基于自正则化非负编码和自适应距离度量学习的视频人脸识别.pdf

【基于自正则化非负编码和自适应距离度量学习的视频人脸识别】是一种用于视频中的人脸识别技术，旨在解决传统K近邻分类方法在处理人脸识别时未能充分利用图像集中附加信息的问题。该方法结合了两种关键技术：自正则化非负编码（Self-Regularized Non-negative Coding, SRNNC）和自适应距离度量学习。 SRNNC是一种编码技术，它通过将样本图像和由样本得到的仿射包模型相结合来表示图像，并进行编码。这种编码过程能够保持图像的正向特性，同时引入自正则化机制，避免过拟合，提高编码的稳定性和鲁棒性。通过这种方式，可以提取出图像的关键特征，这些特征对于人脸识别至关重要。 接着，研究引入了自适应距离度量学习。传统的距离度量可能无法充分反映不同特征之间的关系，导致分类性能下降。自适应距离度量学习旨在学习一个更具判别性的度量方式，即马氏距离。这种方法通过保留大数据集中的大间距结构，保持了数据点之间的相似性，使得在分类过程中能更好地区分不同的面部特征。 在实际应用中，该方法考虑了两种常见的特征表示：灰度像素值和局部二值模式（Local Binary Patterns, LBP）。灰度像素值是图像的基本表示，而LBP则是一种有效的纹理描述符，特别适用于面部特征的提取。通过这两种表示，算法可以在多个层次上捕获面部信息。 实验在UCSD/Honda、CMU Moby和YouTube明星数据集上进行，这些数据集包含了各种复杂环境和光照条件下的视频人脸。结果显示，与现有的先进人脸识别方法相比，基于SRNNC和自适应距离度量学习的方法在识别性能上具有优势，验证了其在人脸识别任务上的有效性。 该研究提出了一种创新的视频人脸识别策略，通过自正则化非负编码增强特征提取，并通过自适应距离度量学习优化分类过程。这种方法不仅充分利用了图像集中的信息，而且提高了在复杂条件下的人脸识别准确率，对于实际的人脸识别系统有着重要的参考价值。