-
题名联合Gabor误差字典和低秩表示的人脸识别算法
被引量：2
- 1
-
-
作者
首照宇
杨晓帆
-
机构
桂林电子科技大学认知无线电与信息处理教育部重点实验室
-
出处
《计算机科学》
CSCD
北大核心
2017年第3期296-299,共4页
-
基金
广西自然科学基金(2013GXNSFDA019030
2013GXNSFAA019331
+3 种基金
2014GXN SFDA118035)
桂林市科技攻关项目(20130105-6
20140103-5)
桂林电子科技大学研究生科研创新项目(YJCXS201531)资助
-
文摘
针对人脸图片的遮挡、伪装、光照及表情变化等问题,根据Gabor特征对遮挡、伪装、光照及表情变化有着更强的鲁棒性的特点,提出了联合Gabor误差字典和低秩表示的人脸识别算法(GDLRR)。首先对训练样本和测试样本分别进行Gabor特征提取,并将这些特征组成待测试的特征字典;然后将一个单位阵进行Gabor特征提取并训练成一个更紧凑的Gabor误差字典;最后联合Gabor误差字典和训练特征字典对测试特征字典进行低秩表示后进行分类识别。各类实验表明,提出的改进算法对人脸识别的各类问题都有着更强的鲁棒性和更高的识别准确率。
-
关键词
遮挡
低秩表示
GABOR特征
误差字典
降维
-
Keywords
Occlusion, Low-rank representation, Gabor feature, Error dictionary, Reduce dimension
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名联合判别性低秩类字典与稀疏误差字典学习的人脸识别
被引量：6
- 2
-
-
作者
崔益峰
李开宇
胡燕
徐贵力
王平
-
机构
南京航空航天大学自动化学院
-
出处
《中国图象图形学报》
CSCD
北大核心
2017年第9期1222-1229,共8页
-
基金
国家自然科学基金项目(61473148,U1531110)
江苏省普通高校专业学位研究生创新计划(SJLX16_0106)~~
-
文摘
目的由于受到光照变化、表情变化以及遮挡的影响,使得采集的不同人的人脸图像具有相似性,从而给人脸识别带来巨大的挑战,如果每一类人有足够多的训练样本,利用基于稀疏表示的分类算法(SRC)就能够取得很好地识别效果。然而,实际应用中往往无法得到尺寸大以及足够多的人脸图像作为训练样本。为了解决上述问题,根据基于稀疏表示理论,提出了一种基于联合判别性低秩类字典以及稀疏误差字典的人脸识别算法。每一类的低秩字典捕捉这类的判别性特征,稀疏误差字典反映了类变化,比如光照、表情变化。方法首先利用低秩分解理论得到初始化的低秩字典以及稀疏字典,然后结合低秩分解和结构不相干的理论,训练出判别性低秩类字典和稀疏误差字典,并把它们联合起来作为测试时所用的字典;本文的方法去除了训练样本的噪声,并在此基础上增加了低秩字典之间的不相关性,能够提高的低秩字典的判别性。再运用l1范数法(同伦法)求得稀疏系数,并根据重构误差进行分类。结果针对Extended Yale B库和AR库进行了实验。为了减少算法执行时间,对于训练样本利用随机矩阵进行降维。本文算法在Extended Yale B库的504维每类32样本训练的识别结果为96.9%。在无遮挡的540维每类4样本训练的AR库的实验结果为83.3%,1 760维的结果为87.6%。有遮挡的540维每类8样本训练的AR库的结果为94.1%,1 760维的结果为94.8%。实验结果表明,本文算法的结果比SRC、DKSVD(Discriminative K-SVD)、LRSI(Low rank matrix decomposition with structural incoherence)、LRSE+SC(Low rank and sparse error matrix+sparse coding)这4种算法中识别率最高的算法还要好,特别在训练样本比较少的情况下。结论本文所提出的人脸识别算法具有一定的鲁棒性和有效性,尤其在训练样本较少以及干扰较大的情况下,能够取得很好地识别效果,适合在实际中进行应用。
-
关键词
低秩类字典
稀疏误差字典
结构不相干
人脸识别
-
Keywords
low-rank class-specific dictionary
sparse error dictionary
structure irrelevance
face recognition
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名一种基于低秩恢复稀疏表示分类器的人脸识别方法
被引量：6
- 3
-
-
作者
杜海顺
张旭东
侯彦东
金勇
-
机构
河南大学图像处理与模式识别研究所
-
出处
《计算机科学》
CSCD
北大核心
2014年第4期309-313,共5页
-
基金
国家自然科学基金(U1204611)
河南省科技厅基础与前沿技术研究计划项目(132300410474)
河南省教育厅科学技术重点研究项目(12A520008)资助
-
文摘
针对基于稀疏表示分类器(Sparse Representation-based Classification,SRC)的人脸识别方法用单位阵作误差字典不能很好地描述人脸图像噪声和误差以及由于训练样本不足可能造成字典不完备的问题,提出一种基于低秩恢复稀疏表示分类器(Low Rank Recovery Sparse Representation-based Classification,LRR_SRC)的人脸识别方法。该方法首先采用低秩矩阵恢复(LRR)算法将训练样本矩阵分解为一个低秩逼近矩阵和一个稀疏误差矩阵。然后,由低秩逼近矩阵和误差矩阵组成字典。在此基础上,得到测试样本在该字典下的稀疏表示。更进一步,基于测试样本的稀疏表示系数和字典,对测试样本进行类关联重构,并计算其类关联重构误差。最后,基于类关联重构误差,完成测试样本的分类识别。在YaleB和CMU PIE人脸数据库上的实验结果表明,提出的基于LRR_SRC的人脸识别方法具有较高的识别率。
-
关键词
低秩矩阵恢复
稀疏表示
误差字典
人脸识别
-
Keywords
Low rank matrix recovery
Sparse representation
Error dictionary
Face recognition
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
