Lernendes diskriminatives Gesichtsdescriptor

Lokale Merkmalsdeskriptoren sind ein wichtiger Bestandteil der Gesichtserkennung, und solche wie Gabor- und lokale binäre Muster (LBP) haben sich als effektive Gesichtsdeskriptoren erwiesen. Traditionell ist die Form solcher lokalen Deskriptoren auf eine handwerkliche Weise vordefiniert. In diesem Papier schlagen wir eine Methode vor, um einen diskriminativen Gesichtsdescriptor (DFD) auf datengetriebene Weise zu lernen. Die Idee ist, die diskriminantesten lokalen Merkmale zu lernen, die den Unterschied zwischen den Merkmalen von Bildern derselben Person minimieren und den Unterschied zwischen Bildern verschiedener Personen maximieren. Insbesondere schlagen wir vor, die diskriminative Fähigkeit der Gesichtsdarstellung in drei Aspekten zu verbessern. Erstens werden die diskriminanten Bildfilter gelernt. Zweitens wird die optimale Nachbarschaftsampling-Strategie weich bestimmt. Drittens werden die dominanten Muster statistisch konstruiert. Diskriminatives Lernen wird integriert, um effektive und robuste Merkmale zu extrahieren. Wir wenden die vorgeschlagene Methode ferner auf das heterogene (cross-modality) Gesichtserkennungsproblem an und lernen DFD auf eine gekoppelte Weise (gekoppeltes DFD oder C-DFD), um die Lücke zwischen den Merkmalen heterogener Gesichtsbilder zu verringern und die Leistung dieses herausfordernden Problems zu verbessern. Umfangreiche Experimente an den Gesichtsdatenbanken FERET, CAS-PEAL-R1, LFW und HFB validieren die Effektivität des vorgeschlagenen DFD-Lernens sowohl bei homogenen als auch bei heterogenen Gesichtserkennungsproblemen. Der DFD verbessert POEM und LQP um etwa 4,5 Prozent in der LFW-Datenbank und der C-DFD steigert die Leistung der heterogenen Gesichtserkennung von LBP um über 25 Prozent.