姿態(tài)魯棒的分塊稀疏表示人臉識(shí)別算法

姿態(tài)魯棒的分塊稀疏表示人臉識(shí)別算法

0基于稀疏表示人臉識(shí)別算法的人臉姿態(tài)變化建模方法基于圖像的人臉識(shí)別技術(shù)是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)之一，在公共服務(wù)、人工智能、計(jì)算機(jī)科學(xué)等領(lǐng)域發(fā)揮著重要作用。經(jīng)過幾十年的努力，基于圖像的人臉識(shí)別技術(shù)取得了很大進(jìn)步，但人臉識(shí)別問題尚未得到解決。高效陸棒識(shí)別算法仍面臨許多挑戰(zhàn)，如“維數(shù)災(zāi)難”、光變化、姿態(tài)變化等。現(xiàn)有多數(shù)人臉識(shí)別算法主要基于統(tǒng)計(jì)學(xué)習(xí)理論,利用大量訓(xùn)練樣本來學(xué)習(xí)人臉分類器,根據(jù)得到的分類器模型進(jìn)行人臉識(shí)別.但是,經(jīng)典統(tǒng)計(jì)學(xué)習(xí)理論主要建立在訓(xùn)練樣本數(shù)量足夠大的基礎(chǔ)上.對(duì)于人臉識(shí)別問題而言,人臉圖像的維度往往比較高,而且訓(xùn)練樣本數(shù)目卻非常有限.統(tǒng)計(jì)學(xué)習(xí)對(duì)象的維數(shù)和樣本量之間差距巨大,從而形成典型的小樣本學(xué)習(xí)問題.根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論,小樣本學(xué)習(xí)通常導(dǎo)致學(xué)習(xí)結(jié)果的精度不夠、推廣性差.同時(shí),為了應(yīng)對(duì)外界因素(如光照、視角等)變化的影響,現(xiàn)有多數(shù)人臉識(shí)別算法對(duì)人臉圖像進(jìn)行預(yù)處理,提取各種人臉特征(如LBP特征).然而,從信息獲取角度看,對(duì)人臉圖像提取特征會(huì)導(dǎo)致信息丟失,甚至可能引入噪聲,降低人臉識(shí)別算法的精度和魯棒性.因此,現(xiàn)有多數(shù)人臉識(shí)別算法性能低下,魯棒性差,難以滿足需要.稀疏表示人臉識(shí)別算法(SRC)是近年來新出現(xiàn)的一個(gè)比較有效的人臉識(shí)別算法.它假設(shè)任一張人臉圖像都可以用同一個(gè)人訓(xùn)練樣本的線性組合來表示,通過尋找測(cè)試樣本相對(duì)于整個(gè)訓(xùn)練集的稀疏表示系數(shù)來發(fā)現(xiàn)測(cè)試圖像所屬的用戶身份.借助于先進(jìn)的高維凸優(yōu)化技術(shù)(如L1范數(shù)最小化),稀疏表示系數(shù)可以被精確穩(wěn)定地恢復(fù)出來,解的精度和魯棒性都有理論上的保證.與現(xiàn)有多數(shù)方法相比,SRC方法直接利用了高維數(shù)據(jù)分布的基本特性(即“稀疏性”)進(jìn)行統(tǒng)計(jì)推斷,可以有效地應(yīng)對(duì)維數(shù)災(zāi)難問題.同時(shí),SRC方法直接利用原始像素進(jìn)行人臉識(shí)別,可以有效地避免各種預(yù)處理過程.通過選擇合適的訓(xùn)練圖像(不同光照和表情)并利用稀疏信號(hào)對(duì)損毀像素建模,SRC方法可以有效地應(yīng)對(duì)光照變化、表情變化、局部遮擋等問題,具有良好的魯棒性.但是,現(xiàn)有SRC方法要求測(cè)試圖像和訓(xùn)練圖像嚴(yán)格對(duì)齊,姿態(tài)變化會(huì)引起人臉圖像產(chǎn)生對(duì)齊誤差,降低SRC方法的識(shí)別性能.姿態(tài)問題已經(jīng)成為SRC方法走向?qū)嵱帽仨毥鉀Q的一個(gè)主要問題.