基于判别低秩矩阵恢复和协同表示的遮挡人脸识别

针对训练样本和测试样本均受到严重的噪声污染的人脸识别问题,传统的子空间学习方法和经典的基于稀疏表示的分类(SRC)方法的识别性能都将急剧下降。另外,基于稀疏表示的方法也存在算法复杂度较高的问题。为了在一定程度上缓解上述问题,提出一种基于判别低秩矩阵恢复和协同表示的遮挡人脸识别方法。首先,低秩矩阵恢复可以有效地从被污损的训练样本中恢复出干净的、具备低秩结构的训练样本,而结构非相关性约束的引入可以有效提高恢复数据的鉴别能力。然后,通过学习原始污损数据与恢复出的低秩数据之间的低秩投影矩阵,将受污损的测试样本投影到相应的低维子空间,以修正污损测试样本。最后,利用协同表示的分类方法(CRC)对修正后的测试样本进行分类,获取最终的识别结果。在Extended Yale B和AR数据库上的实验结果表明,本文方法对遮挡人脸识别具有更好的识别性能。     

基于结构化低秩表示和低秩投影的人脸识别算法

在实际的人脸识别中,给定的训练图像往往存在遮挡和噪声,导致稀疏表示分类（SRC）算法的性能下降。针对上述问题,提出一种基于结构化低秩表示（SLR）和低秩投影的人脸识别方法--SLR_LRP。首先通过SLR对原始训练样本进行低秩分解得到干净的训练样本,根据原始训练样本和恢复得到的干净训练样本得到一个低秩投影矩阵;然后将测试样本投影到该低秩投影矩阵;最后使用SRC对恢复后的测试样本进行分类。在AR人脸库和Extended Yale B人脸库上的实验结果表明,SLR_LRP可以有效处理样本中存在的遮挡和像素破坏。     

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。     

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。     

基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法

目前的人脸识别算法常常忽视训练过程中噪声的影响,特别是在训练数据和待测数据都受到噪声污染的情况下,识别性能会明显下降。针对含有光照变化、伪装、遮挡及表情变化等较大噪声的人脸识别问题,提出了一种基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法。该算法首先通过低秩矩阵恢复算法得到训练样本的潜在低秩结构和稀疏误差结构;然后利用主成分分析法找到低秩结构的Gabor特征所在低秩子空间的变换矩阵;再通过变换矩阵将所有样本的Gabor特征向量投影到低秩子空间上,在该低秩子空间上使用稀疏表示分类算法进行最终的分类识别。在Extend Yale B和AR数据库上的实验表明,新算法具有较高的识别率和较强的抗干扰能力。     

基于鉴别性低秩表示的2阶段人脸识别算法

针对图像训练样本中存在噪声等情况,提出一种基于鉴别性低秩表示的2阶段人脸识别算法。该算法第1阶段是对所有训练样本进行低秩处理,筛选出M类与测试样本最相近的样本用于粗分类;第2阶段使用第1阶段筛选出来的样本做鉴别性低秩表示处理,并使用稀疏线性表示进行精细分类,决定测试样本最适合的类标签。本算法结合了低秩算法与稀疏算法的优点,在标准人脸库上的实验表明本算法表现优越。     

基于低秩表示中稀疏误差的可变光照和局部遮挡人脸识别

可变光照和有遮挡人脸识别是人脸识别问题中的一个难点。受到鲁棒主成分分析法(RPCA)和稀疏表示分类法(SRC)的启发,提出一种基于低秩表示(LRR)中稀疏误差图像的可变光照有遮挡人脸识别算法。在训练阶段,利用LRR计算每类人脸低秩数据矩阵,在此基础上求解每类人脸图像低秩映射矩阵,通过各类低秩映射矩阵将未知人脸图像投影得到每类下的低秩数据矩阵和稀疏误差矩阵,为了有效提取稀疏误差图像中的鉴别信息,分别对稀疏误差图像进行边缘检测和平滑度分析,设计了基于两者加权和的类别判据。在Extended Yale B和AR两个数据库上进行了详细的实验分析,实验结果与其它算法相比较有明显提高,证实了所提算法的有效性和鲁棒性。     

基于特征化字典的低秩表示人脸识别

针对现有低秩表示（LRR）算法中全局与局部人脸特征信息融合不足的问题,提出了一种新的人脸识别算法——基于特征化字典的低秩表示（LRR-CD）。首先,将每张人脸照片表示成一个个特征化字典的集合,然后同时最小化基于训练样本的低秩重构特征系数以及与之相对应的类内特征差异。为了获得高效且具有高判别性的人脸图像的特征块重构系数矩阵,提出了一种新的数学公式模型,通过同时求解训练样本中相对应的特征块以及对应的类内特征差异词典的低秩约束问题,尽可能完整地保留原始高维人脸图像中的全局和局部信息,尤其是局部类内差异特征。另外,由于对特征块中信息的充分挖掘,所提算法对于一般程度上的面部遮挡和光照等噪声影响具有良好的鲁棒性。在AR、CMU-PIE和Extended Yale B人脸数据库进行多项对比实验,由实验结果可知LRR-CD相较于对比的稀疏表示（SRC）、协从表示（CRC）、低秩表示正规切（LRR-NCUT）和低秩递归最小二乘（LRR-RLS）算法在平均识别率上有2.58~17.24个百分点的提高。实验结果表明LRR-CD性能优于与之对比的算法,可以更高效地用于人脸全局和局部特征信息的融合,且具有优良的识别率。     

基于鉴别性低秩表示及字典学习的鲁棒人脸识别算法

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(discriminative low-rank representation, 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(Fisher Discrimination Dictionary Learning, 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性能。     

