基于DS理论的局部与全局匹配融合：人脸识别的 uni-与multi-classifier 方法评估

本文主要探讨了一种融合局部和全局匹配得分的人脸识别方法，利用ds理论（Dempster-Shafer decision theory）进行评估，特别是在单分类器和多分类器范式下。人脸作为高度可变的物体，其外观随着时间可能会发生变化，因此，分离面部不同区域的信息对于提升人脸识别技术的鲁棒性至关重要。研究者提出了一种基于独立面部区域SIFT特征提取和匹配的算法。 局部策略的核心是将SIFT特征与面部关键点（如眼睛和嘴巴）关联起来，通过匹配这些显著的面部特征来进行识别。这种方法关注的是个体面部特征的局部信息，旨在提高对脸部微小变化的适应能力。 另一方面，全局匹配策略则是将所有SIFT特征整合成一个单一的特征向量，以便捕捉整个面部的全局特征。这种融合能够更好地反映人脸的整体结构，有助于增强识别的一致性和准确性。 为了减少识别误差，文中引入了Dempster-Shafer决策理论。该理论是一种概率理论的扩展，它允许在不确定性环境中处理多个证据，并通过结合不同的匹配技术来产生更为可靠的结果。这种融合策略旨在平衡局部和全局信息，以优化人脸识别的性能。 实验部分，作者使用了ORL和IITK人脸数据库对所提出的算法进行了评估。结果表明，无论是在单分类器还是多分类器框架下，融合局部和全局匹配得分的方法都展现出显著的有效性和潜在优势。尤其是在处理面部表情、姿势变化以及轻微遮挡等复杂情况时，该方法显示出较强的鲁棒性和识别精度，这使得它在实际应用中具有很高的实用价值。这篇论文为人脸识别领域提供了一种创新且有效的解决方案。