本質(zhì)上說,人臉圖像是3D人臉物體在2D像平面中的映射.從成像過程來看,當(dāng)成像視角發(fā)生變化時(shí),3D人臉表面特征點(diǎn)在2D人臉圖像中的位置也會(huì)發(fā)生改變,從而產(chǎn)生對(duì)齊誤差.因此,姿態(tài)問題可以歸結(jié)為成像視角變化問題,可以根據(jù)相機(jī)成像模型對(duì)其進(jìn)行建模.基于該思路,文獻(xiàn)利用圖像的仿射變換模型來對(duì)人臉圖像的姿態(tài)變化進(jìn)行建模,借助于Lucas-Kanade方法來估計(jì)最佳仿射變換參數(shù),基于該參數(shù)來對(duì)測(cè)試圖像進(jìn)行姿態(tài)矯正,提高SRC方法對(duì)姿態(tài)變化的魯棒性.不同的是,文獻(xiàn)利用所有用戶的訓(xùn)練圖像進(jìn)行估計(jì)測(cè)試圖像的最佳仿射變換參數(shù),文獻(xiàn)則利用每個(gè)用戶的訓(xùn)練圖像估計(jì)測(cè)試圖像相對(duì)于不同用戶的最佳仿射變換參數(shù).(Ⅰ)現(xiàn)有工作利用仿射變換模型對(duì)整個(gè)人臉的姿態(tài)變化建模.由于圖像的仿射變換模型只能描述平面物體的姿態(tài)變化,而人臉是表面凹凸不平的3D物體,用仿射變換模型來描述整個(gè)人臉的姿態(tài)變化自然會(huì)降低模型精度,影響現(xiàn)有算法所能處理的姿態(tài)變化范圍;(Ⅱ)在仿射變換參數(shù)估計(jì)過程中,現(xiàn)有方法實(shí)際上對(duì)仿射變換模型進(jìn)行線性化處理,利用仿射變換函數(shù)的一階泰勒展開來近似,通過不斷迭代更新仿射變換參數(shù)來逐步逼近最佳仿射變換參數(shù).這種參數(shù)估計(jì)方法對(duì)參數(shù)初始值的設(shè)置非常敏感,容易陷入局部最優(yōu),要求仿射變換參數(shù)的初值盡可能與最優(yōu)值接近.然而,現(xiàn)有方法都采用固定的初始值,所得到的仿射變換參數(shù)往往存在著較大估計(jì)誤差,嚴(yán)重影響了算法的識(shí)別性能.因此,現(xiàn)有相關(guān)算法只能容忍小角度姿態(tài)變化情況,算法識(shí)別性能有待進(jìn)一步提升.基于上述分析,本論文擬提出一種姿態(tài)魯棒的分塊稀疏表示人臉識(shí)別算法(part-basedSRC,PSRC),提高SRC方法對(duì)姿態(tài)變化的魯棒性.其核心思想是:對(duì)人臉圖像進(jìn)行分塊表示,利用仿射變換模型對(duì)各圖像分塊的姿態(tài)變化進(jìn)行建模,估計(jì)圖像分塊的最佳仿射變換參數(shù)來進(jìn)行姿態(tài)矯正.由于人臉的局部區(qū)域可以近似看成平面物體,可以用仿射變換模型精確建模處理更大范圍內(nèi)的姿態(tài)變化,提高整個(gè)算法對(duì)姿態(tài)變化的魯棒性.為提高參數(shù)估計(jì)精度,該算法利用重構(gòu)誤差最小化為各局部區(qū)域估計(jì)較優(yōu)的初始值,這有助于避免算法陷入局部最優(yōu),提高算法識(shí)別性能.在常用數(shù)據(jù)集(ExtendedYaleB人臉庫和FERET人臉庫)上的測(cè)試結(jié)果表明,本文算法比現(xiàn)有相關(guān)算法具有更好的識(shí)別性能,具有更好的姿態(tài)變化魯棒性.1人臉圖像的稀疏表示稀疏表示人臉識(shí)別算法主要建立在壓縮感知理論基礎(chǔ)上,假設(shè)每個(gè)用戶的注冊(cè)圖像都可以對(duì)圖像子空間中形成一個(gè)獨(dú)立的劃分,任一張人臉圖像都可以由同一用戶自身注冊(cè)集的線性組合來表示,通過計(jì)算測(cè)試圖像相對(duì)于所有注冊(cè)集的稀疏表示系數(shù)來揭示測(cè)試圖像所屬的用戶類別.