基于HOG低秩恢复与协同表征的人脸识别方法

在获取到的人脸图像不完备以及人脸图像在有遮挡、光照、表情的变化或受到噪声污染时,识别率就会变得十分低,针对这一问题,本文提出了一种基于HOG低秩恢复与协同表征的人脸识别算法HLRR_CRC.首先采用低秩恢复算法得到训练样本和测试样本的干净人脸图像,然后对测试样本中干净的人脸图像和训练样本中干净的人脸图像分别进行HOG特征提取,得到HOG特征向量,以此特征向量为基础,得到测试样本特征矢量的协同表示,最后,通过规则化残差进行分类.在ORL、Extended Yale B和AR数据库上进行测试,实验结果表明,本文算法对光照、噪声较鲁棒,相比于当前的人脸识别算法,本文算法在恶劣光照和噪声下的识别率平均提高29.6％.     

基于Gabor低秩恢复稀疏表示分类的人脸图像识别方法

针对含光照、表情、姿态、遮挡等误差或被噪声污染的人脸图像的识别问题,本文提出一种基于Gabor低秩恢复稀疏表示分类的人脸图像识别方法。该方法首先用低秩矩阵恢复算法求得训练样本图像对应的误差图像;然后,对每一个训练样本图像及其对应的误差图像进行Gabor变换,得到相应的Gabor特征向量,并将这些Gabor特征向量组成一个Gabor特征字典;进而,计算测试样本图像Gabor特征向量在该Gabor特征字典下的稀疏表示系数,并用该稀疏表示系数和Gabor特征字典,对测试样本图像的Gabor特征向量进行类关联重构,同时计算相应的类关联重构误差。最后,根据测试样本图像Gabor特征向量的类关联重构误差,实现对测试样本图像的分类识别。在CMU PIE、Extend-ed Yale B和AR数据库上的实验结果表明,本文提出的人脸图像识别方法具有较高的识别率和较强的抗干扰能力。     

基于低秩子空间恢复的联合稀疏表示人脸识别算法

 针对阴影、反光及遮挡等原因破坏图像低秩结构这一问题,提出基于低秩子空间恢复的联合稀疏表示识别算法.首先将每个个体的所有训练样本图像看作矩阵 D ,将矩阵 D 分解为低秩矩阵 A 和稀疏误差矩阵 E ,其中 A 表示某类个体的'干净’人脸,严格遵循子空间结构, E 表示由阴影、反光、遮挡等引起的误差项,这些误差项破坏了人脸图像的低秩结构.然后用低秩矩阵 A 和误差矩阵 E 构造训练字典,将测试样本表示为低秩矩阵 A 和误差矩阵 E 的联合稀疏线性组合,利用这两部分的稀疏逼近计算残差,进行分类判别.实验证明该稀疏表示识别算法有效,识别精度得到了有效提高.     

基于欠样本混合内变基字典的扩展协同表示算法

协同表示算法对人脸图像具有快速分类的特点,但在单样本或欠样本情况下,对变化复杂的人脸识别率还不够理想,无法满足工程要求。针对该问题,提出一种基于欠样本混合内变基字典的扩展协同表示算法。首先借助在同一环境下采集到的不同人脸的变化过程,提取人脸的变化共同特征并生成内变基,再融合两种及两种以上不同人脸变化的共同特征生成混合内变基,提高内变基的通用性,建立训练样本与测试样本之间变化的稀疏字典。训练样本在字典帮助下近似构建出测试样本的特征人脸,达到扩展训练样本集的目的,再对人脸协同分类。利用AR库、ORL库、Yale库和Yale B库进行识别实验。结果表明,本文算法能有效提高协同表示算法的识别率,在欠样本情况下识别率提高7.33%～33.17%,在单样本情况下识别率提高6.78%～24.47%。     

有监督低秩子空间恢复的正则鲁棒稀疏表示人脸识别算法

针对训练样本和测试样本均存在光照及遮挡时,破坏图像低秩结构问题,本文提出基于监督低秩子空间恢复的正则鲁棒稀疏表示人脸识别算法。首先,将所有训练样本构造成矩阵D,对矩阵D进行监督低秩矩阵分解,分解为低秩类相关结构A,低秩类内差异结构B和稀疏误差结构E;然后用主成分分析方法找到类相关结构A低秩子空间的变换矩阵;再通过变换矩阵将训练样本和测试样本投影到低秩子空间;最后,在低秩子空间中,通过正则鲁棒稀疏编码进行加权分类识别。在AR和Extended Yale B公开人脸数据库上的实验结果验证本文算法的有效性及鲁棒性。      

