小組成員：無(wú)約束人臉識(shí)別方法無(wú)約束人臉識(shí)別的任務(wù)檢測(cè)并提取人臉區(qū)域?qū)θ四槄^(qū)域進(jìn)行預(yù)處理提取人臉特征在數(shù)據(jù)庫(kù)或模型中匹配識(shí)別傳統(tǒng)方法基于全局特征的方法Eigenface,Fisherface…基于局部特征的方法幾何特征,Gabor,LBP,基于模型基于神經(jīng)網(wǎng)絡(luò)的方法基于SVM的方法光照年齡姿態(tài)表情遮擋……影響人臉識(shí)別的新發(fā)展近年來(lái)，基于度量學(xué)習(xí)的人臉識(shí)別方法逐漸成為人臉識(shí)別領(lǐng)域中的研究熱點(diǎn)，不斷有新的方法提出。LDMLMatthieuGuillaumin等@2009ICCV識(shí)別率：79.27%CSMLHieuV.Nguyen等@2010ACCV識(shí)別率：88.00%PMMLZhenCui等@2013CVPR識(shí)別率：89.35%DDMLJunlinHu等@2014CVPR識(shí)別率：90.68%新方法介紹：2013IEEEConferenceonComputerVisionandPatternRecognitionFusingRobustFaceRegionDescriptorsviaMultipleMetricLearningforFaceRecognitionintheWild[ZhenCui,WenLi,DongXu,ShiguangShan,XilinChen]提出了一種新的特征描述子（SFRD/STFRD）提出了一種成對(duì)約束多度量學(xué)習(xí)方法（PMML）在LFW,YTF這兩個(gè)數(shù)據(jù)集上是當(dāng)時(shí)最好的方法方法流程圖獲得人臉圖像將人臉圖像分區(qū)域抽取塊特征提取PMML方法提取特征非負(fù)稀疏編碼

用k-means聚類學(xué)習(xí)得到一個(gè)過(guò)完備的視覺(jué)詞典D。把所有的樣本塊p作為稀疏編碼的輸入，得到他們的編碼c。Sumpooling

第k個(gè)區(qū)域的TF特征可以通過(guò)下式得到提取特征白化PCA

我們把所有訓(xùn)練圖像的第k個(gè)區(qū)域的TF特征的協(xié)方差矩陣記作.協(xié)方差矩陣的特征分解為

白化PCA就是取前m個(gè)最大的特征值組成，目的是為了降低特征的維數(shù)。(m<M)

為第k個(gè)區(qū)域的SFRD/STFRDPMML度量學(xué)習(xí)一對(duì)訓(xùn)練樣本之間的距離定義為：Informationtheoreticmetriclearning采用theLogDetdivergencePMML則我們要求解的問(wèn)題就轉(zhuǎn)化為：它的優(yōu)點(diǎn)在于聯(lián)合地學(xué)習(xí)了每個(gè)區(qū)域的，隱含了全局的信息。實(shí)驗(yàn)結(jié)果DDML

實(shí)驗(yàn)結(jié)果DDML算法在LFW和YTF上都表現(xiàn)了很好的性能。總結(jié)新方