一种基于最大相关熵和局部约束的协同表示分类器

【摘 要】提出一种基于最大相关熵和局部约束的协同表示分类器（CRC/MCCLC），该分类器能同时利用最大相关熵和局部信息。一方面，通过利用最大相关熵准则，CRC/MCCLC不仅在异常值处理上比L1范数鲁棒性更高，还可以使用半二次优化技术进行更有效的计算；另一方面，CRC/MCCLC 通过使用局部信息得到近似稀疏表示，以此从训练样本中获得更多的判别信息。在 ORL、Yale 以及 AR 人脸数据集等图像数据集上的实验结果验证了CRC/MCCLC 方法的有效性。

【关键词】人脸识别 ; 协同表示 ; 稀疏表示 ; 最大相关熵 ; 局部约束

1.引言

人脸识别因其巨大的应用潜力吸引了计算机视觉、机器学习和模式识别领域的大量研究人员，在过去的二十年中诞生了许多算法。一些众所周知的人脸识别方法，例如基于主成分分析（principal component analysis，PCA）的Eigenfaces、基于线性判别分析（linear discriminant analysis，LDA）的Fisherfaces、基于独立成分分析（independent component analysis，ICA）的Independentfaces和基于局部保留投影（locality preserving projection， LPP）的Laplacianfaces，已经获得了较好的成果，然而这些方法对噪声和异常值很敏感。

Li S Z等人提出了一种最近特征线（nearest feature line，NFL）分类方法，该方法使用线性方式对属于同一类的每对训练样本进行外推和内插。NFL可以