用于人脸识别的鲁棒人脸表征

基于摘要分析。该学位论文研究非受控真实环境下同一人的面部外观变化，考察整体特征与局部特征表征，目标是降低个体内变化的影响并增强身份判别能力。摘要具体介绍了降维方法比较，以及结合自动异常检测与最近子空间分类器的鲁棒识别框架。 在整体表征方面，研究以图像像素强度构成的高维特征为起点，系统比较线性与非线性降维方法。作者报告，在所考察的低维人脸特征提取实验中，线性 PCA 的表现可与文中比较的较新非线性方法相当，并以非线性的量化度量提供分析依据。摘要未列出数据集、划分、比较方法名称及具体指标，因此该结论不能推广为线性方法普遍优于非线性方法。 在鲁棒识别方面，自动异常检测器通过衡量图像区域的重建能力定位受损区域，最近子空间分类器则使用多个线性子空间建模人脸数据。摘要未说明二者如何衔接、异常阈值如何确定，也未展开局部特征模型；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，若 EEG 中部分局部伪迹难以由干净信号子空间重建，重建能力或可辅助识别受污染片段；这依赖代表性的参考数据及适当的时空分段，需改造图像区域表示和身份分类目标。低信噪比、跨被试差异、通道变化及小样本可能使真实神经活动也呈现较差重建。可在固定被试内划分中，仅用训练集拟合子空间，在测试片段注入已知位置的局部伪迹，比较检测定位与下游分类是否改善。该假设不构成已验证的 EEG 效果，相关 EEG 工作尚未检索确认。