基于鉴别性低秩表示及字典学习的鲁棒人脸识别算法

发布时间：2018-01-24 19:18

本文关键词： 人脸识别低秩表示字典学习稀疏线性表示　出处：《计算机应用研究》2017年10期 　论文类型：期刊论文

【摘要】：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(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(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的性能。
[Abstract]:There is noise in face recognition. An algorithm based on discriminant low rank representation and dictionary learning is proposed. The discriminant low rank subspace restoration algorithm (DLRRR) is used to obtain as independent and clean training samples as possible between classes. Then the structured dictionary is obtained by introducing the dictionary learning method based on Fisher criterion. The sub-dictionary has better representation ability to the corresponding classes. The constrained coding coefficients have smaller intra-class hashing degree and larger inter-class hash degree. Finally, it contributes more to the correct class of samples in sparse linear representation of test samples. The experimental results on the standard face database show that the proposed algorithm has. Better performance.
【作者单位】：江南大学物联网工程学院;
【基金】：国家自然科学基金面上项目(61373055,61672265) 江苏省教育厅科技成果产业化推进项目(JH10-28) 江苏省产学研创新项目(BY2012059)
【分类号】：TP391.41
【正文快照】： 0引言人脸识别是计算机视觉和模式识别领域最具有挑战性的话题之一,通常使用已存在的技术如Eigenfaces[1]、Fisher-faces[2]或者Laplacianfaces[3]来对人脸图像进行降维,降维得到的子空间能够提升识别效果。但是这些技术对于人脸中存在光照、遮挡以及污损等情况没有很好的鲁棒

【相似文献】