[快讯]生物特征识别冬令营2018第一日报告内容
IAPR/IEEE Winter School on Biometrics 2018于2018年1月29日在深圳金百合大酒店开幕，此次活动将由香港浸会大学计算机科学系、中科院自动化所和深圳大学计算机与软件学院联合主办；由平安科技鼎立赞助。
本次冬令营将持续5天，面向青年学者和研究生，邀请了16位生物特征识别领域的顶尖国际专家介绍科研进展和工业应用，并安排了社交活动。报告内容包括人脸、虹膜、指纹、静脉、步态、签名等特征的识别，以及移动端生物特征识别、反欺诈、特征数据保护等。
开幕式上，深圳大学计算机与软件学院副院长毛睿教授做了致辞，欢迎来自全国各地的青年学者和同学。
香港浸会大学计算机科学系Pong C Yuen教授主持开幕式和今天的报告。
第一场：生物特征之步态识别
（作者：安威志，硕士生，深圳大学）
上午来自南安普顿的Mark S.Nixon 教授为了带来了一场题为Gait and Soft Biometrics的精彩报告。 步态特征相比于其他特征而言是有很多优点的，步态特征可以在远距离的摄像头中获取，不需要接触式的设备来提取，同时也不容易伪装因此在安全，监控，健康检查，犯罪侦查领域拥有巨大的发展前景。Nixon教授作为第一代研究步态识别的学者为我们介绍了步态发展与历史，用上世纪90年代的研究给我们介绍了用步态这个生物特征来做识别的可行性。在步态识别的研究中，主要分为了两大类方法，目前很多方法是基于视频中或者图像中的轮廓信息，少数方法则是建立步态的模型。同样在基于轮廓的方法中，我们需要对步态的序列做一个预处理，在提取轮廓之后，对步态信息序列进行处理表达，例如步态能量图（ＧＥＩ）就是最常用的处理方式。在基于模型的方法中，主要是对人体结构以及运动方式进行建模，Nixon介绍了基于钟摆运动的棍棒模型来模拟人的腿部运动，并且用连接钟摆运动的方式来模拟人的腿部运动，他用三角函数来描述步行运动，并且提取其频率分量，轨迹作为其步态特征，利用幅值和相位就可以区分不同人的步态。接下来Nixon为我们介绍了soft information。soft information与指纹，人脸，虹膜等系统的的融合可以极大提高识别率，例如：指纹＋种族＋性别＋身高。同样，收集人体一些语义的描述信息信息作为标签同样有利于识别，增加这些信息对年龄的变化不敏感，也适用于远距离的情况并且也便于人们理解，但是他们需要在专门的环境中收集标注。报告结束之后，在场学生们就课程提问了许多问题，例如：对于解决大角度的视角问题，转换角度到侧面与建立３Ｄ模型的方法有什么不同？
在从原始视频中提取轮廓时，复杂场景下如何实现人体与背景较好的分割？人体腿部如果受伤的话会对结果有何影响？
第二场：人脸识别
（作者：廖日军，硕士生，深圳大学）
步态识别结束后，迎来的是今天早上的第二个报告，由Prof. Massimo Tistarelli主讲Face Recognition: Past, Present and Future。Prof. Tistarelli 首先讲了人脸识别面临的一些挑战，如:1）长得很类似的双胞胎和父子. 2) 化妆，整容（如图所示，我简直不敢相信自己的眼睛了）。3）年龄、姿态、遮挡、表情......
