化妆容颜下的人脸识别提升：多补丁集成与改进SRS-LDA算法

本文主要探讨了一种针对化妆对人脸识别准确率影响的解决方案，提出了一种改进的鲁棒人脸识别算法，该算法结合了多补丁集成学习和随机子空间LDA。首先，算法的关键步骤是将人脸图像分解成多个补丁，每个补丁使用一组特征描述符来刻画，包括本地梯度Gabor模式（LGP）、Gabor空间定序定比测量直方图（HGSFRM）和密集采样局部多值模式（DSLMP）。这些描述符能够捕捉到人脸局部特征的细节和纹理信息，提高算法的鲁棒性。 在处理过程中，采用了改进的随机子空间线性判别分析（SRS-LDA）方法，这是一种有效的降维技术，它能够在保持高维数据的区分性的同时，减少噪声和冗余信息的影响。通过这种方法，算法能够在化妆前后图像之间构建多个公共子空间，进行集成学习，增强了算法对于化妆变化的适应能力。 为了进一步提升识别精度，论文采用协作和稀疏表示分类器来比较子空间中的特征向量。这种分类器结合了多个子空间的信息，通过求和规则将各子空间的得分综合起来，形成最终的识别决策。这种集成策略可以有效降低单个子空间的错误影响，提高整体的识别性能。 实验部分，作者在多种化妆数据集上进行了详尽的评估和分析，结果显示，与专为化妆后人脸识别设计的其他算法相比，提出的算法表现出显著的优势，具有更高的识别精度。这证明了该算法在化妆条件下依然能保持较高的识别效果，具有很好的鲁棒性和实用性。 本文的研究不仅解决了化妆对人脸识别的挑战，还提供了一种有效的算法框架，通过补丁集成和改进的随机子空间LDA，实现了人脸识别系统的稳健性和准确性提升。这对于人脸识别技术的实际应用，特别是在化妆场景下的生物认证，具有重要的理论价值和实际意义。