张量补全算法及其在人脸识别中的应用

数据丢失问题通常可以归结为矩阵补全问题,而矩阵补全是继压缩感知理论之后的又一种重要的信号获取方法。在实际应用中,数据样例往往具有多线性性,即数据集可以表示成高阶张量。本文研究了张量补全问题及其在人脸识别中的应用。基于张量的低维Tucker分解,提出张量补全的迭代算法,并且证明在算法的迭代过程中,估计张量与其Tucker逼近张量的距离是单调递减的。实验结果表明张量补全算法在补全张量和人脸识别上的可行性与有效性。     

基于Fisher判别准则的低秩矩阵恢复

标准的低秩矩阵恢复算法是把原始数据集分解成一组表征基和与此相应的稀疏误差,并以此分解对原始数据建模。受Fisher准则启发,文中提出基于带有Fisher判别准则的低秩矩阵恢复算法,在有监督学习模式下对低秩矩阵进行恢复,即当所有的标签信息都知道的情况下考虑类内散度和类间散度。文中所构造的模型可利用增广拉格朗日乘子法求解,并通过对标准的低秩矩阵模型增加判别性提高性能,利用文中算法所学习到的表征基使类内结构相关,而类间相互独立。在人脸识别问题上的仿真实验表明该算法的有效性。     

基于带补偿字典的松弛稀疏表示的小样本人脸识别*

在训练集类内变化类型不可控的小样本人脸识别问题中,补偿字典很难发挥足够作用。在基于带补偿字典的稀疏表示的人脸识别方法中,训练集字典和补偿字典对测试图片表示的能力不同,文中讨论因此不同而导致的二者在稀疏性上的不同要求,通过对两类字典采用不同的稀疏性约束,提出基于带补偿字典的松弛稀疏表示的人脸识别方法。实验表明,在训练集图片类内变化类型不可控的小样本人脸识别问题中,文中方法能取得较优效果。     

基于字典学习的核稀疏表示人脸识别方法

受Metafaces方法的启发,提出一种基于字典学习方法的核稀疏表示方法并成功应用于人脸识别。首先,采用核技术将稀疏表示方法推广到高维空间得到核稀疏表示方法。其次,借鉴Metaface字典学习方法,进行字典学习得到一组核基向量构成核稀疏表示字典。最后,利用学习得到的核字典基重构样本,并根据样本与重构样本之间的残差最小原则对人脸图像进行分类。在AR、ORL和Yale人脸数据库上的实验表明该方法的良好识别性能。     

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.     

基于有效距离的低秩表示

低秩表示(Low-Rank Representation,LRR)在探索数据中的低维子空间结构方面具有良好的效果,近年来引起了人们的广泛关注.然而,传统的LRR方法通常使用欧氏距离来度量样本的相似性,仅考虑相邻样本两两之间的距离信息,对于具有流形结构的数据往往不能反映其固有的几何结构.最近的研究表明,概率激励距离测量(...     

非最小平方误差局部-全局加权融合的稀疏表示遮挡人脸识别

考虑到图像遮挡后部分局部信息属性改变,在利用最小残差判决函数分类时,各类残差可能因较接近而导致分类错误。针对此问题,从分类器判决函数出发,提出基于稀疏系数累积的局部-全局加权融合的稀疏表示遮挡人脸识别算法。该算法主要利用各类稀疏表示系数累积作为判决函数,使用Borda投票机制进行分类。利用系数累积进行全局分类,然后对局部各块分类,考虑到子块作用不同,利用稀疏度和残差两个参数表示其可信度权重,最后将全局和局部融合Borda投票,统计各类投票总数,实现分类。在公用数据库进行实验,结果表明该算法具有较好的有效性和鲁棒性。     

基于低秩表示的标记分布学习算法

针对标记分布学习算法忽略标记相关性信息及数据存在异常和噪声值的情况,文中提出基于低秩表示的标记分布学习算法(LDL-LRR).利用特征空间的基线性表示样本信息,实现对原始特征空间数据的降维.将低轶表示(LRR)迁移至标记空间,对模型施加低秩约束,把握数据的全局结构.分别使用增广拉格朗日乘子法和拟牛顿法求解LRR和目标函数,再通过最大熵模型预测标记分布.在10个数据集上的对比实验表明,LDL-LRR性能良好,效果稳定.     

核矩阵列相关低秩近似分解算法

提出一种核矩阵低秩近似分解方法。首先针对传统核矩阵分解列与类别独立的假设,研究列之间的关系,结合类别设计核矩阵的列选取策略。在此基础上,将核矩阵的分解分为两个阶段,与传统分解算法只考虑对角元素占优不同,利用核矩阵列之间以及列与类别之间的关系获取的Cholesky因子进行分解,并将其基向量扩展到整个空间。最后给出近似误差界的期望值。该算法不需要列之间或列与类别独立的假设,将列与类别关联,能提取有判别能力的子矩阵,并避免对核矩阵整体进行特征值分解运算,有效降低计算量。多个数据集的实验和分析验证该算法的合理性和有效性。     

结构约束的对称低秩表示子空间聚类算法

通过子空间聚类可获得高维数据的潜在子空间结构,但现有算法不能同时揭示数据全局低秩结构和局部稀疏结构特性,致使聚类性能受限.提出一种结构约束的对称低秩表示算法用于子空间聚类.在目标函数中添加结构约束和对称约束来限制低秩表示解的结构,构造一个加权稀疏和对称低秩的亲和度图,在此基础上,结合谱聚类方法实现高效的子空间聚类.实验...