基于加权分块稀疏表示的光照鲁棒性人脸识别

针对光照变化对人脸识别的效果带来严重影响,提出一种对人脸识别的光照变化具有鲁棒性的方法,即基于加权分块稀疏表示的人脸识别方法。该方法首先对人脸图像进行离散余弦变换（DCT）,通过去除 DCT 系数的低频部分来移除光照变化分量。通过反离散余弦变换得到光照归一化后的人脸图像,将人脸图像分块,独立地对每个子块作基于稀疏表示的分类,并对每个子块的分类结果进行加权投票得出测试人脸图像的类别。在 Yale B、extended-Yale B、CMU-PIE 和 FERET 人脸库上进行实验,实验结果表明该方法适用于光照鲁棒的人脸识别。     

基于HOG特征的加权稀疏表示人脸识别算法

在人脸识别中,为了进一步提高人脸图像对光照等外界因素的鲁棒性,提出一种基于HOG特征的加权稀疏表示算法,将加权稀疏表示方法和HOG特征以及随机投影方法相融合,以降低复杂度,提高识别性能。首先,统计每一幅图像的方向梯度直方图(HOG)特征,并对每一幅图像进行归一化处理,削弱人脸图像中的光照影响;其次,对归一化后的图像引入随机矩阵算法,进行多次随机投影,得到每个样本所对应的稀疏系数,利用样本之间的距离作为稀疏系数的权值;在此基础上,对传统稀疏表示分类器进行改进,样本经随机矩阵多次投影和稀疏表示后会产生多个重构残差,最后利用样本的重构残差和对样本进行识别分类。ORL人脸库和GT人脸数据库上的实验证明该方法对光照等外界物理因素有着很好的鲁棒性。     

基于加权协同表示的人脸识别方法

为提高协同表示模型的特征表达能力和鲁棒性,解决对正则参数敏感的问题,提出加权协同表示分类器(WCRC)并运用于人脸识别。基于L2范数求解最优化问题,利用训练样本的先验距离信息作为权重,将待识别图像与每类样本的距离信息作为先验信息引入到特征表示函数中,增强距离待识别样本较近的某类样本的重构权重,利用最小二乘法求解表示系数,根据待识别图像与每类训练图像的重构残差大小判断待识别图像的类别。通过实验测试以及与其它算法的对比验证了该方法的有效性。     

改进Retinex和稀疏表示的光照人脸识别

为了提高光照变化条件下的人脸识别率,针对当前人脸识别方法存在的缺陷,提出了一种改进Retinex算法和稀疏表示相融合的光照人脸识别方法。首先对Retinex算法的不足进行改进,并应用于人脸图像预处理中,消除光照对人脸识别的干扰,然后采用稀疏表示提取人脸特征向量,并采用投票方式实现人脸识别,最后通过3个标准人脸数据库对方法的性能进行测试。结果表明,该方法不仅提高了人脸识别率,而且缩短了人脸识别时间,对光照具有较好的鲁棒性。     

基于自步学习的加权稀疏表示人脸识别方法

近年来基于稀疏表示的分类方法（SRC）成为了一个新的热点问题,在人脸识别领域取得了很大的成功。但基于稀疏表示的方法在重建待测样本时,有可能会利用与待测样本相差较大的训练样本,并且没有考虑到表示系数的局部信息,从而导致分类结果不稳定。提出一种基于自步学习的加权稀疏表示算法SPL-WSRC,在字典中有效剔除与待测样本相差较大的训练样本,并利用加权手段考虑样本间的局部信息,以提高分类精度和稳定性。通过3个典型的人脸数据集中的实验,实验结果表明,所提算法优于原稀疏表示算法SRC,特别是当训练样本足够多时,效果更明显。     

基于稀疏表示的旋转鲁棒遥感影像特征提取

针对高空间分辨率遥感影像的特征提取问题,提出一种基于稀疏表示的提取方法。通过学习,从大量的自然图像中获得过完备字典,对其中每个原子进行多个方向的旋转,从而扩展该字典。利用扩展的字典对遥感影像进行稀疏编码,并将稀疏编码非零元素个数限定为1,对非零元素的位置统计直方图进行池化处理后,通过归一化获得影像的特征。实验结果表明,与传统的特征提取方法相比,该方法可以有效提取遥感影像的特征,并且对遥感纹理影像的旋转具有较强的鲁棒性。     

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.     

