POEM_SLPP人脸识别算法：提高22%识别率的解决方案

本篇论文研究主要聚焦于解决人脸识别领域中的一项关键挑战，即如何降低基于方向边缘幅值模式（Pattern of Oriented Edge Magnitudes，POEM）提取的人脸特征维度并减少计算复杂度。POEM是一种广泛应用在图像处理中的特征提取方法，但其高维特性可能导致识别性能受限。为了解决这个问题，研究人员提出了一个创新的融合方法，将POEM与有监督的局部保持投影（Supervised Locality Preserving Projections，POEM_SLPP）相结合。 POEM_SLPP算法的工作流程分为三个步骤。首先，通过POEM算子对人脸图像进行特征提取，这一阶段利用图像的方向边缘信息来捕捉人脸的关键特征。然而，原始的POEM特征往往包含大量冗余信息，这会增加后续处理的复杂性。 接着，为了降低特征维度，论文将高维的POEM特征数据映射到SLPP算法计算得到的低维样本空间。SLPP是一种降维技术，它不仅保持了数据的局部结构，还能保持类内数据之间的相似性，这对于人脸识别这种需要保持类内一致性的问题尤为重要。 最后，采用最近邻法对测试样本进行分类。这种方法简单直观，通过对测试样本与训练样本中最近的邻居进行比较，来进行识别。通过将POEM特征映射到SLPP空间并利用最近邻分类，可以有效地提升人脸识别的准确性。 实验结果显示，该POEM_SLPP算法在CAS-PEAL-R1人脸库上表现出色。在包括表情变化、背景干扰、饰品佩戴、拍摄时间和距离等多种测试条件下，相比于仅使用POEM LPP（POEM与局部保持投影的组合）和POEM PCA（POEM与主成分分析的组合），POEM_SLPP算法的平均识别率分别提升了22%和2%。这表明了该方法的有效性和适应性，特别是在面对实际场景中各种变异性时，能够提供更为稳定的识别性能。 总结来说，这篇论文提出了一种新颖的人脸识别算法，通过结合POEM和SLPP，成功地解决了高维特征和计算复杂度的问题，提升了人脸识别的准确性和鲁棒性。这对于实际应用中的大规模人脸识别系统具有重要意义。