基于稀疏表示的人脸识别研究综述.docVIP

基于稀疏表示的人脸识别研究综述

一、稀疏表示理论基础与人脸识别的适配逻辑

稀疏表示的核心思想源于压缩感知理论，其本质是在过完备字典下，高维信号可以通过极少数原子的线性组合进行精准表示。对于人脸识别任务而言，人脸图像本身具有天然的稀疏性特质：人脸的局部纹理（如眼角、嘴角、鼻梁等关键特征区域）、不同表情下的形变差异、光照变化导致的像素偏移等，均可以在特定基空间下呈现稀疏分布。当将所有人脸训练样本作为过完备字典的原子时，同一身份的人脸样本往往会聚集在字典的低维子空间中，因此待识别的人脸样本可以仅通过同一身份的几个训练样本的线性组合完成重构，非对应身份的样本系数则会趋近于零，这一特性构成了稀疏表示分类（SparseRepresentationbasedClassification,SRC）的核心逻辑。

传统人脸识别方法如PCA、LDA等均依赖于对人脸特征的显式提取与降维，易受光照、遮挡、姿态变化等干扰因素影响，而稀疏表示方法无需预先设计复杂的特征提取器，直接将原始图像向量化作为输入，通过求解L1范数最小化问题得到稀疏系数向量，最终根据不同类别样本的重构误差完成分类。这种“数据驱动”的处理范式极大降低了人工特征设计的成本，同时提升了算法对复杂干扰的鲁棒性，这也是稀疏表示能够在人脸识别领域快速普及的核心原因。

二、基于稀疏表示的人脸识别主流算法框架

（一）经典SRC算法及其优化方向

2