联合学习显著局部描述子与距离度量用于图像集人脸验证
计算机视觉与模式识别
2013-03-13 v1
摘要
与通过单一示例进行人脸比对不同，匹配人脸图像集能够提高鲁棒性和判别性能。近期的图像集匹配方法通常测量子空间或流形之间的相似性，而以刚性和整体的方式表示人脸。此类表示容易受到对齐、光照、姿态和表情变化的影响。虽然基于局部特征的表示对这些变化具有显著的鲁棒性，但在图像集匹配领域受到的关注较少。我们提出了一种新颖的图像集匹配技术，包含三个方面：(i) 基于局部特征的人脸区域鲁棒描述子，部分灵感来源于人类视觉系统的层级结构；(ii) 使用多种子空间和示例度量来比较对应的人脸区域；(iii) 联合学习哪些区域最具判别力，同时寻找组合度量的最优混合权重。在 LFW、PIE 和 MOBIO 人脸数据集上的人脸识别实验表明，所提出的算法获得了比多种近期最先进技术（如局部主成分角和核仿射包方法）显著更好的性能。
引用
@article{arxiv.1303.2783,
title = {Combined Learning of Salient Local Descriptors and Distance Metrics for Image Set Face Verification},
author = {Conrad Sanderson and Mehrtash T. Harandi and Yongkang Wong and Brian C. Lovell},
journal= {arXiv preprint arXiv:1303.2783},
year = {2013}
}