小样本人脸特征提取：基于小波-HOG LDA的高效识别策略

本文主要探讨了在小样本条件下的人脸特征提取问题，针对传统特征提取方法如“特征脸”（Eigenface）和“Fisher脸”的局限性进行改进。Eigenface方法虽然简单且计算量低，但在光照、角度和表情变化下，识别率会显著下降。Fisher脸方法虽然提高了识别效果，但依然对小样本集敏感，识别性能受限。 文章提出了一种结合小波变换、梯度方向直方图（Histogram of Oriented Gradients, HOG）和线性判别分析（Linear Discriminant Analysis, LDA）的特征提取算法。首先，通过对原始图像进行小波变换，将图像分解为近似和高频两部分。近似部分采用HOG-LDA处理，捕捉局部特征的纹理信息，以减少光照和表情等因素的影响。高频部分则采用均方差（Mean Squared Error, MSE）处理，着重于保留图像的细节信息，以应对姿态和遮挡的变化。 HOG-LDA处理有助于减小类内方差，增大类间方差，使得特征向量更具有区分性。而对这两部分特征分别进行欧氏距离判断，再进行加权识别，进一步提升了识别的鲁棒性和准确性。这种方法有效地克服了小样本情况下LDA的不足，提高了人脸识别的稳定性和效率。 实验结果显示，相比于传统方法，这种小波变换和特征融合的策略在处理小样本人脸识别任务时表现出更高的识别率和更低的时间消耗。这对于实际应用，特别是在安全监控和生物识别系统中，具有重要的意义。研究者钟森海、汪烈军和张莉等人通过新疆大学信息科学与工程学院的研究，展示了这一创新方法在解决小样本人脸识别挑战方面的潜力。