针对图像损坏与错位的单样本人脸识别的稀疏光照学习与迁移
计算机视觉与模式识别
2014-02-11 v1
摘要
单样本人脸识别是人脸识别中最具挑战性的问题之一。我们提出了一种基于稀疏表示分类 (SRC) 框架的新算法来解决这一问题。新算法对图像错位和像素损坏具有鲁棒性，并能够将每类所需的库图像减少到一个样本。为了补偿传统上由多个库图像提供的光照信息的缺失，我们引入了一种稀疏光照学习与迁移 (SILT) 技术。SILT 中的光照是通过将一个或多个附加主体的辅助人脸图像的光照示例拟合到稀疏使用的光照字典中来学习的。通过强制查询图像在光照字典中的稀疏表示，SILT 能够有效地从对齐阶段恢复并迁移光照和姿态信息到识别阶段。大量的实验表明，新算法在单样本机制下且限制更少的情况下，显著优于最先进技术。特别是，单样本人脸对齐的精度与使用每类多个库图像的著名可变形 SRC 算法相当。此外，人脸识别的精度超过了使用手工标记对齐初始化的 SRC 和扩展 SRC 算法。
引用
@article{arxiv.1402.1879,
title = {Sparse Illumination Learning and Transfer for Single-Sample Face Recognition with Image Corruption and Misalignment},
author = {Liansheng Zhuang and Tsung-Han Chan and Allen Y. Yang and S. Shankar Sastry and Yi Ma},
journal= {arXiv preprint arXiv:1402.1879},
year = {2014}
}