Resumen

En las aplicaciones reales de reconocimiento facial, los conjuntos de muestras se actualizan constantemente. Sin embargo, la mayoría de los modelos de reconocimiento facial con estrategia de aprendizaje no tienen en cuenta este hecho y utilizan un conjunto de entrenamiento fijo para aprender los modelos de reconocimiento facial de una sola vez. Además, las muestras de prueba se descartan una vez finalizado el proceso de prueba. Es decir, los procesos de entrenamiento y prueba están separados y el segundo no retroalimenta al primero para obtener mejores resultados de reconocimiento. Para atenuar estos problemas, este artículo propone un método de aprendizaje disperso en línea para el reconocimiento facial. Puede actualizar el vector de evaluación de saliencia en tiempo real para construir un modelo dinámico de descripción de rasgos faciales. También se propone una estrategia para actualizar el conjunto de galerías. Tanto el modelo dinámico de descripción de rasgos faciales como el conjunto de galerías se emplean para reconocer rostros. Los resultados experimentales muestran que el método propuesto mejora la precisión del reconocimiento facial, en comparación con los modelos de aprendizaje clásicos y otros métodos de reconocimiento facial de última generación.

• Materias:Ingeniería electrónica Redes Inalámbricas Arquitectura informática Sistemas de comunicación Informática Procesamiento de datos
• Subjects:Electronic engineering Wireless Networks Computer architecture Communication systems Computing Data processing
• Palabras claves:modelo dinámico de descripción de rasgos faciales, modelos de reconocimiento facial, aplicaciones reales de reconocimiento facial, métodos artísticos de reconocimiento facial, método de aprendizaje disperso en línea, mejores resultados de reconocimiento, modelos clásicos de aprendizaje, precisión de reconocimiento facial, vector de evaluación de saliencia, galería
• Keywords:dynamical facial feature description model, face recognition models, actual face recognition applications, art face recognition methods, online sparse learning method, better recognition results, classical learning models, face recognition accuracy, salience evaluation vector, gallery