基于判别低秩矩阵恢复和协同表示的遮挡人脸识别

针对训练样本和测试样本均受到严重的噪声污染的人脸识别问题,传统的子空间学习方法和经典的基于稀疏表示的分类(SRC)方法的识别性能都将急剧下降。另外,基于稀疏表示的方法也存在算法复杂度较高的问题。为了在一定程度上缓解上述问题,提出一种基于判别低秩矩阵恢复和协同表示的遮挡人脸识别方法。首先,低秩矩阵恢复可以有效地从被污损的训练样本中恢复出干净的、具备低秩结构的训练样本,而结构非相关性约束的引入可以有效提高恢复数据的鉴别能力。然后,通过学习原始污损数据与恢复出的低秩数据之间的低秩投影矩阵,将受污损的测试样本投影到相应的低维子空间,以修正污损测试样本。最后,利用协同表示的分类方法(CRC)对修正后的测试样本进行分类,获取最终的识别结果。在Extended Yale B和AR数据库上的实验结果表明,本文方法对遮挡人脸识别具有更好的识别性能。     

基于结构化低秩表示和低秩投影的人脸识别算法

在实际的人脸识别中,给定的训练图像往往存在遮挡和噪声,导致稀疏表示分类（SRC）算法的性能下降。针对上述问题,提出一种基于结构化低秩表示（SLR）和低秩投影的人脸识别方法--SLR_LRP。首先通过SLR对原始训练样本进行低秩分解得到干净的训练样本,根据原始训练样本和恢复得到的干净训练样本得到一个低秩投影矩阵;然后将测试样本投影到该低秩投影矩阵;最后使用SRC对恢复后的测试样本进行分类。在AR人脸库和Extended Yale B人脸库上的实验结果表明,SLR_LRP可以有效处理样本中存在的遮挡和像素破坏。     

基于结构化低秩恢复的鲁棒人脸识别算法

由于数据本身的自表示特性，当给定一个字典时，同类样本理论上具有相似的线性表示，所以所有样本的表示矩阵具有块对角结构。但在由于样本中存在的各种污损，数据子空间结构可能会被破坏。为了解决这一问题，很多基于低秩表示的恢复算法相继提出，但是仅有对表示的低秩约束并不能很好地将原始训练样本转化到理想的低秩子空间。因此，提出了一个鲁棒的结构化低秩恢复算法（Robust Structured Low-Rank Recovery，RSLRR）。RSLRR利用理想的标签矩约束阵促进低秩表示趋近于块对角结构，以此挖掘更多的潜在结构信息。同时，为了减少严格的趋近0-1标签矩阵造成的结构信息损失，RSLRR增加了一个正则化项用来减弱非块对角系数的负面影响。通过RSLRR算法可以得到一个判别的结构化字典，并可计算出一个低秩投影矩阵将所有测试样本有效的投影到其相应的低秩子空间。在AR和CMU PIE数据库上的实验结果验证了RSLRR算法的有效性和鲁棒性。     

针对混合污染的结构化鲁棒低秩恢复算法在人脸识别中的应用

传统的低秩恢复算法在识别有混合污染的人脸图像时,通常只对污染部分进行一种类型的约束,并不能很好地恢复出干净的样本。针对这种情况,提出结构化鲁棒低秩恢复算法（structured and robust low-rank recovery for mixed contamination,SRLRR）。SRLRR算法利用对二维误差图像的低秩约束移除样本中的连续污染部分,同时利用稀疏约束分离样本中服从拉普拉斯分布的噪声。另外,为了学习到更具有鉴别性的低秩表示,该算法对表示系数进行了块对角结构化约束。在三个常用数据库上的实验证明了SRLRR算法的有效性和鲁棒性。     

一种基于低秩恢复稀疏表示分类器的人脸识别方法

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。     

基于鉴别性低秩表示及字典学习的鲁棒人脸识别算法

针对人脸识别中的图像存在噪声等情况,提出基于鉴别性低秩表示及字典学习的算法。使用鉴别性低秩子空间恢复算法(discriminative low-rank representation, DLRR)获得类别间尽可能独立且干净的训练样本,然后通过引入基于Fisher准则的字典学习(Fisher Discrimination Dictionary Learning, FDDL)方法得到结构化字典,其子字典对对应的类有较好的表示能力,约束编码系数具有较小类内散列度和较大类间散列度。最后对测试样本稀疏线性表示时正确类别的样本贡献更大。在标准人脸数据库上的实验结果表明该算法有较好性能。     

基于鉴别性低秩表示的2阶段人脸识别算法

针对图像训练样本中存在噪声等情况,提出一种基于鉴别性低秩表示的2阶段人脸识别算法。该算法第1阶段是对所有训练样本进行低秩处理,筛选出M类与测试样本最相近的样本用于粗分类;第2阶段使用第1阶段筛选出来的样本做鉴别性低秩表示处理,并使用稀疏线性表示进行精细分类,决定测试样本最适合的类标签。本算法结合了低秩算法与稀疏算法的优点,在标准人脸库上的实验表明本算法表现优越。     

基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法

目前的人脸识别算法常常忽视训练过程中噪声的影响,特别是在训练数据和待测数据都受到噪声污染的情况下,识别性能会明显下降。针对含有光照变化、伪装、遮挡及表情变化等较大噪声的人脸识别问题,提出了一种基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法。该算法首先通过低秩矩阵恢复算法得到训练样本的潜在低秩结构和稀疏误差结构;然后利用主成分分析法找到低秩结构的Gabor特征所在低秩子空间的变换矩阵;再通过变换矩阵将所有样本的Gabor特征向量投影到低秩子空间上,在该低秩子空间上使用稀疏表示分类算法进行最终的分类识别。在Extend Yale B和AR数据库上的实验表明,新算法具有较高的识别率和较强的抗干扰能力。     

