基于稀疏PCA的分数阶傅里叶特征在人脸识别中的应用

本文主要探讨了"基于稀疏PCA的多阶次分数阶傅里叶变换域特征人脸识别"这一主题，发表于2016年。针对人脸识别系统常见的光照变化、表情和遮挡问题，研究人员提出了一种创新的方法，利用分数阶傅里叶变换（Fractional Fourier Transform, FFRFT）和稀疏主成分分析（Sparse Principal Component Analysis, SPCA）。分数阶傅里叶变换因其对光照和表情变化的鲁棒性，在图像处理领域得到了广泛应用。 FFRFT的特点在于随着阶次的变化，其幅度特征具有压缩性，而SPCA则能有效提取出这些特征中的主要信息。方法将FRTF的幅度特征分为主要信息域和次要信息域，并将两者结合，形成混合幅度特征，进一步融合了实部特征、虚部特征以及不同阶次下的FFRFT域特征。这种融合策略有助于提高特征的区分度和鲁棒性。 论文还提及了两个关键算法：一是基于贪婪算法的分数阶阶次选择算法，用于优化特征选择过程；二是基于Fisherfaces的权重方法，用于调整特征的权值分配，以增强识别性能。实验结果表明，该方法在ORL和AR人脸数据库上的识别率达到96.5%和97.6%，充分证实了该算法在人脸识别任务中的有效性。 关键词集中在人脸识别技术、分数阶傅里叶变换、稀疏主成分分析、贪婪算法和特征融合等核心概念上。该研究不仅提升了人脸识别系统的性能，还在信号处理和计算机视觉领域展示了分数阶变换与稀疏表示技术的潜在应用价值。通过将理论与实践相结合，本文为解决实际应用中的复杂环境下的人脸识别问题提供了新的思路和解决方案。