论文部分内容阅读
在模式识别研究领域,人脸识别已知是很热点的研究方向。并且使用在很多领域,比如说公安系统,高铁站,闯红灯检查等。人脸识别相对于传统的指纹识别是由很大优势的,在空气比较干燥时往往指纹不能识别,给一些重要的应用场合造成了极大的困扰,而随着人脸识别技术的发展,通过分析总结当前基于稀疏表示的分类算法的研究,在此基础上提出以下三种改进的分类识别算法:1.提出基于完整局部二值模式(CLBP)特征提取的结构型稀疏表示人脸识别算法。CLBP算法是LBP算法的改进,在CLBP特征提取中,人脸图像的一个局部区域用它的中心像素点和局部符合-模差异转化,CLBP特征提取能更好充分利用人脸图片的局部性特征。然后将提取出的CLBP直方图特征输入结构型稀疏表示(SSRC)分类器中。充分利用SSRC算法的训练字典分块结构性,有效地提高了人脸识别效果。2.我们提出一种基于新的Gabor特征重组方式的核稀疏表示算法(DG-KSRC)。该方法将5个尺度、8个方向一起构成40个Gabor特征集合,再依次输入到我们的基于坐标下降的KSRC算法模型中。该算法能充分考虑Gabor人脸特征在不同尺度、方向的变换结果的独立性。算法对光照、表情和遮挡等变化具有更好的鲁棒性。3.提出基于半监督竞争聚集的MOD字典学习算法。半监督竞争聚集算法(SCA)是无监督竞争聚集算法的一种改进,它能充分利用有标签样本点的信息。我们提出的基于半监督员竞争聚集的MOD字典学习算法(SCA-MOD),该算法在经典的MOD算法中加入聚类算法,在字典学习阶段首先利用半监督竞争聚集算法来去除冗余的字典原子,然后在没有判别能力的字典上使用MOD算法进行学习,最终得到字典分类效果更好。通过在AR、ORL以及LFW这三个公共的人脸库上进行对比实验,以此来验证本文所提算法的可行性以及有效性。