16、基于潜在稀疏判别学习的人脸图像集分类方法

基于潜在稀疏判别学习的人脸图像集分类方法

1. 引言

图像集分类与传统单图像分类任务不同，它通过合适的方式对每个图像集进行建模，并测量两个集合之间的差异来进行分类。图像集分类不仅能有效处理大量外观变化，如光照、表情、姿态和伪装变化，还能增强判别能力、准确性和鲁棒性，因此在实际人脸分类应用中更具前景。

过去十年，人们提出了大量图像集分类方法来解决两个关键问题：如何为每个图像集构建合适的模型，以及如何定义合适的相似度度量来获取集合间的距离。在所有现有方法中，基于点到点距离的方法受到了最广泛的关注。然而，这些方法存在一些缺点：一是没有充分利用不同图库集之间的判别信息；二是通常引入稀疏表示来获得稀疏解，导致计算复杂度高和多参数问题。

为了解决上述问题，本文提出了一种名为潜在稀疏判别学习（LSDL）的高效人脸图像集分类方法。LSDL的主要贡献如下：
- 为提高不同图库集的判别能力，同时最小化整个图库集与探测集之间的最近点距离，以及整个图库集与每个独立图库集之间的距离。
- 提出了带有上限单纯形约束的潜在稀疏归一化方法，以替代稀疏约束，从而降低计算成本和折衷参数的数量，同时保留稀疏表示的鲁棒性。
- 通过在一些基准数据集上评估LSDL，取得了良好的结果。

2. 相关工作

近年来，一种流行的模型是通过测量集合间最近点的距离来进行图像集分类，即点到点距离模型。目前，已经提出了一些代表性的方法，例如：
- 仿射包图像集距离（AHISD）和凸包图像集距离（CHISD）可用于计算两个图像集的仿射/凸包之间的相似度。
- 为解决仿射/凸包过大的问题，稀疏近似最近点（SANP）方法提出施加稀疏性约束，并取得了较好