面向人脸识别的判别低秩字典学习算法

人脸识别是计算机视觉和模式识别领域的一个研究热点,有着十分广泛的应用前景.人脸识别任务在训练样本和测试样本同时包含噪声的情况下存在识别精度不高的问题,为此本文提出一个新的判别低秩字典学习和低秩稀疏表示算法（Discriminative Low-Rank Dictionary Learning for Low-Rank Sparse Representation,DLRD_LRSR）.本文方法在模型中约束每个子字典和稀疏表示低秩避免噪声干扰,并引入了判别重构误差项增强系数的判别性.为验证算法的有效性,本文在3个公开人脸数据集上进行了实验评估,结果表明与现有字典学习算法相比,本文算法能够更好的解决训练样本和测试样本同时存在噪声的人脸识别问题.     

改进稀疏表示算法在人脸识别中的应用

人脸识别的主要难度在于，受到光照变化、表情变化以及遮挡的影响，会使得采集的不同人的人脸图像具有相似性。为有效解决基于稀疏表示的分类算法（Sparse Representation-based Classification，SRC）在人脸训练样本不足时会导致识别率降低和稀疏表示求解效率较低的问题，提出了基于判别性低秩分解与快速稀疏表示分类（Low Rank Recovery Fast Sparse Representation-based Classification，LRR_FSRC）的人脸识别算法。利用低秩分解理论得到低秩恢复字典以及稀疏误差字典，结合低秩分解和结构不相干理论，训练出判别性低秩类字典和稀疏误差字典，并把它们结合作为测试时所用的字典；用坐标下降法来求解稀疏系数以提高了计算效率；根据重构误差实现测试样本的分类。在YALE和ORL数据库上的实验结果表明，提出的基于LRR_FSRC的人脸识别方法具有较高的识别率和计算效率。     

结合表示学习与嵌入子空间学习的降维方法

在对样本数据进行降维时,子空间学习模型无法揭示数据结构和处理训练样本外的新样本。提出一种融合表示学习和嵌入子空间学习的降维方法。将低秩表示、加权稀疏表示和低维子空间学习构建到一个统一的框架中,并采用交替优化策略,实现数据表示系数矩阵和数据投影矩阵的同时学习和相互优化,最终达到重建效果最优的降维精度。在3个数据库上的实验结果表明,与PCA、NPE、LRPP等主流方法相比,该方法不仅可以解决无法训练新样本的问题,而且具有较优的分类性能。     

Discriminative low-rank preserving projection for dimensionality reduction

As an effective image clustering tool, low-rank representation (LRR) can capture the intrinsic representation of the observed samples. However, firstly, the good representation does not mean good classification performance. Secondly, no projection matrix is obtained in the training stage, and it cannot deal with the new samples. By incorporating the discriminant analysis and the local neighborhood relationship of the original samples into the low-rank representation, a novel discriminative low-rank preserving projection (DLRPP) algorithm is presented for dimensionality reduction. In DLRPP, the global structure information can be captured by LRR, and the local geometricinformation is simultaneously preserved by the manifold regularization term. The constrained term is induced by the adaptive graph, which is obtained by low-rank representation coefficients. In addition, by introducing discriminant analysis constraint term, DLRPP can learn an optimal projection matrix for data dimensionality reduction. The numerous experiments on six public image datasets prove that the proposed DLRPP can obtain better recognition accuracy compared with the state-of-the-art feature extraction methods.     

一种新的拓展稀疏人脸识别算法

近几年来,基于稀疏表示分类是一个备受关注的研究热点。如果每类训练样本较充分,该类方法可以取得比较好的识别效果。当训练样本比较少时,它的分类效果可能就不理想。拓展的稀疏分类算法可以较好的解决这一问题,它在表示测试样本时,引入了训练样本的类内变量矩阵,利用它和训练样本集来表示测试样本,从而提高了人脸识别率。然而,该算法并没有考虑训练样本在表示测试样本中所起的作用,即所有训练样本的权重都等于1。本文采用高斯核距离对训练样本加权,提出用加权的训练样本和类内散度矩阵来共同表示测试样本,即基于加权的拓展识别算法。实验证明所提算法能够取得更好的人脸识别效果。     

基于Gabor特征与加权协同表示的人脸识别算法

针对基于稀疏表示分类方法的训练样本于与类别标签信息提取不足,特别是在训练样本和待测样本都受到噪声污染的情况下将会明显下降及算法复杂度较高的问题,提出以Gabor特征以及加权协同为基础的人脸识别算法;最初需要对人脸图像内所包含的各个尺度以及方向的Gabor特征完成提取,在稀疏表示中引入Gabor特征,将降维后的Gabor特征矩阵作为超完备字典,再用稀疏表示增强加权协同表示得到该字典下的的稀疏表示系数,然后利用增强系数与训练样本的标签矩阵完成对测试样本进行分类识别,从而得到Gabor特征以及加权的协同表示分类方法,在Yale人脸数据库、Extended Yale B和AR人脸数据库上以及在FERET人脸数据库对人脸姿态变化的实验表明新算法具有更好的识别率和较短的计算时间.