用于单样本鲁棒人脸识别的成对稀疏表示模型
计算机视觉与模式识别
2019-10-08 v1
摘要
基于稀疏表示分类（SRC）的人脸识别（FR）已被证明可达到较高准确率。然而，将无约束视频中采集的人脸与每人仅含单张参考人脸图像的图库进行匹配通常准确率较低。为提高对类内变化的鲁棒性，近期用于FR的SRC技术已扩展为将来自外部通用集的变化信息并入辅助字典。尽管这些方法在处理线性变化时取得成功，但由于探针与参考人脸图像不具有相同类型的变化，探针与参考人脸图像间的非线性变化（如姿态和表情）无法用图库和辅助字典中图像的线性组合准确重建。为考虑由姿态引起的非线性变化，我们引入一种成对稀疏表示模型，允许联合使用变化信息与合成人脸图像。所提模型称为合成加变化模型，通过联合使用（1）变化字典与（2）在广泛姿态角下生成的一组合成图像所增强的图库字典来重建探针图像。随后通过求解新公式化的基于同步稀疏性的优化问题，鼓励增强图库字典对相似姿态角与变化字典配对相同的稀疏模式。在Chokepoint和COX-S2V数据集上使用不同人脸表示获得的实验结果表明，对于每人单样本的人脸图像到视频FR，所提方法优于最先进的基于SRC的方法。
引用
@article{arxiv.1910.02192,
title = {A Paired Sparse Representation Model for Robust Face Recognition from a Single Sample},
author = {Fania Mokhayeri and Eric Granger},
journal= {arXiv preprint arXiv:1910.02192},
year = {2019}
}