级联非对称局部模式：一种用于无约束人脸图像识别与检索的新描述子
计算机视觉与模式识别
2022-01-04 v1 多媒体
摘要
特征描述是专家系统与机器学习中研究最频繁的方向之一。对图像的有效编码是准确匹配的必备条件。这些编码方案在识别与检索系统中起着重要作用。人脸识别系统应足够有效，以在系统内在与外在变化下准确识别个体。这些系统中使用的模板或描述子编码了图像局部邻域内像素的空间关系。使用这些手工设计描述子编码的特征应对诸如光照、背景、姿态和表情等变化具有鲁棒性。本文提出一种新颖的手工设计级联非对称局部模式（CALP）用于人脸图像的检索与识别。所提描述子独特地编码了水平与垂直方向上相邻像素间的关系。该编码方案具有最优特征长度，并在人脸图像的环境与生理变化下显示出准确率的显著提升。在最具挑战性的数据集（即 Caltech-face、LFW 和 CASIA-face-v5）上将最先进的手工描述子 LBP、LDGP、CSLBP、SLBP 和 CSLTP 与所提描述子进行比较。结果分析表明，所提描述子在表情、背景、姿态和光照的无约束变化下优于现有最先进方法。
引用
@article{arxiv.2201.00518,
title = {Cascaded Asymmetric Local Pattern: A Novel Descriptor for Unconstrained Facial Image Recognition and Retrieval},
author = {Soumendu Chakraborty and Satish Kumar Singh and Pavan Chakraborty},
journal= {arXiv preprint arXiv:2201.00518},
year = {2022}
}