学位论文简介
人脸识别广泛的应用前景和重要的研究价值，学者们对它的研究不断深入，且优秀的人脸识别算法不断涌现。但仍面临着巨大挑战，如在物联网等一些实际应用场景中，人脸图像的数量和质量严重不足。因此，如何在小规模复杂数据集中提高人脸识别精度具有重要研究意义。与此同时，学者们发现人脸图像不仅包含身份信息，还包含性别等隐私信息。在互联网信息爆炸时代,人们能很轻易获得大量人脸图像,如何防止性别等人脸隐私泄露的研究变得越来越重要和迫切。近几年，性别隐私保护技术不断取得突破性进展，但仍存在不能混淆未知分类器、人脸图像质量受损等问题。本文针对稀疏表示人脸识别算法及人脸性别隐私保护技术中存在的问题展开研究，主要工作包括以下四个方面：
针对人脸识别中训练样本不足，以及稀疏表示两步法降低训练样本与测试样本之间的相似性或判别性问题，提出基于随机滤波虚拟样本的稀疏表示人脸算法，该算法能够同时增加同类样本的相似度与不同类样本之间的区分度，同时能在一定程度上弥补由于光照、遮挡、表情等变化带来的不足。
现有的改变稀疏系数向量的两步法易误删与测试样本同类但相似性较小的训练样本。针对这个问题，提出一种基于迭代剔除的稀疏表示人脸识别算法，该算法根据稀疏系数值的大小判定对应训练样本表示测试样本的能力，并依据表示能力的大小迭代删除无用样本，保留有用样本，以逐步增强同类样本的表示能力。该算法还设计迭代终止条件，以提高算法的稳定性。
针对现有人脸性别隐私保护算法中性别翻转、实用性受影响的问题，提出一种基于GAN网络的性别隐私保护对抗网络，并借用吸引力、年龄、化妆等属性辅助训练模型，使得对抗图像实现随机分类的效果，并设计人脸验证模块保证其人脸验证性能。
针对现有的基于图像处理的性别隐私保护方案不能有效地在未知性别分类器中泛化，且图像可视化效果不佳等问题，提出一种人脸性别隐私保护的双判别对抗网络。通过双重判别网络的设计，加强模型在各未知分类器中的泛化能力，并通过特征判别器的对抗模块保证人脸验证能力。
主要学术成果
Deyan Tang,Siwang Zhou*,Hongbo Jiang,Haowen Chen and Yonghe Liu．Gender-Adversarial Networks for Face Privacy Preserving. IEEE Internet of ThingsJournal, 2022. 9(18), 17568–17576.( SCI 1区，IF=10.238)
Deyan Tang,Siwang Zhou,Mengru Luo*,Haowen Chen and Hui Tang．A new discriminative sparse parameter classifier with iterative removal for face recognition,Journal of Central South University, 2022, 29(4): 1226-1238. (SCI3区, IF=2.392)
Deyan Tang,Siwang Zhou*and Wenjuan Yang．Random-filtering based sparse representation parallel face recognition,MultimediaTools and Applications, 2019,78(2):1419–1439. (SCI 3区,IF=2.313)
Deyan Tang,Siwang Zhou*,Wenjuan Yang and Yonghe Liu．A two-phase representation based face recognition method with“random-filtering”virtual samples, 2017 International Joint Conference on Neural Networks (IJCNN),2017, 101–107. (CCF推荐C类会议)
