稀疏表示和贪婪搜索的人脸分类

目的 随着稀疏表示方法在图像重建问题中的巨大成功,研究人员提出了一种特殊的分类方法,即基于稀疏表示的分类方法.为了加强样本间的协作表示能力以及减弱稀疏分解时的强L1约束,提出了一种在稀疏分类框架下的迭代剔除机制和贪婪搜索策略的人脸识别方法.方法 将测试样本表示成训练样本线性组合的方式,并在所有训练样本中通过迭代计算来消除对分类影响较小的类别和单个样本,在系数分解的过程中采用最小误差正交匹配追踪(EcOMP)算法,进而选择出贡献程度大的类别样本并进行分类.结果 在迭代更新样本字典的过程中,强化了真实类别的表示能力,并弱化了分解系数的强L1约束.在所有的实验中,正则化参数λ的取值为0.001,在ORL、FERET和AR 3个人脸数据库上,本文算法的识别率可分别达到97.88％、67.95％和94.50％,进而验证了本文算法的有效性.结论 提出的在稀疏分类框架下的迭代剔除机制和贪婪搜索策略的人脸识别方法,在动态迭代的机制中完成了样本字典的更新,平衡了协作表示和稀疏约束的关系,相比较原始的稀疏分类模型有更好的准确性和稳定性.     

快速稀疏表示分类的人脸识别算法

经典的稀疏表示分类（Sparse Representation for Classification,SRC）算法是一种基于[L1]范数最小化问题,它在很多应用场合都能取得很好的分类效果,是目前备受关注的一类识别算法。然而,传统的SRC算法在求解[L1]范数最小化问题时,往往计算效率比较低。为有效解决这个问题,提出了一种快速有效的分类算法,它利用坐标下降方法来实现SRC算法。该方法既可以显著地提高计算效率,又可取得较好的分类结果。在不同人脸库上的实验表明,所提的算法具有良好的应用前景。     

改进的局部稀疏表示分类算法及其在人脸识别中的应用

近年来,稀疏表示分类(Sparse Representation Based Classification,SRC)方法在人脸识别中受到越来越多的关注。原始SRC方法使用所有的训练样本组成字典矩阵,当训练样本比较多时,稀疏系数的求解会变得非常耗时。为了解决这一问题,提出一种新的局部稀疏表示分类(Local SRC,LSRC)方法。该方法针对每个测试样本,根据测试样本和训练样本稀疏系数之间的相似性来选择部分训练样本,由这些训练样本组成字典,然后在这个字典上对测试样本进行稀疏分解。该方法性能相比于原始LSRC方法更稳定。在ORL、Yale和AR人脸库上的实验结果表明,该方法的效果优于SRC和LSRC。     

基于图像表示和稀疏表示的图像分类

为了更好地实现图像分类任务,论文提出了一种新的图像分类算法,该算法可以更好地保留原始图像的大尺度信息,有效地利用原始图像的全局特征,同时减小了同一物体在其不同图像中的差异性,显著地提高了图像分类准确率。该算法首先通过新的图像表示算法生成虚拟图像,然后分别对原始图像和虚拟图像使用图像分类算法获得相应的分类误差,最后通过简单高效的误差融合方案得到最终的分类误差。实验结果表明该算法有效地降低了图像分类的错误率。     

稀疏表示分类中遮挡字典构造方法的改进

针对稀疏表示分类算法中遮挡字典维数高且无冗余的问题,提出一种遮挡字典构造方法.首先通过图像分块得到各级的遮挡基图像;然后将所有互不相同的遮挡基图像按字典顺序转化为向量,并用这些向量作为遮挡字典的列,从而构造出维数相对较低且具有一定冗余度的遮挡字典.实验结果表明,该方法不仅明显提高了稀疏表示分类算法对遮挡人脸的识别率,而且还能通过减少图像的分块级数降低稀疏分解的耗时量,提高运算效率.     