假設(shè)有R個(gè)用戶,第m個(gè)用戶有nm張正面注冊(cè)圖像,該用戶的第j張人臉圖像用向量vmj表示.所有注冊(cè)圖像組成字典矩陣A=[A1,A2,…,AR],其中Am=[vm1,vm2,…,vmnm]表示由第m個(gè)用戶的nm張注冊(cè)圖像構(gòu)成的矩陣.給定一張待識(shí)別人臉圖像y,如其屬于第m個(gè)用戶,則理論上只需用第m個(gè)用戶的注冊(cè)圖像就能線性表示y,即y=Amxm.如果用所有注冊(cè)圖像的線性組合來表示y(即y=Ax),則x中只有與y同一類的注冊(cè)樣本之前的系數(shù)非零,即x=[0,…,0,xTm,0,…,0]T.由于x比較稀疏,因此我們可以通過求解如下最優(yōu)化問題來計(jì)算xminx∥x∥0s.t.y=Ax(1)該問題屬于非凸最優(yōu)化問題,難以直接求解.根據(jù)文獻(xiàn)的研究結(jié)果,我們通常把0-范數(shù)最小化問題轉(zhuǎn)化為1-范數(shù)最小化問題來求解,即minx∥x∥1s.t.y=Ax(2)問題(2)屬于可求解的凸優(yōu)化問題,已有許多成熟的求解算法,可以參考文獻(xiàn).如果考慮人臉遮擋造成的像素?fù)p毀,我們可以把最優(yōu)化問題(2)轉(zhuǎn)化為最優(yōu)化問題(3)來求解x,即minx∥x∥1+λ∥e∥1s.t.y=Ax+e(3)式中,e表示損毀噪聲(其幅值可以無限大),對(duì)應(yīng)于因圖像遮擋而被損毀的像素.最后,根據(jù)稀疏表示系數(shù)x計(jì)算待識(shí)別圖像y與每個(gè)用戶注冊(cè)圖像的重構(gòu)誤差rm(y),選擇誤差最小的那個(gè)用戶即為識(shí)別結(jié)果,即rm(y)=∥y-Aδm(x)∥2(4)式中,δm(x)表示在權(quán)重向量x中除了第m個(gè)用戶的注冊(cè)圖像的系數(shù)保持不變,其他系數(shù)全部置0.為了處理光照問題,SRC方法利用文獻(xiàn)的研究結(jié)果,用不同光照條件人臉圖像來合成同一個(gè)人任意光照下的人臉圖像,通過為每個(gè)用戶選擇不同光照的人臉圖像來構(gòu)造注冊(cè)集.但是,文獻(xiàn)的研究結(jié)論是建立在人臉圖像嚴(yán)格對(duì)齊的基礎(chǔ)上,用戶姿態(tài)的變化會(huì)導(dǎo)致人臉圖像產(chǎn)生對(duì)齊誤差,破壞基本假設(shè),使得SRC方法計(jì)算的稀疏表示系數(shù)失去了相應(yīng)的語義含義,導(dǎo)致算法性能急劇下降.為此,本文提出了姿態(tài)魯棒的分塊稀疏表示人臉識(shí)別算法,應(yīng)對(duì)姿態(tài)變化對(duì)識(shí)別算法性能的影響.2分塊的姿態(tài)變化建模PSRC算法的主要思路是:對(duì)人臉圖像進(jìn)行分塊表示,利用仿射變換模型對(duì)圖像分塊的姿態(tài)變化建模;對(duì)于每個(gè)測(cè)試圖像分塊,在注冊(cè)圖像中搜索與它最優(yōu)匹配的分塊,估計(jì)出各分塊的最佳仿射變換參數(shù);為提高參數(shù)估計(jì)精度,算法利用區(qū)域重構(gòu)誤差最小化為每個(gè)圖像分塊估計(jì)仿射變換參數(shù)初始值.整個(gè)流程如圖1所示.2.1人臉圖像的成像模型給定一張人臉圖像I,算法利用C個(gè)圖像分塊來表示該人臉圖像.為此,算法首先在圖像I中尋找C個(gè)點(diǎn)(xi,yi)(1≤i≤C)作為各圖像分塊的中心點(diǎn).在每個(gè)中心點(diǎn)周圍選擇大小為h×w的矩形鄰域S(xi,yi)作為人臉圖像分塊,該圖像分塊對(duì)應(yīng)的像素值記為I(S(xi,yi))∈Rh×w.為了方便,本論文用Si表示第i個(gè)圖像分塊S(xi,yi).