徐树华;高,费 基于高斯的加权两阶段监督稀疏表示用于人脸识别。 (英文) Zbl 1370.94048号 离散连续。动态。系统。,序列号。S公司 8,第6期,1385-1400(2015). 摘要:作为最近的新技术,提出了两阶段稀疏表示算法,该算法通过不同的相位稀疏表示在人脸识别中取得了优异的性能,捕获了更多的样本局部结构信息。然而,这些算法中存在一些缺陷:1) 这些算法中使用的欧氏距离度量无法捕获非线性结构信息,导致这些算法的性能对人脸图像的几何结构非常敏感。2) 通过在训练样本中应用稀疏表示直接选择测试样本的m个最近邻,忽略先验信息构建稀疏表示模型。为了解决这些问题,在现有两阶段稀疏表示算法的基础上,提出了基于高斯的加权两阶段监督稀疏表示(GWTPSSR)算法,其中,通过有效利用高斯距离度量代替欧几里德距离度量来捕获样本的非线性局部信息。此外,GWTPSSR在稀疏表示模型中为每个测试样本从训练样本中重新创建重构集,充分利用先验信息来消除一些远离测试样本的训练样本。与现有的两阶段稀疏表示算法相比,在标准人脸数据集上的实验结果表明,GWTPSSR具有更好的鲁棒性和分类性能。 MSC公司: 94A08型 信息与通信理论中的图像处理(压缩、重建等) 68T45型 机器视觉和场景理解 关键词:稀疏表示;局部结构;高斯核距离;先前信息;人脸识别 PDF格式BibTeX公司 XML格式引用 \textit{S.Xu}和\textit{F.Gao},离散Contin。动态。系统。,序列号。S 8,No.6,1385--1400(2015;Zbl 1370.94048) 全文: 内政部 参考文献: [1] 可从以下网址获得:<a href=·Zbl 1085.90500 [2] A.Back,流形上的几何双尺度收敛及其在vlasov方程中的应用,离散Contin。动态。系统。序列号。S、 8223(2015)·Zbl 1334.37027号 ·doi:10.3934/dcdss.2015.8.223 [3] H.Berao da Veiga,关于p-laplacian型非线性系统的全局正则性,离散Contin。动态。系统。序列号。S、 61173(2013)·Zbl 1263.35094号 ·doi:10.3934/dcdss.2013.6.1173 [4] M.Debruyne,稳健核主成分分析和分类,高级数据分析。分类,4151(2010)·Zbl 1284.62370号 ·doi:10.1007/s11634-010-0068-1 [5] X.Fan,《学习多类形状检测分类器的层次结构》,博士论文(2006) [6] Z.Fan,人脸识别的加权稀疏表示,神经计算,151,304(2015)·doi:10.1016/j.neucom.2014.09.035 [7] E.Frenod,《基于均匀化的数值方法分类的尝试》,《离散Contin》。动态。系统。序列号。S、 2015年8月·Zbl 1304.65184号 [8] S.Gangaputra,粗到细分类的设计原则。IEEE计算。社会委员会CVPR,1877(2006)·doi:10.1109/CVPR.2006.21 [9] S.Gao,图像分类和人脸识别的核稀疏表示,《计算机视觉ECCV》(编辑K.Danilidis,1(2010) [10] 黄J.Huang,基于MPCA/LDA的人脸识别降维算法,工程数学问题,2014,1(2014)·兹比尔1407.68425 ·doi:10.1155/2014/393265 [11] S.Huang,提取鲁棒pca的精细低阶特征用于人类行为识别,计算机工程与计算机科学,40,1427(2015)·doi:10.1007/s13369-015-1635-8 [12] M.Kirby,《KL相位在人脸特征描述中的应用》,IEEE Trans。模式分析。机器。智力。,12, 103 (1990) [13] 黎振中,用于特征提取的稀疏局部判别投影,载《ICPR学报》,926(2010) [14] 刘振英,通过局部子空间分析改进的目标检测和恒星/星系分类系统,神经网络。,16, 437 (2003) ·doi:10.1016/S0893-6080(03)00015-7 [15] 刘振华,基于加权两阶段测试样本稀疏表示的人脸识别,神经网络。莱特。,41, 43 (2015) ·doi:10.1007/s11063-013-9333-6 [16] 陆春云,基于加权稀疏表示的人脸识别,J.Vis。Commun公司。图像表示。,24, 111 (2013) [17] X.Luan,在不同光照和遮挡条件下提取鲁棒PCA的稀疏误差用于人脸识别,模式识别,47,495(2014)·doi:10.1016/j.patcog.2013.06.031 [18] K.-R.Muller,基于内核的学习算法介绍,IEEE Trans。神经网络。,12, 181 (2001) ·数字对象标识代码:10.1109/72.914517 [19] M.Murtaza,使用自适应边缘Fisher准则和线性判别分析(AMFC-LDA)的人脸识别,《国际阿拉伯信息技术杂志》,11,149(2014) [20] S.W.Park,《变姿态和光照下人脸识别线性判别分析的多因素扩展》,欧亚科学院高级信号处理杂志。