判別字典學(xué)習(xí)及人臉識(shí)別.pdf

1、人臉識(shí)別是現(xiàn)代生物識(shí)別中的一項(xiàng)重要技術(shù),傳統(tǒng)的人臉識(shí)別方法容易受到噪聲、遮擋等情況的影響。而基于稀疏表示的人臉識(shí)別是一個(gè)新興且有效的方法,該方法對噪聲、遮擋具有更好的魯棒性。但是,已有的基于稀疏表示的人臉識(shí)別算法在字典學(xué)習(xí)時(shí),忽略了樣本的內(nèi)在幾何屬性,導(dǎo)致系數(shù)在不同類別原子上的系數(shù)值比較大,識(shí)別性不夠好;此外,字典學(xué)習(xí)忽略系數(shù)的分布特性,導(dǎo)致字典判別性能不夠好。針對這些問題,論文的主要工作如下:
　?、籴槍陬怟-SVD的字典學(xué)

2、習(xí)忽略了樣本的相似性幾何屬性,導(dǎo)致樣本在不同原子上的系數(shù)比較大,識(shí)別性能不夠好等問題,提出了融合同類樣本相似幾何屬性的類K-SVD字典學(xué)習(xí)算法(Learning a Discriminative Dictionary via Fusing the Similarity of the Samples based on classified K-SVD, FSS-KSVD),即通過逐類學(xué)習(xí)字典得到整個(gè)字典,然后利用稀疏表示模型對測試樣本進(jìn)行

3、分類。將FSS-KSVD應(yīng)用于人臉識(shí)別時(shí),實(shí)驗(yàn)結(jié)果表明該算法優(yōu)于K-SVD和經(jīng)典的SRC算法,并取得了較好的識(shí)別效果。
　?、卺槍SS-KSVD算法在字典學(xué)習(xí)時(shí),忽略了系數(shù)的稀疏分布特性以及不同類別原子之間的判別性,導(dǎo)致在同類原子上的重構(gòu)誤差較大,性能不夠好等問題,提出了監(jiān)督判別的字典學(xué)習(xí)算法(Learning a Supervised and Discriminative Dictionary for Face Recogni