Cross-Modality Gesichtsrecognition über heterogene joint Bayesian

In vielen Anwendungen der Gesichtsrecognition sind die Modalitäten der Gesichtsbilder zwischen den Galerie- und Prüfsets unterschiedlich, was als heterogene Gesichtsrecognition bekannt ist. Wie man die Merkmalslücke zwischen Bildern aus verschiedenen Modalitäten verringert, ist ein kritisches Problem zur Entwicklung eines hochgenauen Gesichtsrecognitionsalgorithmus. Kürzlich hat der joint Bayesian (JB) im Vergleich zu traditionellen diskriminanten Analysemethoden wie der Subraumlernmethode überlegene Leistungen bei der allgemeinen Gesichtsrecognition gezeigt. Allerdings behandelt das ursprüngliche JB die beiden Eingangsmuster gleichwertig und berücksichtigt nicht den Modalitätsunterschied zwischen ihnen, was es möglicherweise suboptimal macht, das Problem der heterogenen Gesichtsrecognition zu adressieren. In dieser Arbeit erweitern wir das ursprüngliche JB, indem wir die Galerie- und Prüfbilder mit zwei unterschiedlichen Gaussian-Verteilungen modellieren, um eine heterogene joint Bayesian (HJB) Formulierung für die Cross-Modality Gesichtsrecognition vorzuschlagen. Das vorgeschlagene HJB modelliert explizit den Modalitätsunterschied von Bildpaaren und ist daher in der Lage, dieselben/verschiedenen Gesichts-Paare präziser zu diskriminieren. Umfangreiche Experimente, die im Fall von sichtbarem-nahem Infrarot und ID-Foto versus Spot-Gesichtsrecognitionsproblemen durchgeführt wurden, zeigen die Überlegenheit des HJB gegenüber früheren Methoden.