鲁棒异构判别分析的单样本人脸识别（文末附文章地址）

【 导读 】每个人只有单样本的识别是人脸识别(FR)中最具挑战性的问题之一，每个人只有一个单本（SSPP）参加训练。虽然现有的基于patch的方法在FR中取得了很大的成功，但是在处理复杂的人脸变化时，它们在特征提取和识别阶段仍然存在局限性。今天，我们要说的技术，提出了一种新的基于 patch 的方法，称为鲁棒异构判别分析(RHDA)，用于带有SSPP的FR。为了提高对复杂人脸变化的鲁棒性，首先提出了一种新的基于图的Fisher-like准则，它包含了两个不同的嵌入，以学习图像块的异构判别表示。然后引入两个距离度量，即patch-to-patch距离和 patch-to-manifold距离，并通过联合多数投票的方式，开发一种融合策略，将上述两个距离度量的识别输出结合起来进行识别。在各种基准数据集上的实验结果表明了该方法的有效性。

背景

尽管现有的基于patch的SSP 在FR取得了较好的性能，但这些方法仍然存在两个主要缺陷:

1） 特征提取： 基于图的Fisher准则应用于最先进的基于patch的方法，即DMMA和SDMME不能生成表示(即特征)足够有辨别力的。注意，LE-graph和l1-graph分别是描述图像数据相似性关系和重构关系的两种常用图。然后，对于上述两种基于patch的方法：

• DMMA 保留类内patch的LE-graph，同时破坏类间patch的LE-graph(见下图1)，这样做会使类内临近的patch相互靠近，而相邻的类间patch在学习的子空间中保持较远的距离。然而，在该准则中，忽略了类内patch的关键重构结构，可能导致恢复的子空间结构偏离了原本子空间结构。

• SDMME 保留了类内patch的 l1-graph ，同时破坏了类内patch的 l1-graph (见下2)。与直接抑制类间patch的相似性相比，破坏类间重建关系是一种较弱的惩罚，因此类间patch仍然有机会留在附近。此外，SDMME中类间patch的重建系数计算比较费时，因为类间patch的数量远远大于类内patch的数量。

2） 识别： 人们相信，一个patch的查询示例，它应该(1)类似于patch在同一位置,或/和(2)由邻近重建的patch。然而，现有patch-based方法只考虑两个观测中的一个，这在处理复杂的面部变化时是不够的。例如，PSRC和PCRC只是利用相同位置的patch的相似性来标识查询样本。但是，当查询样本中存在位姿变化或不对齐时，查询与图库样本位置相同的patch很可能不匹配，容易导致查询patch被错误分类。另外，DMMA和SDMME只是简单地计算查询patch程序与库样例中相邻patch程序之间的重建残差，用于识别。然而，这种基于重构的距离度量对查询样本中的严重光照和阴影等面部变化非常敏感。

怎么去解决呢？？？

方法