改进BOMP算法提升人脸识别鲁棒性：基于相干系数的组稀疏表示

本文主要探讨了"改进的BOMP算法在人脸识别中的应用"。人脸识别作为机器视觉领域的研究热点，其在公共安全和视频监控等方面具有广泛应用潜力。然而，现有的人脸识别系统在面对光照、表情、姿态和遮挡等环境变化时，鲁棒性不足，识别率会显著下降。 传统的基于稀疏表示分类方法，如SRC，利用L1范数寻找测试样本的最简线性组合，尽管有较好的鲁棒性，但存在一个问题：每次仅选取单个样本表示，未能充分利用类内样本间的相关性。为解决这个问题，Majumdar等人提出的GSR方法要求同类样本共同参与或不参与，但这可能忽视了类内样本间的个体差异，导致识别性能受限。 针对上述问题，本文作者提出了一种改进的块正交匹配追踪算法（BOMP），旨在提高人脸识别的精度。改进的BOMP算法对原子选取策略进行了优化，通过计算样本之间的相干系数作为参数，设置了适当的阈值，对候选原子进行筛选。这种方法能够剔除与测试样本相关性较低的样本，从而增强表示的准确性，避免因高相关性样本间的误差而影响识别结果。 在Yale B和ORL的人脸数据库上进行的实验验证了这一改进方法的有效性。相较于原有方法，改进后的BOMP算法在保持良好鲁棒性的前提下，显著提升了人脸识别的识别率。因此，本文的研究对于提升人脸识别系统的性能，特别是在复杂环境下的稳健识别能力具有重要意义，为相关领域的研究者提供了新的思路和技术手段。