快速局部协同表示分类器及其在人脸识别中的应用

doi:10.11896/jsjkx.200800155

摘要

摘要：为了解决基于协作表示的分类方法（CRC）计算时间复杂度高的问题，本文利用重建系数与样本标签之间的正相关关系，提出了一种用于人脸识别的局部快速协作表示分类器。首先用最小二乘法求解带有L2范数约束的线性回归问题，然后去掉不适合分类的负重构系数。最后，采用最大相似准则代替CRC中的重构准则来确定测试样本的标签。与CRC相比，该方法在考虑局部相似性的情况下可以获得更好的性能，并且在不进行样本重建的情况下所花费的时间要少得多。在AR和CMU-PIE数据集上的实验结果表明，与人脸图像中不同照明、表情和角度的一些最先进方法相比，所提出的方法消耗的时间比CRC少得多，并且可以获得更好的识别精度。

关键词： 合作代表，人脸识别，线性回归，流形学习

CLC编号：

TP183型

陈昌伟，周晓峰。基于快速局部协同表示的分类器及其在人脸识别中的应用[J]。计算机科学，2021，48（9）：208-215。

工具书类

[1] 吴亚拉曼，古普塔P，古普塔·S，等.人脸识别的最新发展[J]。神经计算，2020408:231-245。
[2] 程恩杰，CHOU K P，RAJORA S T，等.人脸识别与检测系统中的深度稀疏表示分类器[J]。模式识别信件，2019125:71-77。
[3] MOKHAYERI F，GRANGER E.从单个样本进行鲁棒人脸识别的配对稀疏表示模型[J/OL]。http://arXiv.org/abs/1910.02192。
[4] COVER T，HART P.最近邻模式分类[J]。IEEE信息理论汇刊，2003,13（1）：21-27。
[5] GONZALEZ R C，WOODS R E.数字图像处理[M]。艾迪森·卫斯理，1997年。
[6] DUDA R O、HART P E、STORK D G.模式分类（第二版）[M]。威利，2000年。
[7] MITANI Y，HAMAMOTO Y.基于局部均值的非参数分类器[J]。模式识别快报，2006,27（10）：1151-1159。
[8] WRIGHT J，YANG A Y，GANESH A，等.基于稀疏表示的鲁棒人脸识别[J]。IEEE模式分析和机器智能汇刊，2008年，31（2）：210-227。
[9] 宋晓恩，胡国顺，罗建华，等.基于降系数解子空间二次优化的快速SRC方法[J]。信号处理，2019161:101-110。
[10] NASEEM I，TOGNERI R，BENNAMOUN M.人脸识别的线性回归[J]。IEEE模式分析和机器智能汇刊，2010，32（11）：2106-2112。
[11] 张磊，杨明，冯小川。稀疏表示还是协作表示：哪一种有助于面部识别？[C] //2012年国际计算机视觉会议。
[12] 杨亚英，周泽，甘思阿，等.鲁棒人脸识别的快速L1-最小化算法[J]。IEEE图像处理汇刊IEEE信号处理协会出版物，2010，22（8）：3234-3246。
[13] BERNHARD S，JOHN P，THOMAS H.信号分类稀疏表示[C]//神经信息处理系统国际会议.2016。
[14] WRIGHT J，YANG A Y，GANESH A，等.基于稀疏表示的鲁棒人脸识别[J]。IEEE模式分析和机器智能汇刊，2009,31（2）：210-227。
[15] GAO S H，TSANGI W H，CHIA L T.用于图像分类和人脸识别的核稀疏表示[C]//欧洲计算机视觉会议.2010。
[16] 王斌，李文芳，POH N，等.基于核协同表示的人脸识别分类器[C]//IEEE声学、语音和信号处理国际会议.2013:2877-2881。
[17] 王德，卢赫，杨M.Kernel协同人脸识别[J]。模式识别，2015,48（10）：3025-3037。
[18] VO D M，LEE S W.基于层次协同表示的鲁棒人脸识别[J]。信息科学，2017432:332-346。
[19] DONOHO D.对于大多数大型欠定Li-near方程组，最小L1-形式解也是最稀疏解[J]。纯数学与应用数学交流，2006,59（6）：797-829。
[20] TROPP J A，WRIGHT S J.线性反问题稀疏解的计算方法[C]//IEEE学报，压缩传感与稀疏表示应用专刊。2010:948-958。
[21]徐杰，杨杰.基于均值表示的分类器及其应用[J]。电子快报，2011,47（18）：1024-1026。
[22]MARTINEZ A M，BENAVENTE R。AR人脸数据库[R]。CVC技术报告#241998。
[23]GEORGHIADES A，BELHUMEUR P，KRIEGMAN D.从少到多：可变光照和姿态下人脸识别的照明锥模型[J]。IEEE模式分析和机器智能汇刊，2001,23（6）：643-660。
[24]LEE K，HO J，KRIEGMAN D.获取可变光照下人脸识别的线性子空间[J]。IEEE模式分析和机器智能汇刊，2005,27（5）：684-698。
[25]JUAN L，MARTíNEZ F，ZULIMA F.反问题中的维数灾难[J/OL]。计算与应用数学杂志，2020年，https://doi.org/10.1016/j.cam.2019.112571。
[26]图尔克·M，彭兰德·A·识别特征脸[J]。神经科学杂志，1991，3（1）：71-86。
[27]BLEI D M，NG A Y，JORDAN M I.潜在Dirichlet分配[J]。机器学习研究档案，2003,3:993-1022。
[28]HE X F.保位投影[J]。神经信息处理系统进展，2003,16（1）：186-197。
[29]黄平，杨泽，陈C.用于图像特征提取的模糊局部判别嵌入[J]。计算。选举人。工程，2015年，46:231-240。
[30]黄磊，马永强，刘晓玲.多流形分类的通用非参数主动学习框架[J]。模式识别信件，2020130:250-258。
[31]MENG Y，SHANG R，JIAO L，et al.基于特征选择的局部判别聚类的对偶图稀疏非负矩阵因子分解[J]。神经计算，2018290（17）：87-99。
[32]格罗斯·R，马修斯一世，科恩·J，等.多重PIE[J]。图像与视觉计算，2010,28（5）：807-813。
[33]PHILLIPS P J，WECHSLER H，HUANG J S，et al.人脸识别算法的FERET数据库和评估程序[J]。图像与视觉计算，1998,16（5）：295-306。