基于块稀疏递推残差分析的稀疏表示遮挡鲁棒识别算法研究

针对如何在未知类别的情况下自动检测出遮挡区域,然后在克服遮挡影响的基础上提高识别算法的鲁棒性问题,提出基于块稀疏递推残差分析的稀疏表示遮挡鲁棒识别算法.该算法首先将待测样本分为上下两部分,并分别用对应块的训练样本进行稀疏表示,找出稀疏度更高的块及对应的稀疏解,并将更稀疏前N个解推广到另一个块中,重构测试样本.然后根据重构测试样本与原测试样本的残差推测遮挡像素.考虑到遮挡区域的连续性,利用形态学操作对推测的遮挡区域进行规则化处理并得到加权矩阵.最后利用加权矩阵对测试样本和训练样本进行整体加权归一化,再利用全局稀疏表示进行最终的分类判决.在AR、Yale B及MNIST上的遮挡仿真实验证明该方法不但可大致确定遮挡区域,还可提高遮挡图像识别的性能.     

基于自商图像和随机投影的人脸识别方法

针对传统基于自商图像的方法忽略对特征进行选择的问题,提出了一种结合自商图像和随机投影的人脸识别方法。采用自商图像法对人脸图像进行预处理,削弱光照影响;然后通过线性判别分析构造初始样本空间,利用多次随机投影将样本投影到不同的子空间,从而提取更具完备性和判别性的光照不变特征。最后用最近邻分类器对样本进行分类。在Yale B和AR人脸库上的实验表明:所提算法可以提取对光照鲁棒且具有鉴别性的人脸特征,从而提高光照变化条件下人脸识别的准确率。     

一种鲁棒稀疏表示的单样本人脸识别算法

稀疏表示在人脸识别问题上取得了非常优秀的识别结果,但在单样本条件下,算法性能下降严重。为提高单样本条件下稀疏表示的应用能力,提出一种鲁棒稀疏表示单样本人脸识别算法(RSR)。通过使用每张人脸图像创建一组位置图像,扩充每个对象训练样本,并利用L2,1范数约束,保证RSR选择正确对象的位置图像。在AR和Extended Yale B人脸数据库上进行评测,实验结果表明RSR能够有效处理存在遮挡或光照变化的人脸图像,获得了较好的单样本人脸识别准确率,具有很强的鲁棒性。     

基于稀疏表示与小波特征的人脸识别分层框架

基于稀疏表示的人脸识别研究,非线性特征的选择研究较少。提出分层使用人脸图像的小波特征,进行稀疏表示人脸识别框架。框架首先对样本人脸进行小波变换,构造小波低频和小波高频过完备人脸字典;识别阶段首先使用人脸图像的小波低频特征进行稀疏表示,计算类别模糊稀疏,然后根据模糊系数输出类别标签或进行高频特征的稀疏表示与识别。实验结果表明,基于小波特征和稀疏表示的人脸识别分层框架提高了识别的准确率,且对遮挡很鲁棒。     

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。     

快速稀疏表示分类的人脸识别算法

经典的稀疏表示分类（Sparse Representation for Classification,SRC）算法是一种基于[L1]范数最小化问题,它在很多应用场合都能取得很好的分类效果,是目前备受关注的一类识别算法。然而,传统的SRC算法在求解[L1]范数最小化问题时,往往计算效率比较低。为有效解决这个问题,提出了一种快速有效的分类算法,它利用坐标下降方法来实现SRC算法。该方法既可以显著地提高计算效率,又可取得较好的分类结果。在不同人脸库上的实验表明,所提的算法具有良好的应用前景。     

