鲁棒稀疏表示提升单样本人脸识别算法的性能

本文探讨了一种针对单样本人脸识别问题的鲁棒稀疏表示算法（RSR）。在传统的稀疏表示方法在单个样本情况下识别性能下降的背景下，该研究提出了一种创新策略。RSR的主要贡献在于通过扩展每个训练样本，使用每张人脸图像创建一组位置图像，这增加了数据多样性，有助于提高算法的鲁棒性。 在构建过程中，RSR算法利用L2,1范数约束来确保选取的是与目标对象相关的位置图像。L2,1范数结合了L1范数的稀疏特性（强调选择的关键特征）和L2范数的稳定性（防止过拟合），从而在处理复杂光照变化和遮挡情况时展现出优势。这种方法有助于减少噪声干扰，增强模型对样本变异的适应性。 在实验部分，作者在AR和extended Yale B人脸数据库上进行了严格的评估，结果显示RSR算法表现出色，即使在存在遮挡或光照条件变化的情况下，也能有效地进行单样本人脸识别，达到了较高的识别准确率。这证明了该算法的鲁棒性和实用性，特别是在单样本人脸识别任务中的应用。 研究还提到了资金支持，包括江苏省自然科学基金、江苏省高校自然科学资助项目以及苏州市物联网工程应用重点实验室项目，这表明该工作得到了学术界和工业界的广泛关注和支持。 作者团队由沈韬、李克清和夏瑜组成，他们分别在机器学习、分布式处理和计算机视觉等领域有所专长，为研究提供了多角度的理论支持和实践经验。总结来说，这篇论文不仅提出了一个新颖的单样本人脸识别方法，还展示了其在实际数据集上的有效性，对于提升稀疏表示在人脸识别领域的应用具有重要意义。