光照健壮人脸识别的低秩相对梯度直方图特征

为了进一步提升人脸梯度特征的光照健壮性,本文结合低秩分解能有效分离图像本质特征和噪声的特性,提出了一种光照健壮的低秩相对梯度直方图特征提取方法。首先,通过对人脸图像进行相对梯度运算获得了图像的相对梯度幅值图像和各像素的梯度方向信息。然后,为了去除相对梯度图像中由于非均匀光照而引入的光照边缘误差,利用低秩分解将相对梯度图像分解为低秩分量和稀疏噪声分量之和。最后,结合人脸图像的梯度方向信息对相对梯度图像的低秩分量进行离散化、滤波和局部二值模式编码形成了人脸的低秩相对梯度直方图特征。在经典的FE-RET子集以及具有代表性的YaleB和PIE光照子集上的实验显示：低秩相对梯度直方图特征的人脸识别性能显著优于相对梯度直方图特征、方向梯度幅值模式特征和图像低秩特征等方法的性能;在YaleB子集上,低秩相对梯度直方图特征的人脸识别精度比相对梯度直方图特征的人脸识别精度高至少4％。实验结果证明,低秩相对梯度直方图特征对光照变化,尤其是非均匀光照变化的人脸识别具有很强的健壮性。     

基于稀疏表示与特征融合的人脸识别方法

针对人脸识别在有遮挡、表情、光照的变化或受到噪声污染时鲁棒性变差问题,提出一种基于稀疏表示与特征融合的人脸识别算法。首先采用低秩恢复算法得到训练样本和测试样本的干净人脸图像,提取干净人脸图像的LBP,HOG,Gabor三种特征向量;然后对部分训练样本进行SRC分类测试,根据SRC的识别结果与分类残差定义一个损失函数,再利用正则化最小二乘法计算出使损失函数最小的权重向量;最后根据该权重向量重构规则化残差进行分类。在ORL,Extended Yale B和AR数据库上进行实验,结果表明,该算法优于利用单一特征识别的方法,并且对光照、噪声、遮挡等因素产生的影响有较好的泛化性能。     

采用双字典协作稀疏表示的光照及表情顽健人脸识别

提出一种采用小波变换(WT)及双字典协作稀疏表示分类(CSRC)的人脸识别方法-WT-CSRC.WT-CSRC首先利用PCA(主成分分析)将小波分解后的人脸高频细节子图融合成高频细节图像;然后用PCA分别对人脸低频图像和高频细节图像进行特征提取,构造低频和高频特征空间,并用训练样本在两种特征空间上的投影集构造低频字典和高频字典;最后将测试样本在两种字典上进行稀疏表示,并引入互相关系数以增强人脸识别的可靠性,实现了人脸的协作分类.实验结果表明,提出的方法提高了人脸识别率,对光照变化及表情变化具有较强的顽健性,并且具有较高的时间效率.     

Gist特征和概率协从表示的人脸识别算法

为了进一步提高基于协从表示的人脸识别系统的 性能,在概率协从表示(ProCRC)算法和字典学习的基础上提出了一 种基于Gist特征和ProCRC的GL-PCRC人脸识别算法。首先提取每副人脸图像的G ist特征,再把人脸图像的Gist 特征采用线性判别算法(LDA)方法投影到最优判别子空间,使得到的LDA特征拥有最小的类内 离散度以及最大的类间离散度;然后利用 LC-KSVD方法对LDA特征进行迭代训练从而得到新的学习字典;继而通过ProCRC算法快 速得到稀疏系数;最后通过计算测 试样本属于各个类别的概率进行分类。分别在ORL和扩展的YaleB人脸库上进行实验检测的 结果表明,与传统的协从表示方法 相比,本文给出的方案可以使人脸识别系统的性能得到显著的提升。     

基于样本-扩展差分模板的联合双稀疏表示人脸识别

在人脸识别中,每类数据分别位于由字典形成的高维空间中的多个低维线性子空间,考虑到这一结构信息对识别起到一定支持作用,利用块结构稀疏表示进行人脸识别。针对训练图像不能涵盖测试条件下的人脸变化这个问题,提出基于样本-扩展差分模板的联合双稀疏表示识别算法。它通过构造样本-扩展差分模板来表示训练样本与测试样本之间可能存在的差异,这些类内差异信息可被不同的类别所共享,即任何一类人脸图像的类内差异可表示为其他类别类内差异图像的原子稀疏线性组合。这样识别问题被转换为在训练样本空间和扩展差分模板空间寻找测试样本的块稀疏与原子稀疏的联合双稀疏表示。在AR和Extended Yale B数据库上的实验结果表明,在具有光照、表情变化和遮挡的情况下,本文提出的识别算法具有更好的有效性和鲁棒性。     