,2010 (2010) ·数字对象标识代码:10.1155/2010/158395 [21] P.J.Phillips,面部识别技术(FERET)数据库[在线]。,可从以下网址获得:<a href= [22] P.J.Phillips,《人脸识别算法的FERET评估方法》,1997年IEEE计算机学会计算机视觉和模式识别会议,137(1997)·doi:10.1109/CVPR.1997.609311 [23] H.Ryu,基于图像的人脸检测的粗到细分类,《图像和视频检索》,291(2006)·数字对象标识代码:10.1007/11788034_30 [24] F.Samaria,人脸识别随机模型的参数化,第二届IEEE计算机视觉应用研讨会,138(1994)·doi:10.1109/ACV.1994.341300 [25] B.Scholkopf,《使用内核学习》,麻省理工学院出版社(2002) [26] 问:史,人脸识别真的是一个压缩感知问题吗?,,2011年IEEE计算机视觉和模式识别会议(CVPR),553(2011)·doi:10.1109/CVPR.2111.5995556 [27] M.Sugiyama,利用局部Fisher判别分析对多模态标记数据进行降维,J.Mach。学习。第81027号决议(2007年)·兹比尔1222.68312 [28] D.Tao,子空间选择的几何平均值,IEEE Trans。模式分析。机器。智力。,31, 260 (2009) [29] D.Tao,Kernel全空间偏差判别分析,2004年IEEE多媒体与博览会国际会议,1287(2004)·doi:10.1109/IMCE.2004.1394460 [30] M.E.Tipping,稀疏核主成分分析,收录于《神经信息处理系统》(eds.T.K.Leen,633(2000)) [31] V.Vural,《利用批次内的局部依赖性改进大幅度分类器》,J.Mach。学习。决议,10183(2009年)·Zbl 1235.68201号 [32] L.Wang,用于人脸识别的流形正则化局部稀疏表示,《视频技术电路与系统学报》,25,651(2015)·doi:10.1109/TCSVT.2014.2335851 [33] J.Wright,计算机视觉和模式识别的稀疏表示,《IEEE学报》,1(2009) [34] J.Wright,通过稀疏表示实现鲁棒人脸识别,IEEE Trans。模式分析。机器。智力。,31, 210 (2009) [35] X.Xiang,基于PCA-like方法的彩色人脸识别,神经计算,152,231(2015)·doi:10.1016/j.neucom.2014.10.074 [36] Xu Y.,在特征级表示和融合双峰生物特征图像:基于复杂矩阵的融合方案,Opt。工程,49(2010) [37] 许玉云,一种基于KPCA的特征提取加速方法,神经计算,70,1056(2007)·doi:10.1016/j.neucom.2006.09.005 [38] Xu Y.直接从矩阵数据中提取特征的方法及其在人脸识别中的应用,神经计算,71,1857(2008)·doi:10.1016/j.neucom.2007.09.021 [39] Y.Xu,用于人脸识别的两阶段测试样本稀疏表示方法,IEEE Trans。电路系统。视频技术。,21255(2011年) [40] Xu Y.,一种简单快速的基于表征的人脸识别方法,神经计算应用。,22, 1543 (2013) [41] Y.Xu,带启发式策略的监督稀疏表示方法和人脸识别实验,神经计算,79,125(2011) [42] H.Yan,单样本人脸识别的多特征多流形学习,神经计算,143,134(2014)·doi:10.1016/j.neucom.2014.06.012 [43] J.Yang,《二维PCA:基于外观的人脸表示和识别的新方法》,IEEE Trans。模式分析。机器。智力。,26131(2004年) [44] M.Yang,人脸识别的鲁棒稀疏编码,IEEE国际会议计算机视觉和模式识别,625(2011) [45] K.Yu,使用局部切线改进局部坐标编码,在国际机器学习会议上,1215(2010) [46] 余光耀,利用局部坐标编码的非线性学习,《高级神经网络信息处理》。系统。,22, 2223 (2009) [47] 曾勇,基于局部均值和类统计的非参数分类,专家系统。申请。,36, 8443 (2009) ·doi:10.1016/j.eswa.2008.10.041 [48] L.Zhang,稀疏表示还是协作表示:哪种表示有助于人脸识别?,,2011年IEEE国际计算机视觉会议(ICCV),471(2011)·doi:10.1109/ICCV.2011.6126277 [49] 周春川,基于PCA和logistic回归分析的人脸识别,Optik。,125, 5916 (2014) ·doi:10.1016/j.ijleo.2014.07.080 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。