基于稀疏表示的分块人脸识别算法

最近基于原型（Prototype）加变差（Variation）表示模型的稀疏表示方法被有效用于人脸识别。由于该算法是基于整个人脸来考虑的,忽略了人脸局部特征对整个识别过程的影响。为了解决这个问题,引入了分块处理的思想,运用Borda计数的方法对每个子模块按照残差大小进行投票,根据最终的投票结果对人脸进行分类判别。在AR人脸库上的实验结果表明该方法与其他方法相比,在对具有部分遮挡和光照变化人脸的识别上具有更好的效果。     

集体表示分类方法及在人脸识别中的应用

近年来,基于表示的人脸图像识别方法吸引了众多学者的关注,如稀疏表示分类方法（Sparse Representation based Classification,SRC）、协作表示方法（Collaborative Representation based Classification,CRC）等。这些方法均利用单张图像的表示信息进行识别,而忽略了集体图像之间的关联性,容易存在信息不足的缺陷。为了能够充分利用多张人脸图像的相互关系,提出了一类集体表示分类方法。该方法将多张待识别图像映射为一个稀疏表示矩阵,并对每类测试图像集体重构,以最小残差为准则对每类人脸图像集分类。这种方法通过同时表示多张图像,关注到不同图像之间的相似与不同,获取到同一主体的更多信息,从而提高识别正确率。尤其在只有多张侧脸图像而无正脸图像的情况下,集体表示分类方法更能发挥优势,在两个公开人脸图像数据集上的实验结果也验证了该方法的有效性。     

基于非负稀疏表示的人脸识别

对稀疏表示在人脸识别中的应用进行了研究,提出了人脸识别的非负稀疏表示方法和采样方法.提出了非负稀疏表示的乘性迭代算法,分析了该方法与非负矩阵分解的联系,设计了基于非负稀疏表示的分类算法.在仿射传播算法的基础上,提出了人脸数据集的采样方法,并在人脸图像集上进行了实验.与稀疏表示相比,非负稀疏表示在计算复杂度和鲁棒性上具有优越性;与随机采样方法相比,该采样方法具有较高的识别精度.     

稀疏表示和贪婪搜索的人脸分类

目的 随着稀疏表示方法在图像重建问题中的巨大成功,研究人员提出了一种特殊的分类方法,即基于稀疏表示的分类方法.为了加强样本间的协作表示能力以及减弱稀疏分解时的强L1约束,提出了一种在稀疏分类框架下的迭代剔除机制和贪婪搜索策略的人脸识别方法.方法 将测试样本表示成训练样本线性组合的方式,并在所有训练样本中通过迭代计算来消除对分类影响较小的类别和单个样本,在系数分解的过程中采用最小误差正交匹配追踪(EcOMP)算法,进而选择出贡献程度大的类别样本并进行分类.结果 在迭代更新样本字典的过程中,强化了真实类别的表示能力,并弱化了分解系数的强L1约束.在所有的实验中,正则化参数λ的取值为0.001,在ORL、FERET和AR 3个人脸数据库上,本文算法的识别率可分别达到97.88％、67.95％和94.50％,进而验证了本文算法的有效性.结论 提出的在稀疏分类框架下的迭代剔除机制和贪婪搜索策略的人脸识别方法,在动态迭代的机制中完成了样本字典的更新,平衡了协作表示和稀疏约束的关系,相比较原始的稀疏分类模型有更好的准确性和稳定性.     

结构化加权稀疏低秩恢复算法在人脸识别中的应用

针对训练样本或测试样本存在污损的情况，提出一种结构化加权稀疏低秩恢复算法（structured and weighted-sparse low rank representation，SWLRR）。SWLRR对低秩表示进行加权稀疏约束和结构化约束，使得低秩表示系数更加趋近于块对角结构，进而可获得具有判别性的低秩表示。SWLRR将训练样本恢复成干净训练样本后，再根据原始训练样本和恢复后的训练样本学习到低秩投影矩阵，把测试样本投影到相应的低秩子空间，即可有效地去除测试样本中的污损部分。在几个人脸数据库上的实验结果验证了SWLRR在不同情况下的有效性和鲁棒性。