第2章 传统特征提取算法在素描人脸识别上的应用与研究

伴随着计算机科学的快速进步，高运算率和高精确度的计算机不断推陈出新，以数学为基础的人脸技术逐渐迎来了质的飞跃。传统素描人脸识别领域常用的技术包括基于组件的素描人脸匹配[1]、基于线性判别分析的素描人脸识别[2]、基于内核原型相似度的素描人脸识别[3]。传统人脸识别算法包括弹性图匹配[4-6]、PCA主元分析法[7]、SIFT[8]及多尺度LBP[9]等。

本章首先在Surf算子[10]特征点提取的基础上，介绍一种结合局部特征点邻域圆优化的素描人脸识别方案来描述光学人脸和素描人脸的相似性。Surf 算法能够有效找到两副人脸的关键特征点，并对每一个特征点进行坐标邻域一致性描述，排除相对位置不在同一邻域的特征点，最后统计有效特征点数。这里采用CUHK数据库[11]中的素描及光学人脸对算法进行测试，验证算法的有效性。然后针对人脸识别问题，在研究基于张量Tucker分解的张量子空间学习模型对人脸图像进行特征提取的基础上建立张量排序，保留判别分析模型（Tensor Rank Preserving Discriminant Analysis，TRPDA）。

本章内容是为合成或者识别提供理论基础，这对于后续的研究具有重要意义。在此基础上逐渐实现算法的优化及发展，并尝试与其他算法相结合，为素描人脸技术领域提出一些更为适用、更具可扩展性、更具实际应用价值的算法。