Kopplungs-Spektralregression zum Abgleichen heterogener Gesichter

Gesichtserkennungsalgorithmen müssen mit variablen Lichtverhältnissen umgehen. Die Gesichtserkennungstechnologie auf Basis von nah-infraroten (NIR) Bildern wurde vorgeschlagen, um dieses Problem effektiv zu überwinden. Sie erfordert jedoch, dass die registrierten Gesichtsaufnahmen mit NIR-Bildern gemacht werden, während viele Anwendungen visuelle (VIS) Bilder für die Registrierungsvorlagen benötigen. Um die Vorteile von NIR-Gesichtsbildern für die beleuchtungsunabhängige Gesichtserkennung zu nutzen und die Verwendung von VIS-Gesichtsbildern für die Registrierung zu ermöglichen, stoßen wir auf ein neues Problem der Mustererkennung von Gesichtsbildern, nämlich das heterogene Gesichtsabgleichen zwischen NIR- und VIS-Gesichtern. In diesem Papier präsentieren wir ein Subraum-Lernrahmenwerk namens Coupled Spectral Regression (CSR), um dieses Herausforderungsproblem des Kopplens der beiden Arten von Gesichtsbildern und des Abgleichens zwischen ihnen zu lösen. CSR modelliert zuerst die Eigenschaften der verschiedenen Datentypen separat und lernt dann zwei zugehörige Projektionen, um heterogene Daten (z. B. VIS und NIR) in einen diskriminativen gemeinsamen Subraum zu projizieren, in dem schließlich die Klassifizierung durchgeführt wird. Im Vergleich zu anderen bestehenden Methoden ist CSR rechnerisch effizient, profitiert von der Effizienz der Spektralregression und hat eine bessere Verallgemeinerungsleistung. Experimentelle Ergebnisse auf der VIS-NIR-Gesichtsdatenbank zeigen, dass die vorgeschlagene CSR-Methode die bestehenden Methoden signifikant übertrifft.