Sparse representation for face recognition by discriminative low-rank matrix recovery

This paper proposes a discriminative low-rank representation (DLRR) method for face recognition in which both the training and test samples are corrupted owing to variations in occlusion and disguise. The proposed method extends the sparse representation-based classification algorithm by incorporating the low-rank structure of data representation. The DLRR algorithm recovers a clean dictionary with enhanced discrimination ability from the corrupted training samples for sparse representation. Simultaneously, it learns a low-rank projection matrix to correct corrupted test samples by projecting them onto their corresponding underlying subspaces. The dictionary elements from different classes are encouraged to be as independent as possible by regularizing the structural incoherence of the original training samples. This leads to a compact representation of a corrected test sample by a linear combination of more dictionary elements from the corrected class. The experimental results on benchmark databases show the effectiveness and robustness of our face recognition technique.     

Supervised within-class-similar discriminative dictionary learning for face recognition

The current study puts forward a supervised within-class-similar discriminative dictionary learning (SCDDL) algorithm for face recognition. Some popular discriminative dictionary learning schemes for recognition tasks always incorporate the linear classification error term into the objective function or make some discriminative restrictions on representation coefficients. In the presented SCDDL algorithm, we propose to directly restrict the representation coefficients to be similar within the same class and simultaneously include the linear classification error term in the supervised dictionary learning scheme to derive a more discriminative dictionary for face recognition. The experimental results on three large well-known face databases suggest that our approach can enhance the fisher ratio of representation coefficients when compared with several dictionary learning algorithms that incorporate linear classifiers. In addition, the learned discriminative dictionary, the large fisher ratio of representation coefficients and the simultaneously learned classifier can improve the recognition rate compared with some state-of-the-art dictionary learning algorithms.     

Gabor字典及l0范数快速稀疏表示的人脸识别算法

针对光照、遮挡、伪装情况下,识别率比较低,识别时间长的问题,本文提出了基于Gabor字典及l0范数快速稀疏表示的人脸识别算法。Gabor小波提取的特征能够克服遮挡、光照等干扰对人脸识别的影响,平滑l0算法通过平滑连续函数来近似 l0范数,只需较少测量值并且较快速度便能重构稀疏信号。本算法通过提取人脸的Gabor特征、主成分分析法（PCA）降低维度,l0范数快速稀疏分类完成识别。在伪装人脸情况下,分块计算Gabor人脸特征,提高Gabor字典的形成速度。基于AR人脸数据库的实验结果表明,本算法可在一定程度上提高识别速度和识别时间,即使在小样本情况下,依然具有较高的识别率。      

原子-分子字典结合的联合扩展加权稀疏表示人脸识别算法

针对训练样本字典学习仅包含全局信息、缺乏局部信息的不足,引入与类别相关的原子字典, 提出基于原子与分子字典联合扩展的加权稀疏表示人脸识别方法。首先,对各类训练样本进行PCA学习,得到带标记的训练样本基,构造PCA基原子字典,同时将训练样本字典作为分子字典。进而,利用原子字典与分子字典结合得到扩展字典模型。测试时,根据测试样本与扩展字典基之间的距离进行加权得到与当前测试样本关联的重构字典集,最后对测试样本稀疏重构,利用残差进行分类判别。为验证本文方法有效性,分别在AR、Georgia Tech和CMU PIE人脸数据库上进行实验。      

基于双向主成分分析和压缩感知的人脸识别算法

提出了一种双向主成分分析(BD-PCA)与基于光滑l₀范数(SL0)相结合的人脸识别算法(BP-SL0)。首先利用BD-PCA对所有的训练图像降维,然后将降维后的人脸图像按列拉伸成一个向量,并将其组成字典矩阵,同时对待测试图像进行相同处理,最终通过SL0算法求解优化问题。实验结果表明,该算法获得了较高的识别率和重建效果,且效果优于单独使用BD-PCA和SL0算法。     

图约束字典和加权稀疏表示人脸超分辨率算法

针对低分辨率、低质量人脸图像重建问题,提出了一种新的基于稀疏表示的人脸超分辨率算法。在训练阶段,人脸的位置特征被用于保持人脸块的全局信息,人脸块间的几何结构被用于保持高低分辨率超完备冗余字典的流形结构,从而提高字典的表达能力;在重建阶段,K近邻加权稀疏表示被用于消除稀疏编码噪声,以提高高分辨率人脸图像重建系数的精度。实验结果表明,提出的方法取得了较好的主客观质量。