為了對(duì)區(qū)域姿態(tài)變化建模,我們根據(jù)圖像成像模型,利用仿射變換模型來建立不同視角下人臉圖像的幾何變換關(guān)系.假設(shè)I0(Si)是參考視角下人臉圖像的第i個(gè)圖像分塊,I′(Si)是其在測(cè)試圖像中對(duì)應(yīng)的圖像分塊,根據(jù)成像模型,我們可以用仿射變換模型來描述兩者之間的幾何變換關(guān)系,即Ι′(Si)=Ι0(Τ(Si,t))(5)式中,T(·,t)表示仿射變換模型,t為仿射變換參數(shù).2.2最佳問題的求解假設(shè)Imj為第m個(gè)用戶的第j張注冊(cè)圖像(1≤j≤k),Imj(T(Si,t))∈Rh×w是與測(cè)試圖像第i個(gè)圖像分塊I′(Si)對(duì)應(yīng)的最佳匹配塊,vec(Imj(T(Si,t)))和vec(I′(Si))分別表示對(duì)圖像分塊像素點(diǎn)進(jìn)行向量化.如果用戶注冊(cè)圖像形成一個(gè)獨(dú)立的子空間劃分,則任一張嚴(yán)格對(duì)齊的人臉圖像都可以用同一用戶的注冊(cè)圖像的線性組合來表示,圖像分塊也具有這種線性關(guān)系.因此有vec(Ι′(Si))≈k∑j=1βjvec(Ιmj(Τ(Si,t)))=Ami(t)β(6)式中,Ami(t)=[vec(I1m(T(Si,t))),…,vec(Imk(T(Si,t)))]表示第m個(gè)用戶注冊(cè)圖像集最佳匹配塊的向量集合,β=[β1,?,βk]Τ表示線性擬合系數(shù).為了得到仿射變換參數(shù)t,算法求解如下最優(yōu)化表達(dá)式(tim,βim)=argmint,β∥vec(Ι′(Si))-Aim(t)β∥22(7)為求解最優(yōu)化問題(7),我們首先給定仿射變換參數(shù)t,求解線性表示系數(shù)β;然后固定線性表示系數(shù)β,求解仿射變換參數(shù)t.通過多次迭代逐步逼近最佳的仿射變換參數(shù).(Ⅰ)線性表示系數(shù)β的求解.當(dāng)仿射變換參數(shù)t已知時(shí),式(7)是個(gè)經(jīng)典的誤差平方和最小化問題,β的最優(yōu)解可以直接根據(jù)下式求解β=((Aim(t))ΤAim(t))-1(Aim(t))Τvec(Ι′(Si))(8)(Ⅱ)仿射變換參數(shù)t的求解.當(dāng)給定線性表示系數(shù)β=[β1,…,βk]T時(shí),為更新仿射變換參數(shù)t,我們求解如下最優(yōu)化問題t=argmint∑X∈Si(Ι′(X)-∑j=1kβjΙjm(Τ(X,t)))2(9)對(duì)于問題(9),我們借助于Lucas-Kanade算法來求解.根據(jù)給定的仿射變換參數(shù)初始值t=tmOri,計(jì)算當(dāng)前估計(jì)值的更新步長Δt,然后迭代更新當(dāng)前估計(jì)值t←t+Δt,通過多次迭代來逐步逼近最優(yōu)估計(jì)值.為計(jì)算當(dāng)前參數(shù)值的更新步長Δt,我們把問題(9)轉(zhuǎn)化為Δt=argminΔt∑X∈Si(Ι′(X)-∑j=1kβjΙjm(Τ(X,t+Δt)))2(10)利用泰勒展開對(duì)問題(10)進(jìn)行線性化處理,得到Δt=argminΔt∑X∈Si(Ι′(X)-Q-?Q?Τ?tΔt)2(11)式中,Q=∑j=1kβjΙjm(Τ(X,t)).式(11)同樣是個(gè)經(jīng)典的誤差平方和最小化問題,它的解為Δt=Η-1∑X∈Si(?Q?Τ?t)Τ(Ι′(X)-Q)Η=∑X∈Si(?Q?Τ?t)Τ(?Q?Τ?t)}(12)從上面計(jì)算過程可以看出,為了估計(jì)仿射變換參數(shù),算法實(shí)際上對(duì)仿射變換模型進(jìn)行線性化處理,利用其一階泰勒展開來近似(式(11)).