Sign up

Export Citation Format

Share Document