基于協(xié)同表示和線性回歸的人臉識(shí)別算法研究.pdf

1、基于稀疏表示的方法在人臉識(shí)別方面體現(xiàn)出優(yōu)異的性能，然而隨后的研究顯示，稀疏性對(duì)于人臉識(shí)別的識(shí)別效果并不起主要作用。有研究認(rèn)為是協(xié)同表示（Collaborative Representation，CR）的機(jī)制而非稀疏性約束在該類算法中起主體作用，并將稀疏表示分類器（Sparse Representation based Classification，SRC）視為協(xié)同表示分類器（Collaborative Representation ba

2、sed Classification，CRC）的一個(gè)特例。本文的研究更進(jìn)一步表明實(shí)際是線性回歸方法在該類算法中起主要作用。本文對(duì)一些線性回歸相關(guān)的人臉識(shí)別方法進(jìn)行了回顧，并對(duì)于人臉識(shí)別中的線性回歸進(jìn)行了研究，主要的創(chuàng)新和貢獻(xiàn)如下：
　　(1)對(duì)線性回歸分類器（Linear Regression Classification，LRC）進(jìn)行了分析，針對(duì)LRC易受樣本偏差影響的缺點(diǎn)，提出擴(kuò)展的線性回歸分類器（Extended LRC）。

3、通過一個(gè)兩步的過程來提升 LRC的識(shí)別率，首先對(duì)訓(xùn)練集中的訓(xùn)練樣本按表情、光照等場景信息進(jìn)行分組，以分組后的結(jié)果生成場景模板，以這些場景模板作為虛擬樣本參與分類過程，提升LRC性能。實(shí)驗(yàn)結(jié)果表明，該方法相對(duì)原始的LRC識(shí)別率有了大幅提升。
　　(2)對(duì)CRC分類原理進(jìn)行了探究，揭示了CRC與LRC分類原理的相似性?？紤]到 CRC同樣會(huì)受到樣本偏差的影響，提出一種基于虛擬樣本的協(xié)同表示分類方法，通過生成虛擬樣本擴(kuò)充字典的方式提升算法