面向集体人脸识别的联合表示分类

基于稀疏表示分类（SRC）广泛用于许多应用如人脸识别，并分两步实现：表示编码和分类。对于给定的一组测试图像，SRC将每幅图像在基图像上编码为稀疏表示，然后将其分类到表示误差最小的类。该方案利用个体表示而非集体来表示这样一组图像，这样做显然忽略了给定图像间的相关性。本文提出一种用于集体人脸识别的联合表示分类（JRC）。JRC将多幅图像的相关性以及单一表示考虑在内。在给定人脸图像通常相互关联的假设下，JRC同时在基图像上对所有测试图像进行编码以促进识别。为此，测试输入被排列成矩阵，联合表示编码被公式化为一个广义的 $l_{2,q}-l_{2,p}$-最小化问题。为统一求解任意 $q\in[1,2]$ 和 $p\in (0,2]$ 引起的优化问题，开发了一种迭代二次方法（IQM）。IQM被证明是一种严格下降算法并收敛到最优解。此外，针对大规模情况提出了一种更实用的IQM。在三个公开数据库上的实验结果表明，带有实用IQM的JRC不仅节省大量计算成本，而且在集体人脸识别中取得了比现有最优方法更好的性能。