Locality Preserving Collaborative Representation for Face Recognition

Face recognition has many applications in pattern recognition and computer vision, and many face recognition methods have been proposed. Among them, the recently proposed collaborative representation based face recognition has attracted the attention of researchers. Many variants and extensions of collaborative representation based classification (CRC) have been presented. However, most of CRC methods do not consider data locality, which is crucial for classification task. In this article, a novel collaborative representation based face recognition method, LP-CRC, is proposed, which balances data locality and collaborative representation. The proposed method incorporates a locality adaptor term into the robust collaborative representation based classification framework, leading to a novel unified objective function. The Augmented Lagrange Multiplier is used to optimize the objective function. Tests on standard benchmarks demonstrate that the proposed face recognition method is superior to existing methods and robust to noise and outliers.     

基于稀疏表示的人脸识别方法

分析了稀疏表示的数学本质就是稀疏正规化约束下的信号分解,研究了一种正交匹配追踪的稀疏表示算法并利用矩阵Cholesky分解简化迭代过程中矩阵求逆计算来快速实现算法,将该算法应用在人脸识别中,利用训练样本构建冗余字典,将测试样本看成冗余字典中训练样本的线性组合,通过在不同人脸库上的实验证明了该方法的有效性.     

融合多种几何特征的三维人脸识别算法

由于对光照、姿态变化的不敏感, 三维人脸识别算法已经受到人们的极大关注, 其中三维人脸特征的表示、获取以及多种表示特征的有效融合仍然是三维人脸识别的核心问题. 本文提出一种三维人脸识别方法, 该方法针对归一化的三维人脸数据, 选取人脸的曲面特征和描述人脸特征相互关系矩阵的主分量特征作为人脸表示特征, 给出了各特征的提取方法及同类特征的相似性度量, 进而提出了一种对各类特征进行加权融合的方法, 即通过分析不同特征的分类识别能力, 根据Fisher的线性判别准则, 以类内和类间特征相似度的均值差与类内和类间的散度平方和之比的大小作为该类特征权重, 在决策层为不同的特征赋予不同的权重. 最后, 基于公开发布的BJUT-3D三维人脸数据库进行了识别性能实验. 实验结果证明, 本文的特征融合方法比一般的加权策略有更好的识别性能．     

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。     

基于二值数据贝叶斯子空间的人脸识别算法

基于贝叶斯空间的人脸识别算法均假定样本空间满足高斯分布,实际上样本空间很复杂,不一定能满足高斯分布。提出一种新的在贝叶斯空间进行人脸识别的算法,该算法通过设定图像灰度级的阈值,统计其出现频率,计算其类条件概率密度,利用贝叶斯公式求后验概率。该方法克服了传统贝叶斯方法难求类内和类间协方差矩阵的缺点,简单易用。实验结果证明,该方法具有可行性,识别率高于传统的基于代数的人脸识别算法(PCA、LDA和PCA+LDA)。     

稀疏表示人脸识别算法的研究与改进

为了提高稀疏表示人脸识别技术在对姿态、光照等情况下的识别率和鲁棒性,在GSRC算法的理论基础上提出使用向量总变差模型取代最小l1范数进行稀疏求解.在扩展YaleB人脸数据库和ORL人脸数据库上的数值实验结果中,改进方法在识别率和鲁棒性上都得到了提高,尤其在低维观测数据下,具有较大的优势.表明使用向量总变差模型进行稀疏求解在稀疏表示入脸识别率更具有优势.     

