非正面人脸图像合成：筛选评估准则的新方法

"该资源是一篇2015年的自然科学论文，主要研究非正面人脸图像的合成方法，通过一种基于筛选评估准则的创新技术来解决传统方法中信息丢失和图像变形的问题。该准则结合脸部对称性、正脸差异水平和人脸水平扭转角度三个关键因素，有效地排除低质量侧脸图像对合成正脸图像的影响。论文详细描述了实施步骤，包括标记点检测跟踪、图像筛选和插值运算，最终在FERET图像库上进行了实验验证，证明了该方法能提高人脸识别的精度并合成接近真实的正面人脸图像。" 这篇论文关注的是非正面人脸图像合成的技术改进，尤其是在人脸识别领域中的应用。传统的正面人脸图像合成方法经常会导致信息丢失和图像变形，从而影响人脸识别系统的性能。为了解决这一问题，作者提出了一个基于筛选评估准则的新方法。这个准则包含三个关键部分： 1. 脸部对称性：评估人脸左右两侧的相似度，对垂直方向的整体形状进行评价。 2. 正脸差异水平：衡量人脸在水平方向上的偏离程度，确保合成图像接近正面。 3. 人脸水平扭转角度：利用眼部细节来判断人脸的正面朝向，确保眼睛位置的正确性。 通过这些评估准则，算法能够有效地筛选出低质量的侧脸图像，避免它们对合成正脸图像的干扰。在实际操作中，首先进行人脸标记点的检测和跟踪，然后根据这些信息筛选同一人的多个侧脸图像，最后通过插值运算生成正面人脸图像。实验在FERET图像库上进行，结果表明这种方法可以有效过滤掉合成过程中的低质量侧脸图像，减少姿态变化对人脸识别准确性的负面影响，生成的合成图像更加接近真实的正面人脸。 关键词涉及到的领域包括非正面人脸合成、筛选评估准则以及人脸识别技术，表明该论文的核心内容是关于如何提升非正面人脸图像到正面人脸图像转换的质量，以及这种转换对于提高人脸识别系统性能的重要性。中图分类号和文献标志码则表明这是一篇信息技术领域的学术研究，适合对计算机视觉和模式识别感兴趣的读者阅读。