改进加权投票的PCA-Net多特征融合SSFR

单样本人脸识别是人脸识别在实际应用中面临的挑战性问题之一,虽然深度学习在人脸识别方面取得突破性进展但其性能依赖海量标注性数据,故其在单样本上性能有限。而传统浅层特征对有标注的数据量需求不高,但因单样本数据缺少类内变化其性能有限,提出一种改进加权投票的PCA-Net多特征融合算法。在数据集方面,利用LU分解生成虚拟样本扩展数据集;根据PCA-Net特征下样本的相关性细化数据集,实现对数据集初步特征提取和筛选;在细化数据集上提取多LBP特征并与PCA-Net特征进行加权投票。在AR、Extended Yale B、CMU-PIE三个数据库上的实验结果表明,所提方法提高了单样本人脸识别性能。