×
Vo，Duc我的;李桑旺

通过分层协作表示实现稳健的人脸识别。 （英语） Zbl 1461.94022号

信息科学。 432, 332-346 (2018).
摘要：基于协作表示的分类（CRC）在识别任务中比传统的基于表示的分类器更有效，因此目前受到了研究人员的关注。CRC显示出较高的人脸识别准确性；然而，如果每个类中的训练人脸数较少，则其准确性会显著降低。这是因为CRC的准确性仅取决于在训练人脸的协作子空间中最小化测试人脸与其近似值之间的欧氏距离的结果。在本研究中，我们证明了通过最小化测试脸与其逼近器之间的欧几里德距离以及每个类中逼近器到训练脸之间的欧氏距离，CRC的准确性可以大大提高。因此，我们提出了一种基于分层协作表示的分类方法，该方法采用两级分类器进行人脸训练，与第一级分类器相比，第二级分类器的识别准确率显著提高。此外，通过使用判别特征提取模型，可以显著提高分类器的识别率。由于噪声和光照是导致CRC不太准确的主要因素，我们建议将HCRC与局部三元模式（LTP）的广泛模型相结合。这种组合提高了不同光照和噪声条件下的人脸识别效率。为了处理姿态、表情和光照变化下的人脸识别，我们提出了一种判别特征学习的深度卷积神经网络（DCNN）模型，该模型将人脸图像转换为一组共同的不同特征。HCRC与该深度模型的结合在具有挑战性的人脸数据库上实现了较高的识别率。此外，这两个模型都进行了优化，以降低计算成本，从而可以成功应用于需要可靠实时运行的人脸识别的实际应用。此外，我们还证明，将最先进的DCNN模型与HCRC相结合可以显著提高人脸识别性能。我们用具有挑战性的人脸识别数据集演示了几个实验。我们的结果表明，基于层次协同表示的分类器与模型显著优于最新的方法。

引用于1文件

MSC公司：

94A08型 信息与通信理论中的图像处理（压缩、重建等）

关键词：

人脸识别;基于层次协同表示的分类;局部三值模式;卷积神经网络

软件：

MegaFace公司;LFW公司;FaceNet公司
PDF格式BibTeX公司 XML格式引用
\textit{D.M.Vo}和\textit{S.-W.Lee}，信息科学。432332-346（2018年；Zbl 1461.94022）
全文： DOI程序

