×
林国军;杨孟;沈林林;杨明忠;谢，梅

用于人脸识别的健壮且有区别的字典学习。 （英文） 兹比尔1404.68130

国际小波多分辨率。信息处理。 16，第2号，文章ID 1840004，16 p.（2018）.
摘要：对于人脸识别，传统的字典学习（DL）方法有一些缺点。首先，同一个人的人脸图像随面部表情、姿势、光照和伪装而变化，因此很难获得一个健壮的人脸识别字典。其次，它们没有完全涵盖重要的组成部分（例如特殊性和干扰），这限制了它们的性能。在本文中，我们提出了一种新的鲁棒性和区分性DL（RDDL）模型。该模型利用同一人脸图像的样本多样性来学习一个鲁棒字典，其中包括特定类别的字典原子和干扰字典原子。这些原子可以很好地表示不同类别的数据。利用字典上的判别正则化和表示系数来挖掘判别信息，有效地提高了字典的分类能力。提出的RDDL在基准人脸图像数据库上进行了广泛的评估，与许多最先进的人脸识别字典学习方法相比，它表现出了优越的性能。

引用于2文件

MSC公司：

68吨10 模式识别、语音识别
68T05型 人工智能中的学习和自适应系统

关键词：

字典学习;人脸识别;稀疏表示

软件：

多-PIE;AR面
PDF格式BibTeX公司 XML格式引用
\textit{G.Lin}等人，《国际小波多分辨率》。信息处理。16，第2号，文章ID 1840004，16 p.（2018；Zbl 1404.68130）
全文： 内政部

