Wright[1]把稀疏表示运用到人脸识别中并且取得了0引言不错的效果。其算法可以通过解决式(1)得到稀疏系数,即现在的研究表明稀疏表示是一个很好的图像表minxx0s.t.y=Dx(1)示模型。其主要思想是用训练信号组成一个过完备式中,D是过完备字典,x是稀疏系数,y是测试信字典,测试信号用字典中较少的原子线性表示。号。式(1)通过字典来求稀疏系数,说明了字典的
质量对于稀疏表示十分重要,为了提高人脸的识别像来说,E就相当于图像中掺杂的干扰。低秩分解率,在目标函数上增加一些约束项,使得字典具有一的目的是从X中找到D,即去除图像中的干扰,它定的结构特点,从而让同一类图像投影到这一类的可以被看作把X分解成D+E,使得D的秩以及E子空间上。Yang[2]提出了Metaface字典学习方法,的0范数之和最小,其表达式为这种方法单独的学习每一类的字典。Jiang[3]提出minrank(D)+ED+E(2)D,E0s.t.X=了标签一致的KSVD(K-meanssingularvaluedecom-式中,用来控制稀疏矩阵E所占的权值,然而position)算法来训练一个判别性字典,他将标签信式(2)是一个NP问题,需要把它转换成等价问题,即息与字典的各个原子相关联,使得字典具有结构性。minDD+E(3)D,E*+E1s.t.X=Yang[4]又提出了FDDL(Fisherdiscriminationdiction-式中,D*是低秩矩阵D的核范数(奇异值之和),arylearning)方法,其运用Fisher辨别准则来学习每它近似于D的秩。式(2)中的E0用E1代替。一类的类字典。显而易见,学习辨别性字典能够很根据Wright[7]证明的,低秩和稀疏成分可以被识别,好地提高人脸的识别率。只要E足够稀疏,D就能从X中精确的恢复。此模然而,在实际应用中,人脸图像会受到光照以及型假设了X中所有样本都来自于同一类的子空间,局部遮挡等因素的影响,它会影响上述方法的识别采用低秩分解逐类去除训练样本中的稀疏干扰。效果。因此引入了低秩分解理论,它将一个受污染1.2重构误差分类算法的矩阵分解为一个稀疏矩阵和一个低秩矩阵。Ma[5]稀疏表示中最常用的分类算法是重构误差算利用秩最小原则提出了基于稀疏表示的判别法,它是利用每一类的稀疏系数与字典相乘,然后把性低秩字典的学习方法(DLRD_SR),DLRD_SR算每一类得到的结果分别与原始信号相比较,其中误法通过最小化每一类子字典的秩来分离训练图像中的干扰。Chen[6]差最小的那一类,即为该样本所在的类别。提出了基于结构不相干的低秩矩重构误差分类算法步骤如下:阵恢复算法来进行人脸识别,该方法考虑到了训练输入:测试样本y,训练得到的字典D,类别数样本中的干扰,并且增加了类与类之间的不相关性,为C。使得训练出来的字典更加具有判别性,从而提高分输出:y所在的类序号i。类效果。上述的方法都从训练样本中分离了干扰,1)求测试样本的稀疏系数对于光照,遮挡,表情等干扰具有鲁棒性。x=argminy-Dx2x2+受到上述方法的启发,本文结合了低秩分解和x1结构不相干来进行字典学习,其次,将训练出来的判2)分类别性低秩字典和稀疏误差字典结合在一起,让它们fori=1:Cdoe(i)=y-Di(x)2作为测试时使用的字典。与其他的字典学习算法相2比,本文算法有以下3个优点:1)分离了训练样本endfor中的干扰,使得类字典不受光照,遮挡,表情等的干Idenfity(y)=argmine(i)i扰;2)学习了一个有明确判别目的的类字典,类字首先,利用
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
