稀疏表示分类器(Sparse Representation based Classification,SRC)求解过程较为复杂,所耗时间较长,协同表示分类器(Collaborative Representation based Classification,CRC)将全体训练样本作为字典来表示待识别样本,字典较大且未考虑...稀疏表示分类器(Sparse Representation based Classification,SRC)求解过程较为复杂,所耗时间较长,协同表示分类器(Collaborative Representation based Classification,CRC)将全体训练样本作为字典来表示待识别样本,字典较大且未考虑样本的类别信息,线性回归分类器(Linear Regression based Classification,LRC)并未考虑不同类样本间的差异,且忽视了样本间的距离关系和潜在的邻域关系。针对以上基于表示学习的图像分类算法的问题和不足,提出了一种基于局部正则二次线性重构表示的人脸识别方法。该方法首先计算待识别样本的类内近邻样本;其次利用类内近邻样本线性重构待识别样本;然后将待识别样本表示成所有类内重构样本的线性组合,同时根据待识别样本与类内重构样本的误差对表示系数施加约束;最后,利用拉格朗日乘子法求解表示系数并根据待识别样本重构误差与表示系数的比值判断待识别样本的类别。在AR,FRGC和FERET数据集上的实验表明,该算法具有优越的识别准确率、时间复杂度和鲁棒性。展开更多
针对基于距离的主动支持向量机(Distance-Based Active SVM,DASVM)在选取初始标记样本时采用了随机的策略而影响了分类器学习效率和分类性能的问题,提出了一种基于局部线性重构的主动支持向量机分类器构建方法(CLASVM)。CLASVM在DASVM...针对基于距离的主动支持向量机(Distance-Based Active SVM,DASVM)在选取初始标记样本时采用了随机的策略而影响了分类器学习效率和分类性能的问题,提出了一种基于局部线性重构的主动支持向量机分类器构建方法(CLASVM)。CLASVM在DASVM分类器构建方法的基础上增加了基于类内-类间局部线性重构的训练样本初选策略,该训练样本初选策略以"聚类假设"和"流形假设"的思想为指导,选取若干同时具有最大类间重构误差和最小类内重构误差的样本作为初选样本进行标记。实验表明,CLASVM在样本初选阶段能够选取较多的支持向量,样本标记成本减少,训练效率与分类器性能与其他参与对比的分类器相比有显著提升。展开更多
文摘传统人脸识别算法通常把光照处理和姿态校正作为两个相对独立的处理过程,难以取得全局最优识别性能.针对该问题,本文根据人脸的非刚体特性,将仿射变换和分块思想融入线性重构模型中,提出了一种基于仿射最小线性重构误差(Affine Minimum Linear Reconstruction Error,AMLRE)的人脸识别算法,在处理光照问题的同时能够补偿姿态变化造成的局部区域对齐误差,以获得更好的全局识别性能.在公共数据集上的实验结果表明,本文提出的算法对光照和姿态有很好的鲁棒性,同时与现有的人脸识别算法相比,本文的算法具有更高的识别率.
文摘稀疏表示分类器(Sparse Representation based Classification,SRC)求解过程较为复杂,所耗时间较长,协同表示分类器(Collaborative Representation based Classification,CRC)将全体训练样本作为字典来表示待识别样本,字典较大且未考虑样本的类别信息,线性回归分类器(Linear Regression based Classification,LRC)并未考虑不同类样本间的差异,且忽视了样本间的距离关系和潜在的邻域关系。针对以上基于表示学习的图像分类算法的问题和不足,提出了一种基于局部正则二次线性重构表示的人脸识别方法。该方法首先计算待识别样本的类内近邻样本;其次利用类内近邻样本线性重构待识别样本;然后将待识别样本表示成所有类内重构样本的线性组合,同时根据待识别样本与类内重构样本的误差对表示系数施加约束;最后,利用拉格朗日乘子法求解表示系数并根据待识别样本重构误差与表示系数的比值判断待识别样本的类别。在AR,FRGC和FERET数据集上的实验表明,该算法具有优越的识别准确率、时间复杂度和鲁棒性。
文摘针对基于距离的主动支持向量机(Distance-Based Active SVM,DASVM)在选取初始标记样本时采用了随机的策略而影响了分类器学习效率和分类性能的问题,提出了一种基于局部线性重构的主动支持向量机分类器构建方法(CLASVM)。CLASVM在DASVM分类器构建方法的基础上增加了基于类内-类间局部线性重构的训练样本初选策略,该训练样本初选策略以"聚类假设"和"流形假设"的思想为指导,选取若干同时具有最大类间重构误差和最小类内重构误差的样本作为初选样本进行标记。实验表明,CLASVM在样本初选阶段能够选取较多的支持向量,样本标记成本减少,训练效率与分类器性能与其他参与对比的分类器相比有显著提升。
