王 钰，刘 凡，王 菲

1.河海大学 海岸灾害及防护教育部重点实验室，南京210098

2.河海大学 计算机与信息学院，南京210098

在许多现实的人脸识别场景，比如护照验证和登机口身份识别，通常很少甚至只有一个训练图像，而测试样本可能包含各种剧烈的脸部变化如光照、表情和遮挡，这就是所谓的单样本人脸识别问题。如何在含有剧烈类内变化的人脸识别场景中取得较好的识别效果，成为当前许多人脸识别工作研究的重点问题。针对这个问题，研究者们提出了许多单样本人脸识别的解决方案。

受到稀疏表示的启发，Wright 等[1]首次将基于稀疏表示的分类方法（Sparse Representation Classification，SRC）用于人脸识别中并取得了很好的效果。基于SRC 的人脸识别方法背后的基本假设是待分类的人脸图像可以由字典中的同类人脸图像线性表示。然而，在单样本人脸识别问题中，一方面，每类单张训练样本很难构造出一个过完备的字典，另一方面，待分类人脸包含剧烈的类内变化，因而SRC方法很难取得在这一问题中取得令人满意的效果。研究者们尝试从不同角度改进SRC方法，大致可以分为基于虚拟样本的方法[2-8]、基于特征的方法[9-11]和基于通用训练集的方法[12-14]。对于基于虚拟样本的方法，Zhao 等[3]提出尝试通过旋转、翻转等几何变换获取虚拟样本的方法。刘江等[5]提出利用稀疏重构构建虚拟图像，从而提高识别准确率。Zhu等[6-7]提出PSRC 方法，将图片分成块的方法，每个块被视为一个独立的样本来扩充训练样本，最终的分类结果由各个块投票给出。……