一种用于基于模板的人脸识别系统自更新的新颖分类-选择方法

对安全需求的增长显著增加了可能的面部识别应用数量，尤其是由于物联网（IoT）范式的成功。然而，尽管手工设计特征与受深度学习启发的面部特征已达到了显著的紧凑性与表达能力，面部识别性能仍受到类内变化（如衰老、面部表情、光照变化和姿态）的影响。这些变化无法在单次采集中被捕获，需要长时间多次采集，这成本高昂且需要用户的高度配合。其中，为缓解这些问题已提出自更新算法。自更新旨在系统运行期间提交给系统的输入中，向用户模板库添加新模板。因此，计算复杂度与存储空间往往成为这些算法的关键需求。本文通过一种新颖的基于模板的自更新算法处理上述问题，该算法能够随时间保持系统数据库中存储的有限模板集的表达能力。所提方法背后的基本原理在于如下工作假设：给定客户的特征分布由一种主导模式刻画。因此，关键点是在该模式周围选择最佳模板。我们提出了两种方法，并在基于手工特征与最先进的受深度学习启发的自动编码器的系统上进行了测试。使用了三个基准数据集。实验结果证实，通过能够有效且紧凑地支持我们工作假设的特征集，所提出的分类-选择方法克服了手动更新的问题，并在必要时克服了严苛的计算需求。