参考文献：

[1] Aharon，M.、Elad，M.和Bruckstein，A.，K-SVD：一种为稀疏表示设计超完备字典的算法，IEEE Trans。图像处理。54（11）（2006）4311-4322·Zbl 1375.94040号
[2] 蔡志明、赖建华、谭春秋和严建伟，使用投影梯度法学习自适应字典及其在图像去噪中的应用，国际小波，多分辨率。《Inf.Process.10（1）》（2012）1250004·兹比尔1286.68473
[3] Georghiades，A.、Belhumeur，P.和Kriegman，D.，《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。《情报》23（6）（2001）643-660。
[4] Gross，R.，Matthews，I.，Cohn，J.，Kanade，T.和Baker，S.，Multi-PIE，Image Vision Compute.28（5）（2010）807-813。
[5] Jian，M.和Jung，C.K.，基于平滑表示的标签传播图像分类的半监督双向学习，IEEE Trans。多媒体18（3）（2016）458-473。
[6] Jiang，Z.L.，Lin，Z.和Davis，L.S.，标签一致性K-SVD：学习识别的判别词典，IEEE Trans。模式分析。机器。Intell.35（11）（2013）2651-2664。
[7] Khaji，R.，Li，H.，Li.，H.F.，Haruna，R.和Alsaidi，R.A.M.，用于稀疏表示人脸识别的RPCA和MEL改进组合，国际小波杂志。，多甲酚。Inf.流程12（3）（2014）1450031·Zbl 1325.94032号
[8] Kong，S.和Wang，D.H.，《分类词典学习方法：区分特殊性和共性》，收录于Proc。第十二届欧洲计算机视觉会议，2012年，第186-199页。
[9] Lee，K.，Ho，J.和Kriegman，D.，获取可变光照下人脸识别的线性子空间，IEEE Trans。模式分析。机器。《情报》27（5）（2005）684-698。
[10] Mairal，J.、Bach，F.和Ponce，J.，任务驱动词典学习，IEEE Trans。模式分析。机器。《情报》34（4）（2012）791-804。
[11] A.Martinez和R.Benavente，AR面部数据库，CVC技术报告第24号，1998年。
[12] Ramirez，I.、Sprechmann，P.和Sapiro，G.，通过字典学习进行分类和聚类，结构化不连贯和共享特征，见Proc。IEEE计算。《计算机视觉和模式识别学会会议》，2010年，第3501-3508页。
[13] L.Rosasco、A.Verri、M.Santoro、S.Mosci和S.Villa，结构化稀疏正则化的迭代投影方法，麻省理工学院技术报告，MIT-CSAIL-TR-2009-050，CBCL-2822009·Zbl 1317.68183号
[14] Sprechmann，P.和Sapiro，G.，《无监督聚类的字典学习和稀疏编码》，收录于Proc。IEEE《国际声学、语音和信号处理》（2010），第2042-2045页。
[15] Tang，Y.Y.和You，X.，基于新小波函数的带状形状骨架化，IEEE Trans。模式分析。机器。《情报》25（9）（2003）1118-1133。
[16] 唐义勇，涂立泰，刘杰，李世伟，基于多特征和多级分类的手写体离线识别，IEEE Trans。模式分析。机器。《情报》20（5）（1998）556-561。
[17] Tang，Y.Y.，Yang，L.和Liu，J.，用小波变换表征dirac结构边，IEEE Trans。系统。人类网络。第二部分网络。30（1）（2000）93-109。
[18] 唐义勇，陶义明，林永明，基于分形行为的特征提取新方法，模式识别35（5）（2002）1071-1081·Zbl 0997.68117号
[19] 田，J.，张，T.，秦，A.，尚，Z.和唐，Y.Y.，学习用于聚类的分布保持语义子空间，IEEE Trans。图像处理。26（12）（2017）5950-5965。
[20] Wang，D.，Zhang，X.Q.，Fan，M.Y.和Ye，X.Z.，《通过结构稀疏保持进行半监督词典学习》，收录于Proc。第30届AAAI人工智能大会，2016年，第2137-2144页。
[21] Wolf，L.、Hassner，T.和Taigman，Y.，《基于背景样本的相似性得分》，收录于Proc。第九届亚洲计算机视觉大会，2009年，第88-97页。
[22] Wright，J.，Yang，A.Y.，Ganesh，A.，Sastry，S.S.和Ma，Y.，通过稀疏表示实现鲁棒人脸识别，IEEE Trans。模式分析。机器。Intell.31（2）（2009）210-227。
[23] Xu，Y.，Li，Z.M.，Zhang，B.，Yang，J.和You，J.，人脸识别的样本多样性、表征有效性和稳健词典学习，信息科学375（2017）171-182。
[24] Yang，M.，Dai，D.X.，Shen，L.L.和Gool，L.V.，《基于稀疏表示的分类的潜在词典》，收录于Proc。IEEE计算机学会会议，《计算机视觉与模式识别》，2014年，第4138-4145页。
[25] Yang，J.C.，Wright，J.，Ma，Y.和Huang，T.，图像超分辨率作为原始图像补丁的稀疏表示，见Proc。第26届IEEE计算机视觉和模式识别大会，2008年。
[26] Yang，M.，Zhang，L.，Feng，X.C.和Zhang（D.），Fisher discrimination dictionary learning for sparse representation，收录于Proc。IEEE Int.Conf.Computer Vision，2011年，第543-550页。
[27] Yang，M.，Zhang，L.，Feng，X.C.和Zhang，D.，用于图像分类的基于稀疏表示的Fisher判别字典学习，国际计算机视觉杂志，计算机计算机的趋势·Zbl 1328.68189号
[28] 张强和李碧霞，人脸识别中字典学习的判别K-SVD，收录于Proc。IEEE计算。《计算机视觉和模式识别学会会议》，2010年，第2691-2698页·Zbl 1222.91021号
[29] Zhang，T.，Fang，B.，Tang，Y.Y.，He，G.和Wen，J.，用于人脸识别的保拓扑非负矩阵因式分解，IEEE Trans。图像处理.17（4）（2008）574-584。
[30] Zhang，T.，Fang，B.，Tang，Y.Y.，Shang，Z.和Xu，B.，广义判别分析：矩阵指数方法，IEEE Trans。系统。人类网络。B部分网络。40（1）（2010）186。
[31] Zhang，T.P.，Fang，B.，Yuan，Y.，Tang，Y.Y.，Shang，Z.W.，Li，D.H.和Lang，F.N.，可变光照下人脸识别的多尺度面部结构表征，模式识别42（2）（2009）251-258·Zbl 1162.68644号
[32] Zhang，L.，Yang，M.和Feng，X.，稀疏表征或协作表征：哪种有助于面部识别？程序中。IEEE Int.Conf.Computer Vision，2011年，第471-478页。
[33] Zhang，T.P.，Tang，Y.Y.，Fang，B.，Shang，Z.W.和Liu，X.Y.《使用梯度人脸在不同光照下的人脸识别》，IEEE Trans。图像处理.18（11）（2009）2599-2606·Zbl 1371.94457号
[34] Zhu，P.F.，Zhang，L.，Zuo，W.M.，Feng，X.C.和Hu，Q.H.，一个自我呈现诱导量词，在Proc。第25届国际人工智能联合会议，2016年，第2442-2448页。
[35] Zhu，P.F.，Hu，Q.H.，Zhang，C.Q.和Zuo，W.M.，《无监督特征选择的耦合词典学习》，收录于Proc。第30届AAAI人工智能大会，2016年，第2422-2428页。
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。