基于稀疏表示的鲁棒人脸识别

基于稀疏表示的鲁棒人脸识别(中文22000字,英文PDF)
摘要—我们考虑从正面视图中自动识别人脸的问题，这些正面视图具有不同的表情和光照，以及遮挡和伪装。我们将识别问题视为多元线性回归模型中的一个分类问题，并认为稀疏信号表示的新理论为解决这一问题提供了关键。基于由最小化计算的稀疏表示，我们提出了一种用于(基于图像的)目标识别的通用分类算法。这个新框架为人脸识别中的两个关键问题提供了新的见解:特征提取和对遮挡的鲁棒性。对于特征提取，我们表明，如果识别问题中的稀疏性得到适当的利用，特征的选择就不再重要。然而，关键是特征的数量是否足够大，以及稀疏表示是否被正确计算。非常规特征(如下采样图像和随机投影)的表现与传统特征(如特征面和拉普拉斯面)一样好，只要特征空间的维数超过稀疏表示理论预测的特定阈值。该框架可以利用这些错误相对于标准(像素)基础来说通常是稀疏的这一事实来统一处理由于遮挡和损坏而导致的错误。稀疏表示理论有助于预测识别算法可以处理多少遮挡，以及如何选择训练图像以最大化对遮挡的鲁棒性。我们在公开可用的数据库上进行了广泛的实验，以验证所提出算法的有效性，并证实上述主张。
索引术语-人脸识别、特征提取、遮挡和破坏、稀疏表示、压缩感知、最小化、验证和离群值拒绝。