基于lp范数和融合字典的人脸识别算法：高效与鲁棒性提升

本文主要探讨了一种创新的基于lp范数（0<p<1）和融合字典的人脸识别算法，针对传统人脸识别算法在光照、遮挡和采样不足等条件下识别精度低、处理速度慢的问题进行了改进。首先，该算法通过分解训练样本矩阵，将其构建为由类中心矩阵和类内变化矩阵组成的融合字典。类中心矩阵代表了各个类别样本的典型特征，而类内变化矩阵则反映了同一类别内部的差异性，这有助于捕捉人脸图像的多样性和变化。 在测试阶段，算法采用lp范数进行求解，寻找测试样本在融合字典下的稀疏表示。lp范数强调的是信号的稀疏性，即大部分系数接近于零，这有助于减少噪声干扰，增强算法的鲁棒性。通过这种稀疏表示，算法能够有效地提取出人脸图像的关键特征，即使在复杂的环境条件下也能保持较高的识别率。 实验结果显示，新算法在提升识别率的同时，显著提高了运行速度。具体来说，当在Extended Yale B数据库上与当前已知的最快速的基于lp范数（0<p<1）稀疏编码的人脸识别算法SRCP-1进行比较时，该算法的单张图像运行速度提高了约1.39倍。这表明该算法在实际应用中具有较高的效率和实用性。 关键词包括“人脸识别”、“lp范数”、“融合字典”和“稀疏表示”，这些核心概念构成了本文的研究焦点。在整个人脸识别技术的发展历程中，尤其是在对抗光照、遮挡和采样不足等挑战时，稀疏表示作为一种强大的工具，不断推动着算法的优化和性能提升。本文的工作对于提高人脸识别技术的整体性能，特别是在实际场景中的应用有着重要意义。