《基于图像集匹配(ISM)的正则化最近点法在视频人脸识别中的应用》这篇文章探讨了在视频人脸识别中，如何克服光照、表情、姿态和遮掩等变化带来的识别性能下降问题。作者提出了一种结合图像集匹配和正则化最近点算法的新方法。
传统的图像人脸识别方法通常处理单一图像，但在非约束环境下，这种方法往往难以应对多变的外部条件。为此，作者引入了图像集匹配的概念，即将图像库和探针图像集建模为正则化仿射包。通过迭代器自动确定两个图像集之间的正则化最近点，这一过程旨在找到在各种变化条件下最具代表性的图像点。
接下来，利用最近子空间分类器最小化正则化最近点，进一步优化识别效果。这一步骤有助于减少因光照、表情等因素导致的差异影响。计算正则化最近点之间的欧式距离和结构，利用最近邻分类器进行人脸识别。这种方法考虑了图像集的整体结构，而不仅仅是单个图像，从而提高了识别的准确性和鲁棒性。
文章在Honda/UCSD、CMU Mobo和YouTube三个大型视频人脸数据库上进行了实验验证，结果显示，提出的算法相对于其他图像集人脸识别算法具有更好的识别效果，并且显著减少了训练和测试的时间。
本文的研究工作受到了国家自然科学基金和中央高校基本科研业务费科研专项项目的资助，第一作者杨天朋是人工智能、数据挖掘和并行编译领域的研究者。该文还引用了多种非参数化方法，如典型相关分析、自然第二顺序统计协方差矩阵和稀疏近似最近点（SANP）等，对比分析了它们的优缺点，指出所提算法在模型复杂性和性能之间取得了良好的平衡。
本文提出的基于图像集匹配的正则化最近点法提供了一种有效的人脸识别策略，尤其适用于视频人脸识别的挑战性场景。这一方法不仅提高了识别精度，而且降低了计算复杂度，对于实际应用具有重要的价值。
VIP享7折，此内容立减4.47元 
