面向鲁棒掌纹特征表示与识别的判别式多视图学习

基于摘要分析。本文研究掌纹识别中的特征表示问题，针对手工二值描述子依赖先验知识、单视图方法难以充分表示低质量掌纹图像的问题，提出 Row-sparsity Binary Feature Learning-based Multiview（RsBFL_Mv），联合学习多视图投影与判别式二值编码。 方法利用训练多视图数据学习多个投影矩阵，将各视图特征转换为二值码，再将各视图二值码转换为实值特征图，计算直方图并拼接用于匹配。学习过程包含三类约束：同时最小化实值投影特征与二值特征之间的量化误差及投影误差；利用各视图标签信息缩小类内距离、扩大类间距离；通过 l₂,₁ 范数约束投影矩阵，以行稀疏方式提取更具代表性的特征。具体视图构造、目标函数权重及优化流程尚未验证。 作者报告，在两个公开掌纹数据集上的实验支持该方法的识别准确性与计算效率，并在两个指静脉数据集上进行了额外验证。摘要未提供数据集名称、划分、对照方法、具体指标或数值；这些结果属于掌纹与指静脉识别，不能直接作为 EEG/BCI 有效性的证据。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是利用标签监督，在多个特征视图之间学习紧凑且具有类别区分度的表示，可能对应 EEG 多频带或多时窗特征的融合需求。可考虑复用判别投影、二值量化及行稀疏约束，但图像特征图与直方图匹配流程需要改造。低信噪比下的二值化信息损失、通道差异、跨被试分布偏移及小数据下的监督过拟合均可能导致失败。一个可证伪的小实验是在同一 EEG 数据划分下，以多频带特征为视图，对比单视图、直接拼接与该联合学习机制，并消融二值量化和行稀疏约束；被试内与跨被试结果应分开报告。已有 EEG 相关工作尚未检索确认。