在无约束环境下的人脸识别问题中，常常会出现单一类内因素极端变化的情况。单一类内因素的极端变化是指：某一种类内因素由于拍摄环境的不确定性和拍摄者的不可控性，导致类内因素呈现极端化，如极度夸张的人脸表情、时间跨度多达几十年的老化、深夜微弱的光照或人脸面部大面积的遮挡。这些单一类内因素的极端变化会使得训练样本在原始空间和特征空间中的统计分布与测试样本的差异极大。但现有的人脸识别算法通常默认训练样本与测试样本在原始空间或特征空间中的表达差异不大，这就导致现有算法在面对单一类内因素极端变化问题时难以获得较好的准确率。在总结现有工作并分析它们优缺点的基础上，发现二值特征对于训练样本和测试样本间的类内差异具有较强的鲁棒性，同时兼顾计算代价小和非线性表达等优点。
本节介绍三种高效鲁棒的基于二值特征的人脸识别算法来解决现有人脸识别算法的缺陷。其中，针对描述能力不足，提出了基于迭代量化的二值编码（Iterative Quantization Binary Codes，IQBC）人脸识别算法。它通过优化使得每个比特的方差最大且相互之间正交，从而很好地解决现有二值特征学习算法描述能力不足的问题；针对判别能力不足，提出了基于球哈希的二值编码（Spherical Hashing based Binary Codes，SHBC）人脸识别算法。它利用超球体定义二值编码，并利用典型相关分析（Canonical Correlation Analysis，CCA）在SHBC算法中引入身份信息，得到具有判别能力的二值特征，从而很好地解决现有浅层二值特征学习算法判别能力不足的问题；针对过拟合问题，提出了基于稀疏投影矩阵二值描述子（Sparse Projection Matrix Binary Descriptors，SPMBD）的人脸识别算法，它利用l0-范数约束投影矩阵中非零元素的个数，降低算法复杂度，从而较好地解决高维特征在面对小规模数据库时存在的过拟合问题。并将三种算法在具有大量单一类内因素极端变化的人脸识别数据库中进行测试。实验结果表明，相比其他现有二值特征人脸识别算法，本节三种算法分别解决了描述能力不足、判别能力不足和易产生过拟合的问题，提高了面对单一类内因素极端变化的人脸识别问题准确率。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
