论文部分内容阅读
人脸识别是现代生物识别中的一项重要技术，传统的人脸识别方法容易受到噪声、遮挡等情况的影响。而基于稀疏表示的人脸识别是一个新兴且有效的方法，该方法对噪声、遮挡具有更好的鲁棒性。但是，已有的基于稀疏表示的人脸识别算法在字典学习时，忽略了样本的内在几何属性，导致系数在不同类别原子上的系数值比较大，识别性不够好；此外，字典学习忽略系数的分布特性，导致字典判别性能不够好。针对这些问题，论文的主要工作如下：①针对基于类K-SVD的字典学习忽略了样本的相似性几何属性，导致样本在不同原子上的系数比较大，识别性能不够好等问题，提出了融合同类样本相似几何属性的类K-SVD字典学习算法（Learning a Discriminative Dictionary viaFusing the Similarity of the Samples based on classified K-SVD, FSS-KSVD），即通过逐类学习字典得到整个字典，然后利用稀疏表示模型对测试样本进行分类。将FSS-KSVD应用于人脸识别时，实验结果表明该算法优于K-SVD和经典的SRC算法，并取得了较好的识别效果。②针对FSS-KSVD算法在字典学习时，忽略了系数的稀疏分布特性以及不同类别原子之间的判别性，导致在同类原子上的重构误差较大，性能不够好等问题，提出了监督判别的字典学习算法(Learning a Supervised andDiscriminative Dictionary for Face Recognition，LSDD)，即通过学习一个类别明确，且具有较强判别性能的整体字典，然后根据残余误差分类。将LSDD应用于人脸识别时，在AR库、ORL库、Extended Yale b库上的实验结果表明，该算法优于SRC、KSVD、DKSVD、LSRC、FDDL、LSDL算法。