《中國人工智能學會通訊》——10.26 相關工作

在這部分我們回顧了相關文獻。文獻 [11] 提出了一種基于 3D morphable 模型的方法來計算形狀和紋理資訊，用來比對帶有姿态和光照變化的人臉。Ho et al [1] 運用馬爾科夫随機場提出了一種姿态魯棒的人臉識别算法。文獻 [12] 提出一種基于機率模型的方法，它可以通過考慮不同視圖人臉局部部分去模組化人臉表面變化。Castillo et al [2] 提出一種基于視窗的密度立體比對法，它可以解決大幅度姿态的變化。Chai et al [4] 提出一種姿态魯棒的人臉識别方法，它主要是通過使用基于局部圖檔的矯正。在他們的方法中，通過所給的非正面圖來虛拟出正面圖檔，主要是通過估計非正面圖與正面圖之間的轉換矩陣。在文獻 [13] 中，一種基于集論特征的方法被提出，它主要是解決由于模糊、姿态及光照的退化問題。文獻 [14] 提出了一種處理不同姿态的姿态歸一化方法。在文獻 [15] 中，一種基于度量學習的方法被提出，它主要是通過正負對資訊學習到具有一個具有識别力的潛在的空間。Zhu et al [16] 提出一種轉換子空間學習法，它通過比對 NIR-VIS 人臉圖檔作為多樣化人臉比對任務。Lu et al [17] 提出一種對于親密關系核實的相鄰擊退度量學習法。一種基于高斯混合模型和凸優化度量的學習法在文獻 [18] 中被提出。

文獻 [19] 提出了涉及低分辨率人臉識别所出現挑戰的一些細節的讨論。Baker et al [20] 提出了一種人臉識别法，它主要是對正面人臉圖檔學習分辨率增強函數。Nishiyama et al [21] 提出了一種基于聚類的人臉識别算法，它主要是用于識别模糊的人臉。Zou et al [22] 解決了識别低分辨率人臉圖檔的問題，它通過在訓練過程中，學習高分辨率訓練圖檔與低分辨測試圖檔之間的空間關系；通過使用線性回歸并且施加不同的限制來學習這種關系；并且為了機器識别的目的提出了一種判别限制。文獻 [23-24]提出一種耦合映射學習方法，通過把低分辨率測試圖檔和高分辨率訓練圖檔投影到一個統一的潛在空間來提高人臉識别精度。

參考人臉的概念與文獻 [25] 中提到的相似分類法相關，帶有一些參考人臉，它可以測得所給人臉的相似性。在文獻 [25] 中，測試圖檔人臉部分被分類為相似與參考圖檔中的其中一個。然而在本文提到的方法中，測試圖檔和訓練圖檔的相關距離被用作特征表示。