英文题目 : Linear Regression for Face Recognition
中文题目 : 人脸识别的线性回归方法
作者 : Imran Naseem, Roberto Togneri, Mohammed Bennamoun
论文的提出，也就是写作目的，作者要解决什么问题？本文提出了一种新的人脸识别方法，将模式识别问题转化为线性回归。利用单个对象类的模式位于线性子空间的基本概念，我们开发了一个线性模型，将探测图像表示为特定于类的库的线性组合。反问题采用最小二乘法求解，决策有利于重建误差最小的类。所提出的线性回归分类（LRC）算法属于最近子空间分类的范畴。该算法在多个标准数据库上根据人脸识别文献中报告的一些示例性评估协议进行了广泛评估。与最新算法的对比研究清楚地反映了所提出方法的有效性。针对连续遮挡问题，我们提出了一种模块化的LRCAPP算法，引入了一种新的基于距离的证据融合（DEF）算法。提出的方法实现了最好的结果有史以来的挑战性问题围巾闭塞报告。
写作目的： 利用线性回归来进行人脸识别
解决问题的方法（详细介绍）引入了线性回归（LLR）的概念，专门用于解决姿势问题。该研究的主要目的是指出非正面人脸图像与其正面对应图像之间的近似线性映射；线性映射的估计被进一步表述为一个基于回归解的预测问题。对于严重姿态变化的情况，对非额叶图像进行采样以获得许多重叠的局部分段。将线性回归应用于每个小面片，预测相应的虚拟额叶面片；LLR方法在存在粗对准的情况下显示了一些良好的结果。在[11]中，采用了两步方法，融合了小波分解和判别分析的概念，设计了一个复杂的特征提取阶段。这些鉴别特征用于开发特征平面（用于最近的特征平面-NFP分类器）和特征空间（用于最近的特征空间-NFS分类器）。查询图像被投影到子空间上，决策规则有利于距离最小的子空间。然而，与基准技术相比，建议的LRC方法首次简单地使用降采样图像与线性回归分类相结合，以获得更好的结果。
此外，对于严重的连续遮挡问题，图像的模块化表示有望解决该问题[12]。基于这个概念，我们提出了一种有效的模块LRC方法。该方法对给定的遮挡图像进行分割，并对每个块做出单独的决策。这些中间决策使用一种新的基于距离的证据融合（DEF）算法进行组合，以达到最终决策。所提出的DEF算法使用中间决策的距离度量来决定分区的“优度”。使用DEF方法有两个主要优点。首先，动态拒绝非面分区；因此，他们不参与最终决策。其次，由于人脸分割的有效决策融合，整体识别性能优于组合分割的最佳个体结果。
论文的创新在什么地方？采用了两步方法，融合了小波分解和判别分析的概念。
LRC方法首次简单地使用降采样图像与线性回归分类相结合，以获得更好的结果。
这些中间决策使用一种新的基于距离的证据融合（DEF）算法进行组合，以达到最终决策。
效果： 所提出的LRC算法广泛使用人脸识别文献中报道的最标准数据库和各种评估方法进行评估。具体来说，不同的面部表情和连续咬合的挑战得到解决。与最先进算法的大量对比分析清楚地反映了所提出方法的效力。拟议的LRC方法揭示了许多有趣的结果。除了用于伪装情况下人脸识别的模块化LRC方法外，LRC方法在不需要任何人脸定位和/或归一化预处理步骤的情况下产生高识别精度。
局限性： 未知
复杂问题简单化。