针对这些挑战，Prof. Tistarelli 讲了如何去做好研究？什么是好的研究方法？什么是不好的研究方法？如图三所示，好的研究方法应该是单向循环的，包括理解好问题、设计解决方案、做实验测性能三个环节。而不好的研究方法通常在设计解决方案和做实验测性能两个环节进行死循环，而没有去真正发现问题。
Prof.Tistarelli精心为我们准备了208页的PPT, 但是由于时间关系，接下来就简单介绍了人脸识别的过去、现在和未来。在过去通常是人工设计的特征、如PCA、LDA、ICA、LBP、SIFT、SURF等特征、但是这些特征对于解决视角问题还是有一些挑战的，因此就有了3D人脸识别技术，以及深度学习技术。虽然目前人脸识别已经很高了，但面临着一些挑战，如人脸fake技术、年龄、光照等，都值得研究者好好研究。
第三场：虹膜与眼部识别
（作者：邓令军，硕士生，深圳大学）
第三个报告由香港理工大学的Ajay Kumar 教授主要介绍Iris Recognition和Periocular recognition，做识别的同学，应该都清楚Iris recognition（虹膜识别）是目前识别率比较高的一种方法，虹膜识别主要步骤就是图像获取、图像分割、归一化、特征匹配；虹膜识别虽然识别率比较高，但是它是一种近距离的识别方法。接下来， Ajay Kumar 教授介绍了传统方法手动提取特征和数据的局限性，提出采用深度学习的方法，通过两个深度网络CNN和FCN提取特征，用FeatNet网络和MaskNet网络使用二元特征进行特征匹配，最后，为了加大内间距离、减小内类距离构建新的ExtendedTriplet Loss，实验结果在相关数据集上都取得突出效果；
Periocular recognition 方面，主要解决人脸不清晰、面部遮挡不能完全显示的问题，提出semantics assisted CNN网络，将人的眼睛分为左眼、右眼，最后融合特征，可以很好的学习细节信息；后面现场问答的环节中，针对两个CNN网络融合的问题，学生提出类比成ulti-task任务，另外的同学也针对两个CNN 网络融合，较弱的网络对特征的表达是否充分进行提问，并且与老师进行了探讨。
第四场：Facial Multi-Characteristic and Applications
（作者：莫冬梅，硕士生，深圳大学）
深圳的今天这么冷，气温这么低，还夹着毛毛细雨，听起来只想躲在被窝里冬眠啊~ 然而，我们的冬令营仍然不畏寒风细雨，热热闹闹地启动啦。有那么多远道而来的学术大牛给我们上课，怎么舍得冬眠？
今天，我们有幸请到香港理工大学人体生物特征识别研究中心的张大鹏教授给我们上了一堂丰富有趣的课——面部多特征和应用。虹膜识别、掌纹识别、步态识别，还有人脸识别，这些名词估计大多数科研人都耳熟能详，看看支付宝、微信的指纹识别支付，还有刷脸认证，小编表示，这些新技术已经在各个领域全方面大展拳脚了。但是，今天张大鹏教授跟我们分享了他们组研究成果，让小编大开眼界，在这些干货里面看到了闪闪发亮的几个点：
首先面部特征，分为永久特征和可变化特征。
永久特征：
（1）独一无二的特征；
（2）共性特征。
可变化特征：
（1）疾病导致变化的特征；
（2）其他驱动而改变的特征。
根据上面四种特征，张大鹏教授研究组做出相应的应用点：面部识别，面部美容分析，面部诊断与面部表情识别。
独一无二的特征适合用来进行面部识别研究，其他驱动而改变的特征适合进行面部表情识别与分析。
特别地，（1）共性特征用来做面部美容分析。对，你没有听错，是美容分析。通过面部的几何结构分析，从大量的实验得知，无论男性或者女性，均值脸是普遍认可的美，这里的均值脸就是大量实验数据中，各项面部特征处于居中水平而人为构造的脸。这是一项新鲜又有趣的研究，我们对张教授的后续研究成果拭目以待。（不少研究成果已经在张教授的网站公开，有兴趣的话可以去follow）（2）对于疾病导致变化的特征，可以应用在医学生物识别方面。对人脸图片分块进行特征提取，包括肤色，皮肤纹理特征，通过最优块组合对面部进行诊断。
报告的讲稿请到活动网站下载： https://www.comp.hkbu.edu.hk/wsb18/programme.php
深圳大学的志愿者
冬令营主席及部分报告人：
Coffe Break茶点