改进的加权稀疏表示人脸识别算法

针对传统的加权稀疏表示分类方法在获取训练样本权重以及求解l₁范数最小化问题中计算效率低的问题,提出了一种加权稀疏表示和对偶增广拉格朗日乘子法（DALM）相结合的人脸识别算法WSRC_DALM算法.该算法主要采用高斯核函数计算每个训练样本与测试样本之间的相关性,即获得训练样本相对于测试样本的权重;接着利用DALM算法求解l₁范数最小化模型,实现测试样本的精准重构和分类,最后在ORL和FEI人脸数据集上进行算法验证.在ORL数据集中,WSRC_DALM算法的识别率高达99%,相比经典的SRC和WSRC算法,识别率分别提高了7%和4.8%,同时计算效率比WSRC算法提高了约20倍;在FEI数据集中,多姿态变化下的人脸识别率接近于92%.实验结果表明,WSRC_DALM算法在识别准确度和计算效率上具有明显的优势,并且对较大类内变化具有较好的鲁棒性.     

核协同表示在人脸识别的遮挡问题中的应用

人脸识别算法是一个特征提取和分类器设计的过程.针对人脸识别中的遮挡问题,提出一种基于核主成分分析(KPCA)和协同表示(CRC)相结合的人脸识别算法.提取特征时,利用KPCA提取人脸图像中利于判决的非线性结构特征,使得样本在保留了最有效判别信息的同时降低了特征维数.设计分类器时,考虑到样本之间的协同性,采用综合考虑样本之间信息的协同表示分类器进行分类识别.实验结果证明,该算法获得了很好的识别效果,效率也得到了提高.     

融合LLE与LDA特征的人脸识别方法

为更好提取识别的人脸特征,文章将非线性流形学习方法LLE提取的局部非线性特征与监督学习方法LDA提取的全局线性特征相结合,利用特征融合的思想,得出有利特征,进行人脸识别。经实验证明,该方法能显著提高人脸识别系统的性能。     

快速局部协同表示分类器及其在人脸识别中的应用

针对协同表示分类器(CRC)计算时间复杂度较高的问题,利用重构系数的大小与样本标签之间的正相关性,提出了局部快速协同表示器并用于人脸识别.首先使用最小二乘法求解L2范数约束下的线性回归问题;然后对重构系数进行筛选,舍弃对分类不利的负重构系数;最后抛弃原CRC算法中的样本重构环节,转而使用最大相似性准则确定测试样本所属分...     

改进稀疏表示算法在人脸识别中的应用

人脸识别的主要难度在于，受到光照变化、表情变化以及遮挡的影响，会使得采集的不同人的人脸图像具有相似性。为有效解决基于稀疏表示的分类算法（Sparse Representation-based Classification，SRC）在人脸训练样本不足时会导致识别率降低和稀疏表示求解效率较低的问题，提出了基于判别性低秩分解与快速稀疏表示分类（Low Rank Recovery Fast Sparse Representation-based Classification，LRR_FSRC）的人脸识别算法。利用低秩分解理论得到低秩恢复字典以及稀疏误差字典，结合低秩分解和结构不相干理论，训练出判别性低秩类字典和稀疏误差字典，并把它们结合作为测试时所用的字典；用坐标下降法来求解稀疏系数以提高了计算效率；根据重构误差实现测试样本的分类。在YALE和ORL数据库上的实验结果表明，提出的基于LRR_FSRC的人脸识别方法具有较高的识别率和计算效率。     

融合整体与局部特征的低秩松弛协作表示

目前的人脸识别算法经常忽视训练过程中噪声的影响,训练数据受到污染时识别性能会明显下降.针对该问题,提出了融合整体与局部特征的低秩松弛协作表示的人脸识别算法.通过低秩分解抑制训练样本的稀疏噪声,得到更加有效的人脸信息.利用松弛协作表示得到判别性更强的编码系数,增强人脸识别系统的判别性.为进一步提高识别率,提取局部特征的同时引入整体特征,运用整体特征和局部特征共同表示人脸图像.实验结果表明,尽管训练过程、测试过程都受到噪声污染,提出的算法对有光照、遮挡及表情变化的正面人脸图像的识别具有很好的鲁棒性,比现有的识别算法拥有更高的识别率.     

