融合梯度的协同表示分类改进算法

协同表示算法是人脸识别中非常典型的基于线性表示的算法,该算法因其操作简单,计算复杂度低等优点已经引起了广泛关注。但是由于协同表示算法直接利用已有的图像二维矩阵进行算法操作,没有考虑图像中像素之间的差异,浪费了一部分图像中的有用特征。在协同表示的基础上,提出了加入融合梯度信息的思想,同时利用水平方向上和垂直方向上的轮廓特征,达到提高算法识别率的结果。实验表明,提出的融合梯度的协同表示算法有效优化了原始的协同表示算法的结果。     

基于快速协同表示分类和组内预测重构系数向量l2范数的人脸识别算法

针对协同表示分类和规则化最小二乘算法（CRC_RLS）在人脸识别应用中识别速率缓慢的问题,通过研究预测重构系数与人脸图片分类的关系,提出一种基于快速协同表示分类和组内预测重构系数向量◢l◣▼2▽范数算法（FCRC_◢L◣▼2▽N）。与其他协同表示算法的不同之处在于,改进的FCRC_◢L◣▼2▽N算法没有计算残差的过程,通过引入组内预测重构系数向量的◢l◣▼2▽范数直接对图片进行分类。标准数据集上的实验结果显示了该算法的高效性。