多矩阵低秩分解的鲁棒特征提取

由于传统的人脸识别算法效果容易受制于光照、表情、遮挡以及稀疏大噪声等外界因素的影响,如何有效提取数据特征、进一步提升算法的鲁棒性,是传统人脸识别方法发展的关键所在。本文将多矩阵低秩分解应用在人脸特征提取中,充分利用多张人脸之间的结构相似性,探索人脸图像集的低秩子空间,进而结合低秩矩阵恢复模型来提取测试样本的低秩特征。最后,利用主成分分析(Principal component analysis,PCA)算法对所提取的特征矩阵进行进一步降维,并运用稀疏表示方法分类。实验结果表明,当样本中存在一定的椒盐噪声时,本文算法在AR、Yale和CMU_PIE人脸库上均具有较好的识别精度,验证了本文算法对椒盐噪声的鲁棒性。