参考文献：

[1] Ahonen，T。；哈迪德，A。；Pietikäinen，M.，局部二进制模式人脸识别，计算机视觉-ECCV 2004，计算机科学讲义第3021卷，469-481（2004），Springer:Springer-Berlin-Heidelberg·Zbl 1098.68717号
[2] Altman，N.S.，《核和最近邻非参数回归简介》，《美国统计学家》（1992）
[3] 肖普拉，S。；哈德塞尔，R。；LeCun，Y.，通过面部验证应用程序区分学习相似性度量，Proc。CVPR（2005）
[4] Gao，S.H。；Tsang，I.-H。；Chia，L.-T.，图像分类和人脸识别的核稀疏表示，ECCV（2010）
[5] Georghiades，A.S。；Belhumeur，P.N。；Kriegman，D.J.，《从少到多：可变光照和姿势下人脸识别的照明锥模型》，IEEE Trans。模式分析。机器。智力。，23, 6, 643-660 (2001)
[6] 冈萨雷斯，C.I。；卡斯特罗，J.R。；O·门多萨。；Melin，P.，《应用于神经网络人脸识别系统的通用2型模糊边缘检测器》，IEEE模糊系统国际会议（FUZZ-IEEE），2325-2330（2016）
[7] I.J.Goodfellow、D.Warde-Farley、M.Mirza、A.Courville、Y.Bengio、Maxout networks，2013年。ArXiv:1302.4389；I.J.Goodfellow、D.Warde-Farley、M.Mirza、A.Courville、Y.Bengio、Maxout networks，2013年。ArXiv公司：1302.4389
[8] 郭毅。；张，L。；胡，Y。；何，X。；Gao，J.，Ms-celeb-1m:大规模人脸识别的数据集和基准，CoRR（2016）
[9] 黄，G.B。；拉梅什，M。；Berg，T。；Learnd-Miller，E.，《野外标记人脸：研究无约束环境中人脸识别的数据库》，《技术报告07-49》（2007），马萨诸塞大学：马萨诸塞州阿默斯特大学
[10] 库马尔，R。；Banerjee，A。；Vemuri，B.C.，Volterrafaces：使用volterra内核的判别分析，IEEE计算机视觉和模式识别会议，150-155（2009），佛罗里达州迈阿密
[11] 刘伟。；卢，L。；李，H。；Wang，W。；Zou，Y.，一种用于图像分类的新型内核协作表示方法，2014 IEEE国际图像处理会议（ICIP），4241-4245（2014）
[12] A.M.Martinez，AR面部数据库，1998年。CVC技术报告，24。；A.M.Martinez，AR面部数据库，1998年。CVC技术报告，24。
[13] 梅林，P。；冈萨雷斯，C.I。；卡斯特罗，J.R。；O·门多萨。；Castillo，O.，基于广义2型模糊逻辑的图像处理边缘检测方法，IEEE Trans。模糊系统。，22, 6, 1515-1525 (2014)
[14] 纳西姆，I。；托涅里，R。；Bennamoun，M.，人脸识别的线性回归，IEEE PAMI，32，11，2106-2112（2010）
[15] O.M.帕基。；Vedaldi，A。；Zisserman，A.，深度面部识别，BMVC（2015）
[16] 俄勒冈州Russakovsky。；邓，J。；苏，H。；克劳斯，J。；Satheesh，S。；马，S。；黄，Z。；Karpathy，A。；科斯拉，A。；伯恩斯坦，M。；A.C.Berg。；Fei-Fei，L.，Imagenet大规模视觉识别挑战，CoRR（2014）
[17] 桑切斯，D。；梅林，P。；Castillo，O.，《基于应用于人类识别的数据库复杂性的分层遗传算法优化模块化颗粒神经网络》，J.Inf.Sci，309，73-101（2015）
[18] 施罗夫，F。；Kalenichenko，D。；Philbin，J.，《Facenet:人脸识别和聚类的统一嵌入》，IEEE计算机视觉和模式识别会议（CVPR）（2015）
[19] 印度什利泽曼。；塞茨，S。；米勒，D。；Brossard，E.，The megaface benchmark:100万张人脸进行大规模识别，IEEE计算机视觉和模式识别会议（CVPR）（2016）
[20] 孙，Y。；陈，Y。；王，X。；Tang，X.，通过联合识别验证的深度学习面部表征，《神经信息处理系统进展论文集》271988-1996（2014）
[21] 孙，Y。；王，X。；Tang，X.，从预测10000个班级深入学习面部表征，Proc。CVPR（2014）
[22] 孙，Y。；王，X。；Tang，X.，《深入学习的人脸表示是稀疏的、选择性的和健壮的》，IEEE计算机视觉和模式识别会议论文集，2892-2900（2015）
[23] Tan，X。；Triggs，B.，《困难照明条件下人脸识别的增强局部纹理特征集》，IEEE Trans。图像处理。，19, 6, 1635-1650 (2010) ·Zbl 1371.68311号
[24] 温，Y。；张，K。；李，Z。；Qiao，Y.，《一种用于深度人脸识别的区分性特征学习方法》，ECCV（2016），Springer
[25] 沃尔夫，L。；哈斯纳，T。；Taigman，Y.，野外基于描述符的方法，ECCV真实生活图像中的人脸研讨会，2008（2008）
[26] Wright，J。；Yang，A.Y。；Ganesh，A。；Sastry，S.S。；Ma，Y.，基于稀疏表示的鲁棒人脸识别，IEEE Trans。模式分析。机器。智力。，31, 2, 210-227 (2009)
[27] 杨，M。；张，L。；杨，J。；Zhang，D.，人脸识别的鲁棒稀疏编码，载于：CVPR（2011）
[28] 杨，M。；张，L。；张，D。；Wang，S.，模式分类的放松协作表示，2012年IEEE计算机视觉和模式识别会议（CVPR），2224-2231（2012）
[29] 张，L。；杨，M。；冯，X，稀疏表示或协作表示：哪种有助于面部识别？，2011年计算机视觉国际会议论文集，471-478（2011），ICCV’11，IEEE计算机学会：ICCV‘11，美国哥伦比亚特区华盛顿IEEE计算机协会
[30] P.Zhu，L.Zhang，Q.Hu，S.C.K.Shiu，基于多尺度贴片的人脸识别协同表示与边缘分布优化，载于：第十二届欧洲计算机视觉会议论文集-第一卷（ECCV’12），斯普林格-弗拉格，柏林，海德堡。；P.Zhu，L.Zhang，Q.Hu，S.C.K.Shiu，基于多尺度贴片的人脸识别协同表示与边缘分布优化，收录于：第12届欧洲计算机视觉会议论文集-第一卷（ECCV’12），斯普林格·弗拉格，柏林，海德堡。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。