基于稀疏表示和决策融合的图像分类方法

利用多个稀疏表示分类器融合的决策信息对图像进行分类,可避免单个特征对图像分类的影响。提出一种自适应调节权重的多稀疏分类器融合图像分类方法。对原始图像分别提取3组不同特征,并训练出各自稀疏表示分类器;根据各个子分类器的准确率,通过迭代计算自适应确定各分类器最终权重;融合各子分类器的输出结果进行最终类别判断。基于Cifar-10图像数据集进行多组实验,结果表明,相对仅提取单特征的图像分类方法,该方法有效提高了图像分类准确率。     

基于稀疏表示的高噪声人脸识别及算法优化

为提高基于稀疏表示人脸识别的速度和抗噪性能,研究了交叉花束(CAB)模型及压缩感知重构算法。针对重构算法中的大矩阵求逆,提出快速正交匹配追踪(FOMP)算法,可将运算量较高的矩阵求逆运算转变为轻量级向量矩阵运算。为增加高噪声图片的有效信息量,提出几种实用且有效的方法,并通过实验验证这些方法都能提高高噪声人脸识别率,可识别的噪声比例提高到75%,具有一定的实用价值。     

基于全局和分离部件融合的双L1稀疏表示人脸图像识别算法

考虑到人脸识别中全局与局部信息的互补作用,提出基于全局和分离部件相结合的双L1稀疏表示人脸图像识别算法.首先在L1稀疏表示的基础上,对入脸进行全局稀疏逼近.其次,在分离部件识别模型中,抽取并对齐稍有重叠的几个人脸部件,分别进行稀疏表示,然后使用基于稀疏表示残差的相似度投票方法,将各部件逼近结果综合.最后在决策层上将全局与部件的稀疏表示加权集成,形成双L1稀疏表示分类器.在公用人脸数据库上的实验表明,集成分类器优于各单一模块的识别性能,且由于融合了对光照、表情等变化不敏感的部件信息,系统鲁棒性得到提高.     

基于马氏距离的稀疏表示分类算法

常用分类算法对人脸图像在不同光照条件下的识别效果较不理想.设计了一种新颖的基于马氏距离(Mahalanobis Distance)的人脸识别分类算法(Mahalanobis Distance based Sparse Representation Classification,MSRC).该算法框架基于稀疏表示原理,通...     

基于QR分解重构虚拟样本的人脸识别算法

一直以来,小样本问题是人脸识别应用面临的一大难题。针对在实际人脸识别过程中存在的样本不足的问题,首次提出基于QR分解重构虚拟训练样本的算法。该算法使用Q与R的部分信息构造出与原始人脸图像具有一定差异性的虚拟样本,增加了人脸图像更多可能性变化的有效特征,扩大了训练样本集,然后对原始样本和虚拟重构样本协同表示的结果进行加权融合,选取最优权重组合,调整原始样本与虚拟样本对结果的影响比重,得到正确识别率。以ORL、FERET和AR三大人脸数据库对算法进行实验验证。实验结果表明,此算法能够取得较高的识别准确率。     

人脸识别中基于系数相似性的字典学习算法

在现有的基于稀疏表示分类算法的人脸识别中,使用通过稀疏学习得到的精简字典可以提高识别速度和精确度。metaface学习(Metaface Learning,MFL)算法在字典学习过程中没有考虑同类样本稀疏编码系数之间具有相似性的特点。为了利用这一信息来提高字典的区分性,提出了一种基于系数相似性的metaface学习(Coefficient-Simi-larity-based Metaface earning,CS-MFL)算法。CS-MFL算法的学习过程中,在更新稀疏表示系数阶段加入同类训练样本稀疏编码系数相似的约束项。为了求解包含系数相似性约束的新的最优化问题,将目标函数中的两个l2范数约束项进行合并,将原问题转化为典型l₂- l1问题进行求解。在不同的人脸库上进行实验,结果表明,提出的CS-MFL算法能够获得比MFL算法更高的识别率,说明由CS-MFL算法学习得到的字典更高效且更具区分性。     

基于稀疏表征的可见光和近红外光人脸图像融合快速识别算法

近年来,融合可见光和近红外光的人脸图像特征识别成为一个研究热点。对该领域中的快速人脸识别技术进行研究,并给出了一个具体的实现方案。该方案主要包括以下3种技术:原始样本的下采样;基于稀疏表征原理,选取测试样本的M近邻来代替原始训练样本;加权决策融合。在CSIST人脸库上的实验结果表明,和同类算法相比,所提算法在识别率和计算速度上均有提高。     