該近似模型只有在Δt較小情況下才有效,也就是要求人臉姿態(tài)變化較小.當(dāng)姿態(tài)變化較大時(shí),算法必須多次迭代,不斷更新t才能得到真實(shí)的仿射變換參數(shù)值.但是,多次迭代更新會(huì)引入累計(jì)估計(jì)誤差,容易陷入局部最優(yōu),影響參數(shù)估計(jì)精度.因此估計(jì)合適的仿射變換參數(shù)初值可以有效地降低迭代估計(jì)次數(shù),減少累計(jì)誤差,減少陷入局部最優(yōu)值的概率,提高參數(shù)估計(jì)精度.(Ⅲ)初始仿射變換參數(shù)估計(jì).實(shí)驗(yàn)表明,當(dāng)圖像分辨率為105×100時(shí),如果人臉姿態(tài)變化不超過45°,則人臉圖像像素點(diǎn)的位移不超過5像素.基于該先驗(yàn)知識(shí),給定一個(gè)圖像分塊Si,本文在該分塊中心點(diǎn)(xi,yi)周圍5個(gè)像素范圍內(nèi),利用重構(gòu)誤差最小化技術(shù)尋找與測(cè)試圖像分塊I′(Si)最相似的注冊(cè)圖像分塊,如(pΟrim,qΟrim)=argmin-5≤p≤5-5≤q≤5∥vec(Ι′(Si))-∑j=1kαjΙjm(Si(p,q))∥2(13)式中,Si(p,q)表示Si(xi+p,yi+q).在此基礎(chǔ)上,計(jì)算仿射變換參數(shù)初值tΟrim=(10pΟrim01qΟrim)Τ2.3測(cè)試圖像類別對(duì)于第i個(gè)測(cè)試圖像塊,求解得到問題(7)中的仿射變換參數(shù)后,利用tim計(jì)算得到R類注冊(cè)圖像中與測(cè)試圖像塊最優(yōu)匹配的圖像塊,組成字典矩陣A=[Ai1(ti1),Ai2(ti2),…,AiR(tiR)].利用SRC算法計(jì)算測(cè)試圖像塊vec(I′(Si))在字典A上的稀疏表示系數(shù)x^.最后計(jì)算vec(I′(Si))與每一類注冊(cè)圖像塊的差值,并得出分類結(jié)果rm(vec(I′(Si)))=∥vec(Ι′(Si))-Aδm(x^)∥2,1≤m≤R(14)Ιdentity(vec(Ι′(Si)))=argminmrm(vec(Ι′(Si)))(15)當(dāng)確定測(cè)試圖像中所有分塊的類別后,通過投票表決確定整個(gè)測(cè)試圖像的類別,見圖1.3人臉圖像的實(shí)驗(yàn)結(jié)果為了驗(yàn)證所提出的PSRC算法的有效性,本文選擇目前比較常用的ExtendedYaleB人臉數(shù)據(jù)庫和FERET人臉數(shù)據(jù)庫作為實(shí)驗(yàn)數(shù)據(jù)集.ExtendedYaleB人臉數(shù)據(jù)庫包含38人在64種光照條件和9種姿態(tài)下獲取的人臉圖像.由于數(shù)據(jù)庫中提供的第15類(B16)人臉圖像是損壞的,本文在實(shí)驗(yàn)中舍棄該類圖像,利用余下的37類圖像進(jìn)行實(shí)驗(yàn),如圖2所示.FERET人臉數(shù)據(jù)庫比ExtendedYaleB人臉數(shù)據(jù)庫包含更多種類人臉圖像,但是每個(gè)用戶的人臉圖像比較少.實(shí)驗(yàn)中,我們使用正面圖像ba作為注冊(cè)集,而圖像bc(+40°),bd(+25°),be(+15°)和bf(-15°)作為測(cè)試圖像,如圖2所示.注冊(cè)集和測(cè)試集都包含194類人臉圖像(編號(hào)01013～01206),每類人臉圖像只包含1張人臉.實(shí)驗(yàn)中使用的圖像都被歸一化為105×100大小,局部區(qū)域大小為34×34.圖2中,第1行是不同光照下的正面注冊(cè)圖像,第2行是姿態(tài)發(fā)生變化的測(cè)試圖像實(shí)驗(yàn)通過在ExtendedYaleB和FERET人臉數(shù)據(jù)庫上比較PSRC算法、SRC算法、文獻(xiàn)算法、文獻(xiàn)算法之間的性能差異,以此來驗(yàn)證PSRC算法對(duì)姿態(tài)變化的魯棒性.