基于FOLPP的光照鲁棒人脸识别算法：分形编码与LPP融合

本篇论文深入探讨了人脸识别领域的一个新颖方法，即基于FOLPP（Fractal Otrhogonal Locality Preserving Projections）的人脸识别算法。作者李铁，作为一名辽宁工程技术大学电子与信息学院的讲师，针对人脸识别中的关键问题——特征提取，提出了一个创新的解决方案。 FOLPP算法的核心思想是结合分形编码和判别局部保持投影技术。首先，分形编码被用来处理人脸图像，通过复杂的几何结构分析，提取出样本的稳定统计信息。这种编码方法能够有效抵抗光照、姿态和表情变化对人脸特征的影响，提高特征的鲁棒性。分形编码因其自相似性和细节保留特性，在这里扮演了重要的角色，有助于捕捉人脸图像的独特特征。 接着，作者借鉴了局部保持投影（LPP）算法，但对其目标函数进行了扩展。传统的LPP主要关注同一类别内的数据结构保持，而FOLPP在此基础上增加了样本间类别的差异性约束，使得提取的特征更具有鉴别性，有助于提升人脸识别的准确性。这种方法利用了低维嵌入的理论，有效地解决了高维人脸数据的降维问题，同时确保了跨类别间的分离度。 在实验验证阶段，作者选择了ORL人脸库和Yale人脸库这两个常用的数据集来评估FOLPP算法的性能。结果表明，即使面对光照、姿势变化以及不同表情等多种复杂情况，FOLPP算法依然展现出良好的识别能力，证明了其在实际应用中的可行性。 这篇论文提供了一个结合分形编码和判别局部保持投影的高效人脸识别策略，对于提升人脸识别系统的稳定性和准确性具有重要意义。通过深入研究和实践，它为人脸识别领域的进一步发展提供了新的视角和技术支持。