融合快速稀疏描述与协同描述的人脸识别

快速稀疏描述分类法(FSRC)与协同描述分类法(CRC)是在压缩感知理论的基础上发展而来的,不同的侧重点限制了两者在人脸识别上的进一步提升。针对此,提出了融合快速稀疏描述与协同描述的人脸识别方法。首先,将人脸镜像图像引入样本库;然后,利用FSRC与CRC方法求解残差矩阵;最后,利用加权信息融合的方式将两者的残差矩阵进行权值加和,依据最小值所对应的位置信息 求取 识别率。公共人脸数据库的实验表明,所提方法优于FSRC,CRC及其他方法。     

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。     

稀疏表示和支持向量机相融合的非理想环境人脸识别

当前的人脸识别算法在理想环境下的识别正确率高,自适应能力强;但是在非理想环境下,人脸识别正确率急剧下降。为了提高人脸识别结果的稳定性,设计了稀疏表示和支持向量机相融合的非理想环境人脸识别算法。首先,提取非理想环境人脸的特征,并构建非理想环境人脸识别的特征字典;然后,采用特征字典对非理想环境人脸识别训练样本和测试样本进行处理,构建非理想环境人脸识别的学习样本;最后,采用支持向量机建立非理想环境人脸识别的分类器来对非理想环境人脸进行识别,并采用多个标准人脸数据库对所提非理想环境人脸识别算法进行测试。文中算法的非理想环境人脸识别正确率高,误识率和拒识率低,相对于其他人脸识别算法,其更适应环境的变化,对非理想环境人脸识别的整体效果更优,而且提高了非理想环境人脸识别的效率,具有十分明显的优越性。     

基于微分算子的三维人脸表情识别

基于拉普拉斯微分算子提出了一种用于三维人脸样本的表情识别方法。首先使用曲面变形的方法对三维人脸样本进行样本配准处理。然后基于拉普拉斯微分算子计算三维人脸的表情特征,并根据训练样本的特征向量集构建一个关于三维人脸表情的字典。最后使用稀疏表示方法对三维人脸表情进行识别分析。实验结果表明,该方法能够有效地提高三维人脸表情识别的准确率。     

基于带通滤波和遗传算法的人脸图象预处理及识别

从增强图象的分类信息角度出发，对人脸图象做频域上的带通滤波预处理，来提高奇异值特征的分类性能。给出了一组圆形滤波函数，并使用遗传算法来选择可分性较大的频段和进行圆形滤波函数的参数估计，设计了染色体的表示方式和适应度的求法。实验证明，做频段选择预处理，奇异值特征的分类效果比处理前有较明显的提高，而做更精确的圆形滤波函数的参数估计，奇异值特征的分类效果比处理前有更明显的提高，计算量则相对较大。这种方法对其它代数特征也适用。     

基于空间约束低秩图的人脸识别

低秩表示能够很好地揭示隐藏在数据中的全局结构信息并且对噪声具有很强的鲁棒性。基于图嵌入维数约简理论框架,提出了一种人脸识别算法,其利用低秩表示模型构建数据低秩图。此外,在低秩模型中引入数据空间约束项,构建一种具有空间约束的低秩图以提高识别效果。在ORL和PIE标准人脸数据库上进行实验,同传统的识别算法相比,结果显示所提出的算法在识别率和对噪声的鲁棒性上具有更好的表现。     

基于二维照片进行人脸识别的算法研究

研究图像人脸识别的问题,针对直接对照照片进行人脸识别时,受二维照片信息量的限制,以及识别时受检测人员的主观经验的影响,极易造成误识别,不能满足人脸识别准确率的要求。为了解决上述问题,提出了一种利用二维照片构建三维样本进行人脸识别的方法,通过提取二维图像中人脸的层次化特征,并利用特征向量重构人脸的参数曲面,然后在三维曲面中完成人脸的自动识别。实验表明,改进方法能够有效避免二维图像信息量的限制,以及检测人员主观经验的影响,准确完成人脸的识别,具有一定的使用价值。