融合双向2DLDA和局部SVD的人脸识别

针对人脸识别中光照、表情、姿态的影响,提出一种融合双向二维线性鉴别分析和局部对称平均的人脸识别新方法。通过双向二维线性鉴别分析对整幅图像进行特征提取,利用局部奇异值分解对称平均提取图像的局部特征。对2种方法提取到的特征利用基于加权欧式距离的最近邻分类器进行融合识别,在ORL人脸库上的实验结果证明了该方法的有效性。     

基于多分辨率下节点图像融合的人脸识别方法

人脸识别是人机接口和生物信息领域研究的重要方面,得到广泛的关注,人脸特征提取是其重要环节之一。为了克服人脸光照和表情变化对特征提取的影响,提出在小波包分解后的多分辨率下利用(2D)2PCA提取人脸特征进行识别的方法,主要创新包括：（1）以小波包分解所有节点图像为研究对象;（2）提出以识别率来选取“成功”节点;（3）提出一种融合节点图像的方法。首先通过二层小波包分解获取节点图像,采用(2D)2PCA方法提取所有节点图像的特征矩阵,并利用最邻近分类器获取其识别率,然后在选取“成功”节点图像的基础上,构建了一个融合方法进行人脸识别。用CMU PIE和Yale 库中的样本进行对比测试,结果表明本方法的高效性,同时也说明融合多分辨率下的节点图像能有效提高识别率。     

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。     

基于高阶结构约束的稀疏人脸识别算法

为了挖掘人脸稀疏表示的高阶结构信息,从而获得更精确的人脸分类判别信息,提出一种新的基于高阶结构约束的稀疏表示的人脸识别算法。在提取人脸图像的Gabor特征后,选取适当的训练样本构建稀疏线性编码模型,利用样本特征间的高阶结构信息约束和最优化求解测试样本的稀疏系数,将稀疏系数作为最终特征对人脸进行识别,实验结果表明,与结构约束稀疏表示和非结构约束稀疏表示的方法比较,人脸的高阶结构稀疏表示能显著提高人脸的识别准确率。     

基于监督协同近邻保持投影的人脸识别算法

基于流形学习理论的近邻保持嵌入算法(Neighborhood Preserving Embedding,NPE)能够发现数据集中隐含的内蕴结构,但当训练样本不足时,无法准确发现数据的内在流形结构,从而影响算法的识别效果.针对这一问题,对NPE算法进行改进,提出了监督协同近邻保持投影算法(Supervised Collaborative Neighborhood Preserving Projection,SCNPP).该算法在类别信息的指导下构建近邻图,使同类样本间的几何关系得到保持,利用协同表示弥补NPE因样本不足造成的表示误差,以一个有效保持样本近邻关系、准确发现数据内在流形结构的权值矩阵计算投影矩阵,提高分类效果.在FERET、AR和Extended Yale B人脸数据集上的实验验证了该算法的有效性.     

一种融合纠错输出编码的人脸年龄识别

基于人脸图像的年龄分类是指将人脸图像分为预定义的几个年龄组的方法,它是一个多分类问题。提出一种融合纠错输出编码的SVM多类分类器,将二分类器SVM扩展为多分类器。采用Gabor小波提取人脸年龄特征,并应用二元主成分（2DPCA）分析法对提取的特征进行降维,在FG NET年龄数据库上进行实验,结果证明了该方法的有效性和鲁棒性。在人脸年龄特征提取方面,Gabor与2DPCA结合的方式比单纯2DPCA方式具有更好的年龄特征表达能力。     

融合多系统用户信息的协同过滤算法

为了提高新用户服务的预测准确率,提出一种融合多系统用户信息的协同过滤算法。该算法通过将多个系统的用户信息融合到低维流形中为用户寻找邻居和推荐项目,并介绍流形学习算法在推荐服务中的应用过程。通过对比实验,结果表明该算法比传统协同过滤算法能更有效、准确地为新用户提供推荐。