相关文章15

[1]	柳游、吴文元。保隐私线性回归方案及其应用[J] ●●●●。计算机科学，2022，49（9）：318-325。
[2]	黄浦，杜旭冉，沈阳阳，杨章静。基于局部正则双线性重构表示的人脸识别[J] ●●●●。计算机科学，2022，49（6A）：407-411。
[3]	黄浦，沈阳阳，杜旭冉，杨章静。基于局部约束特征线表示的人脸识别[J] ●●●●。计算机科学，2022，49（6A）：429-433。
[4]	程祥明、邓春华。基于无标记知识提取的人脸识别模型压缩算法[J] ●●●●。计算机科学，2022，49（6）：245-253。
[5]	魏琴、李英娇、娄萍、颜俊伟、胡继伟。基于边缘云协作的人脸识别方法[J] ●●●●。计算机科学，2022，49（5）：71-77。
[6]	何嘉佑、黄洪波、张洪燕、孙木业、刘亚辉、周哲海。基于单幅图像的三维人脸重建综述[J] ●●●●。计算机科学，2022，49（2）：40-50。
[7]	文和、罗平杰。基于改进脉冲耦合神经网络的动态人脸识别[J] ●●●●。计算机科学，2021，48（6A）：85-88。
[8]	李凡，闫兴，张晓佑。基于GPU的特征脸算法优化[J] ●●●●。计算机科学，2021，48（4）：197-204。
[9]	白子怡、毛一荣、王瑞萍。基于视频的人脸识别研究综述[J] ●●●●。计算机科学，2021，48（3）：50-59。
[10]	卢耀耀、袁佳斌、何山、王天行。基于超分辨率重建的低质量视频人脸识别方法[J] ●●●●。计算机科学，2021，48（11A）：295-302。
[11]	杨章静、王文波、黄浦、张凡龙、王欣。基于局部加权表示的线性回归分类器与人脸识别[J] ●●●●。计算机科学，2021，48（11A）：351-359。
[12]	LUAN Xiao，李小双。基于多特征融合的人脸消噪算法[J] ●●●●。计算机科学，2021，48（11A）：409-415。
[13]	肖正毅，陈秀红。基于样本特征核矩阵的稀疏双线性回归[J] ●●●●。计算机科学，2021，48（10）：185-190。
[14]	田旭、常侃、黄胜、秦团发。基于残差字典和协同表示的单图像超分辨率算法[J] ●●●●。计算机科学，2020，47（9）：135-141。
[15]	张军、王阳、李坤浩、李昌、赵传新。基于流形学习的多源传感器体域网数据融合模型[J] ●●●●。计算机科学，2020，47（8）：323-328。

韵律学

已查看

全文

摘要

引用

共享

讨论

基于快速局部协同表示的分类器及其在人脸识别中的应用

PDF（PC）

摘要

引用这篇文章

分享这篇文章

工具书类

相关文章15

韵律学

评论

推荐0