本文關(guān)鍵詞： 人臉識(shí)別 低秩表示 字典學(xué)習(xí) 稀疏線性表示　出處：《計(jì)算機(jī)應(yīng)用研究》2017年10期 　論文類型：期刊論文

【摘要】：針對(duì)人臉識(shí)別中的圖像存在噪聲等情況,提出基于鑒別性低秩表示及字典學(xué)習(xí)的算法。使用鑒別性低秩子空間恢復(fù)算法(DLRR)獲得類別間盡可能獨(dú)立且干凈的訓(xùn)練樣本,然后通過(guò)引入基于Fisher準(zhǔn)則的字典學(xué)習(xí)(FDDL)方法得到結(jié)構(gòu)化字典,其子字典對(duì)對(duì)應(yīng)的類有較好的表示能力,約束編碼系數(shù)具有較小類內(nèi)散列度和較大類間散列度。最后對(duì)測(cè)試樣本稀疏線性表示時(shí)正確類別的樣本貢獻(xiàn)更大。在標(biāo)準(zhǔn)人臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果表明該算法有較好的性能。
[Abstract]:There is noise in face recognition. An algorithm based on discriminant low rank representation and dictionary learning is proposed. The discriminant low rank subspace restoration algorithm (DLRRR) is used to obtain as independent and clean training samples as possible between classes. Then the structured dictionary is obtained by introducing the dictionary learning method based on Fisher criterion. The sub-dictionary has better representation ability to the corresponding classes. The constrained coding coefficients have smaller intra-class hashing degree and larger inter-class hash degree. Finally, it contributes more to the correct class of samples in sparse linear representation of test samples. The experimental results on the standard face database show that the proposed algorithm has. Better performance.
【作者單位】： 江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金面上項(xiàng)目(61373055,61672265) 江蘇省教育廳科技成果產(chǎn)業(yè)化推進(jìn)項(xiàng)目(JH10-28) 江蘇省產(chǎn)學(xué)研創(chuàng)新項(xiàng)目(BY2012059)
【分類號(hào)】：TP391.41
【正文快照】： 0引言人臉識(shí)別是計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域最具有挑戰(zhàn)性的話題之一,通常使用已存在的技術(shù)如Eigenfaces[1]、Fisher-faces[2]或者Laplacianfaces[3]來(lái)對(duì)人臉圖像進(jìn)行降維,降維得到的子空間能夠提升識(shí)別效果。但是這些技術(shù)對(duì)于人臉中存在光照、遮擋以及污損等情況沒(méi)有很好的魯棒

【相似文獻(xiàn)】

相關(guān)期刊論文 前2條

1 嚴(yán)紅平;呂珂;汪凌峰;潘春洪;;基于鑒別性與穩(wěn)定性的自適應(yīng)融合目標(biāo)跟蹤[J];計(jì)算機(jī)應(yīng)用;2013年S1期

2 楊心力;楊恢先;冷愛(ài)蓮;;在線特征選擇和遮擋處理的目標(biāo)跟蹤[J];計(jì)算機(jī)應(yīng)用研究;2011年07期

，

本文編號(hào)：1460817