基于紧密包裹曲面的拒识机制人脸分类器研究

在现代人脸识别技术中,生物特征识别已经成为一种重要的安全验证手段。然而,传统的支持向量机（SVM）等分类器在处理人脸数据时,可能会遇到不能紧密包裹样本、缺乏有效的拒识机制以及识别精度未能达到理论极限的问题。这些问题可能导致在实际应用中,当遇到与训练样本相似度较低但依然可能混淆的样本时,无法有效区分，从而影响系统的安全性和鲁棒性。 针对这些问题,孙玥和杨国为在《小型微型计算机系统》期刊2020年第3期的一篇文章中提出了一个创新的解决方案。他们设计了一种具有拒识机制的高正确识别率分类器——基于同类特征点集和包裹点集的同类特征区域紧密包裹曲面求解算法。该算法的核心思想是通过对人脸特征点进行细致的分析和组织，构建一个既能紧密覆盖正常样本又能够排除潜在干扰的决策边界。具体步骤包括： 1. 同类特征点集：首先，通过特征提取方法，如局部二值模式(LBP)或深度学习特征，选择具有代表性的特征点作为同类特征区域的基础。 2. 包裹点集：这些特征点被用于形成一个包围这些区域的边界，确保样本点尽可能被包含在内，形成一个紧凑的“包裹”。 3. 紧密包裹曲面：通过优化算法找到一个最优的曲面模型，使得所有正常人脸都能被这个曲面完全覆盖，而异常或噪声则被排斥在外。 4. 拒识区域：定义曲面之外的公共区域作为拒识区，对于落入这个区域的样本，分类器将拒绝识别。 通过在ORL人脸库和扩展YaleB人脸库上的实验验证，这种方法在保持较低拒识率的同时，极大地提高了分类器的正确识别率，几乎可以逼近100%。这表明了具有拒识机制的分类器在实际人脸识别场景中具有显著的优势，能够在保障安全性的同时，提供更高的识别准确度。 孙玥和杨国为的研究工作对改进现有的人脸识别技术具有重要意义，它不仅解决了现有分类器的不足，还为构建更为精确且鲁棒的人脸识别系统提供了新的理论和技术支持。这一成果对于安防、金融、生物统计等领域有着广泛的应用潜力。