10.26 相关工作
在这部分我们回顾了相关文献。文献 [11] 提出了一种基于 3D morphable 模型的方法来计算形状和纹理信息，用来匹配带有姿态和光照变化的人脸。Ho et al [1] 运用马尔科夫随机场提出了一种姿态鲁棒的人脸识别算法。文献 [12] 提出一种基于概率模型的方法，它可以通过考虑不同视图人脸局部部分去建模人脸表面变化。Castillo et al [2] 提出一种基于窗口的密度立体匹配法，它可以解决大幅度姿态的变化。Chai et al [4] 提出一种姿态鲁棒的人脸识别方法，它主要是通过使用基于局部图片的矫正。在他们的方法中，通过所给的非正面图来虚拟出正面图片，主要是通过估计非正面图与正面图之间的转换矩阵。在文献 [13] 中，一种基于集论特征的方法被提出，它主要是解决由于模糊、姿态及光照的退化问题。文献 [14] 提出了一种处理不同姿态的姿态归一化方法。在文献 [15] 中，一种基于度量学习的方法被提出，它主要是通过正负对信息学习到具有一个具有识别力的潜在的空间。Zhu et al [16] 提出一种转换子空间学习法，它通过匹配 NIR-VIS 人脸图片作为多样化人脸匹配任务。Lu et al [17] 提出一种对于亲密关系核实的相邻击退度量学习法。一种基于高斯混合模型和凸优化度量的学习法在文献 [18] 中被提出。
文献 [19] 提出了涉及低分辨率人脸识别所出现挑战的一些细节的讨论。Baker et al [20] 提出了一种人脸识别法，它主要是对正面人脸图片学习分辨率增强函数。Nishiyama et al [21] 提出了一种基于聚类的人脸识别算法，它主要是用于识别模糊的人脸。Zou et al [22] 解决了识别低分辨率人脸图片的问题，它通过在训练过程中，学习高分辨率训练图片与低分辨测试图片之间的空间关系；通过使用线性回归并且施加不同的约束来学习这种关系；并且为了机器识别的目的提出了一种判别约束。文献 [23-24]提出一种耦合映射学习方法，通过把低分辨率测试图片和高分辨率训练图片投影到一个统一的潜在空间来提高人脸识别精度。
参考人脸的概念与文献 [25] 中提到的相似分类法相关，带有一些参考人脸，它可以测得所给人脸的相似性。在文献 [25] 中，测试图片人脸部分被分类为相似与参考图片中的其中一个。然而在本文提到的方法中，测试图片和训练图片的相关距离被用作特征表示。
