关键词:
人脸识别
非凸函数
核范数约束
混合范数误差编码
复杂环境
摘要:
针对人脸图像在复杂环境下存在噪声污染、光照变化和遮挡等情况,提出一种新的人脸识别方法,即基于非凸混合范数误差编码的人脸识别方法(NMN),旨在统一基于向量和基于矩阵的回归方法于一个回归模型中,以更好地应对多样化的识别挑战。在考虑重构图像的低秩性质的同时,引入核范数约束捕捉图像的低秩特征。为缓解由异常值引起的偏差问题,引入非凸函数提高模型的鲁棒性。为进一步提升性能,充分考虑标签信息,以更有效地区分不同类别之间的特征差异。在分类阶段,综合考虑非连续误差和连续误差,利用类重构误差来判别待识别图像。在Extended Yale B、ORL和AR数据集上进行了实验验证,结果表明,相较于其他对比方法,NMN在遮挡人脸识别方面展现出更为卓越的性能。在Extended Yale B数据集上,针对测试样本添加40%的“狒狒”图像遮挡块,该方法的识别率达到80.40%,比其他对比方法至少高出11.68百分点。