分辨性分解块稀疏表示遮挡人脸识别算法.pdf

《分辨性分解块稀疏表示遮挡人脸识别算法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第30卷第2期信号处理V01．30No．220l4年2月JOURNALOFSIGNALPROCESSINGFeb．2014分辨性分解块稀疏表示遮挡人脸识别算法胡正平赵淑欢(燕山大学信息科学与工程学院，秦皇岛066004)摘要：针对遮挡人脸检测问题，将分辨性分解模型与块稀疏表示结合起来提出基于分辨性分解块稀疏表示的遮挡人脸识别算法。首先，利用该图像分解算法将训练图像集分解成共同部分、低秩条件部分和稀疏误差部分；次，分别在共同部分和低秩条件部分上利用PCA构造投影矩阵，联合两个投影矩阵构造最终的投影矩阵，l并对原训练集及测试样本进行投影；最后，在投影空间中利用块稀疏表示对测试样本进行分类识别。在

2、AR数据库I的遮挡仿真实验证明，与SRC、NS、BS算法相比，该方法可以在低维特征空间上获得较高的识别率H有更强的鲁棒性关键词：低秩；分辨性分解；稀疏表示；块稀疏中图分类号：TP391．41文献标识码：A文章编号：1003—0530(2014)02—0214—07DiscriminativeDecompositionStructure-SparseRepresentatiOnforFaceRecognitionwithOcclusionHUZheng—pingZHA0Shu--huan(SchoolofInformationScienceandEngineering，YanshanUnive

3、rsity，Qinhuangdao066004，China)Abstract：Tosolvetheimagerecognitionproblemwhenexistingocclusion，analgorithmcombinedDiscriminativeDe一(()mf)I)sition(DD)modelwithstructuredsparserepresentationisproposed．First，imagesaredecomposedtothreeparts，(ommoncomponent，low—rankconditioncomponentandsparseerrorcompone

4、nt．Secondly，projectionmatrixon(·{)mlnoncomponentandlow—rankcomponentarecomputedrespectivelyandthefinalprojectionmatrixisobtainedbyfusingthetwomatrixes；Finally，therecognitionstepwasconstructedontheproj’ectionsubspaceusingstructuredsparserepresentation．ExperimentresuhsonARdatasetproveourmethodperform

5、betterinrecognitionratethanBS(BlockSparseRepresenta一1ion)，NS(NearestSubspace)andSRCinlow—dimension．Keywords：L¨w—Rank；DiscriminativeDecomposition；SparseRepresentation；Block—Sparse像的稀疏线性组合，利用残差对测试图像进行分1引言类。文献[5]中对SRC方法进行扩展，建议用两步人脸识别因其应用广泛且典型而成为模式识测试样本稀疏表示方法，首先用所有的训练样本线别和机器视觉领域的核心问题，为此不少研究者提性表示i贝0试样本并

6、根据残差选取M个最近邻原子。出多种人脸表示及分类方法，特别是近几年稀疏表然后利用M个最近邻训练样本线性表示测试样本示因其良好的识别性能和系统鲁棒性而成为研究并根据残差进行分类。文献[6]提出不同子空间选热点。例如，Wright等人首先将信号稀疏表示思择方法，先用所有的训练样本线性表示测试样本并想用于图像识别领域，提出基于稀疏表示的分类根据残差选取k个最近邻子空间。再利用k个最近方法(SRC)，其核心思想将测试图像表示为训练图邻空间利用SRC进行分类，并提出结合分块方案解收稿日期：2013一O7—16；修回日期：2013—09—25基金项目：国家自然科学基金(No．61071199)；河北省自

7、然科学基金(No．F2010001297)第2期胡正平等：分辨性分解块稀疏表示遮挡人脸识别算法215决图像的遮挡识别问题。为提高算法鲁棒性，文献稀疏表示对测试样本进行分类识别。[7]将稀疏编码问题建模成稀疏约束的稳定回归问2分辨性分解块稀疏表示算法题，并求最大似然解，获得了比SRC更好的鲁棒性。原子稀疏表示(SRC)没有考虑字典内部的结构2．1块稀疏分类原理信息：高维数据空问是由多个低维线性子空间构成。块稀疏