基于局部结构的多尺度协作表示人脸识别算法.pdf

《基于局部结构的多尺度协作表示人脸识别算法》 人脸识别技术是计算机视觉领域的重要研究方向，其在安防、社交网络、移动设备解锁等多个场景中有着广泛的应用。然而，该技术也面临着许多挑战，如光照变化、姿态变化、表情变化以及小样本问题等。小样本问题是由于在实际应用中收集人脸样本的困难性导致的，这严重影响了识别算法的性能。 传统的人脸识别方法通常侧重于全局特征的提取，而忽视了局部结构的信息。近年来，基于多尺度的协作表示方法逐渐受到关注，这种方法通过融合不同尺度下的分类结果，能够有效地提升识别效果。然而，现有的多尺度块协作识别算法在分类框架下，各子块的计算是独立的，未充分考虑子块间的局部结构关系，从而降低了算法的鲁棒性。 为解决这一问题，论文提出了一种名为Local Structure based Multi-Patch Collaborative Representation（LS_MPCRC）的算法。该算法首先将图像划分为多个局部区域，并确保这些区域内的重叠块分布在一个线性子空间内，这样可以反映出块之间的结构关系。利用子空间，算法能够在小样本情况下增强鲁棒性，提高了识别的准确性。 具体来说，LS_MPCRC算法主要包括以下几个步骤： 1. 图像预处理：对输入的人脸图像进行灰度化、归一化等预处理操作，降低光照和颜色等因素的影响。 2. 局部结构划分：根据设定的参数，将图像分割成多个具有重叠部分的子块，以捕捉局部特征。 3. 子空间构建：通过主成分分析（PCA）或其他降维方法，构建一个反映子块结构关系的线性子空间。 4. 协作表示学习：在子空间内，通过优化问题求解每个子块的权重，以使得所有子块的组合与目标人脸模板尽可能接近。 5. 分类决策：根据所有子块的加权和，采用距离度量或其他分类器进行决策，确定最接近的目标人脸。 实验部分，论文在YaleB和AR两个经典人脸识别数据库上进行了验证。实验结果表明，LS_MPCRC算法在处理小样本问题时表现出良好的识别性能，尤其是在样本量有限的情况下，相比其他方法有显著优势。 这篇论文提出的LS_MPCRC算法通过结合局部结构和多尺度协作表示，有效地解决了人脸识别中的小样本问题，提高了算法的鲁棒性和识别率。这种方法为后续的人脸识别研究提供了新的思路和方法，对于推动该领域的技术进步具有重要意义。