其中,SRC算法和文獻(xiàn)算法分別根據(jù)原始論文單獨(dú)實(shí)現(xiàn),文獻(xiàn)算法直接利用作者主頁提供的代碼1.(Ⅰ)ExtendedYaleB數(shù)據(jù)庫上的性能比較情況實(shí)驗(yàn)選取第1,8,11,14,17種光照條件下獲取的正面圖像(第1種姿態(tài),pose0)作為注冊(cè)集,而測(cè)試圖像是第5種(pose4)和第9種(pose8)姿態(tài)下的前31種光照條件的人臉圖像,如圖2所示.每張人臉圖像用64個(gè)圖像分塊來表示,各分塊的中心點(diǎn)按8×8的網(wǎng)格排列.表1給出了PSRC與SRC算法、文獻(xiàn)方法在ExtendedYaleB人臉數(shù)據(jù)庫的性能比較情況.從表1可以看出,在不同姿態(tài)情況下,PSRC算法都獲得了最好的識(shí)別效果.當(dāng)姿態(tài)變化比較大時(shí),盡管SRC算法、文獻(xiàn)算法的識(shí)別性能急劇下降,PSRC仍然可以保持較好的識(shí)別率.造成這種狀況的主要原因在于:姿態(tài)變化會(huì)導(dǎo)致人臉圖像對(duì)齊誤差增加,導(dǎo)致SRC算法性能急劇下降;雖然文獻(xiàn)的算法利用仿射變換模型對(duì)整個(gè)人臉圖像姿態(tài)變化建模,但是當(dāng)姿態(tài)變化較大時(shí),仿射變換模型已失效,導(dǎo)致其識(shí)別性能急劇下降;對(duì)于PSRC方法,由于采用分塊來表示人臉圖像,各圖像分塊近似為平面,即使人臉姿態(tài)變化較大,仿射變換模型仍然可以很好地對(duì)姿態(tài)變化建模,使其仍保持著較高的識(shí)別率.(Ⅱ)在FERET數(shù)據(jù)庫上的性能比較情況表2列出了各算法在FERET人臉數(shù)據(jù)庫上的性能對(duì)比情況.從表2結(jié)果仍然可以得到相同結(jié)論:SRC對(duì)姿態(tài)變化很敏感,文獻(xiàn)算法只能處理小范圍內(nèi)的姿態(tài)變化,PSRC則可以處理較大范圍的姿態(tài)變化;同時(shí),在相同姿態(tài)變化條件下,PSRC具有最高的識(shí)別率.3.2psrc因變量與現(xiàn)有方法相比,本文算法的一個(gè)主要改進(jìn)就是利用局部區(qū)域重構(gòu)誤差最小化技術(shù)來估計(jì)仿射變換參數(shù)的初始值,提高仿射變換參數(shù)估計(jì)的精度.為了考察參數(shù)初值估計(jì)的重要性,我們對(duì)比了有初值估計(jì)和無初值估計(jì)兩種情況下PSRC算法的識(shí)別性能,結(jié)果如表3和表4所示.其中,PSRC表示有進(jìn)行初始估計(jì),PSRC_none表示沒有進(jìn)行初值估計(jì).對(duì)于PSRC_none算法,我們直接利用tmOri=(100010)T作為仿射變換參數(shù)的初值.從表3和表4可以看出,有初值估計(jì)的PSRC算法識(shí)別性能明顯優(yōu)于沒有初值估計(jì)的PSRC_none算法的識(shí)別性能.隨著姿態(tài)變化范圍擴(kuò)大,兩者之間的性能差距更加明顯.3.3圖像分塊大小對(duì)算法識(shí)別率的影響在實(shí)際測(cè)試中,算法分塊參數(shù)(包括分塊大小和分塊數(shù)目)對(duì)SPRC算法性能有著重要影響.為此,本文在ExtendedYaleB數(shù)據(jù)庫上通過改變分塊大小和分塊數(shù)目來測(cè)試分塊參數(shù)對(duì)算法性能的影響.為了確定圖像分塊的大小對(duì)算法性能的影響,我們固定圖像分塊數(shù)