基于稀疏表示与特征融合人脸识别方法.docVIP

基于稀疏表示与特征融合人脸识别方法 　　摘 要： 针对人脸识别在有遮挡、表情、光照的变化或受到噪声污染时鲁棒性变差问题，提出一种基于稀疏表示与特征融合的人脸识别算法。首先采用低秩恢复算法得到训练样本和测试样本的干净人脸图像，提取干净人脸图像的LBP，HOG，Gabor三种特征向量;然后对部分训练样本进行SRC分类测试，根据SRC的识别结果与分类残差定义一个损失函数，再利用正则化最小二乘法计算出使损失函数最小的权重向量;最后根据该权重向量重构规则化残差进行分类。在ORL，Extended Yale B和AR数据库上进行实验，结果表明，该算法优于利用单一特征识别的方法，并且对光照、噪声、遮挡等因素产生的影响有较好的泛化性能。 　　关键词： 人脸识别; 稀疏表示; 低秩恢复; 特征融合; 鲁棒性; 泛化性能 　　中图分类号： TN911.73?34; TP391.41 文献标识码： A 文章编号： 1004?373X（2018）09?0083?04 　　Abstract： Since the robustness of face recognition becomes worse due to the changes of sheltering， expression and illumination， or noise pollution， a face recognition algorithm based on sparse representation and feature fusion is proposed. The low?rank recovery algorithm is used to get the clean face images of training samples and test samples， and their feature vectors （LBP， HOG， Gabor） are extracted. The SRC classification test was performed for some training samples. A loss function is defined according to the recognition result and classification residual of the SRC. The regularization least?square method is used to calculate the weight vector with minimum loss function， according to which the regularization residual is reconstructed for classification. The experiment of the method was performed on ORL， Extended Yale B and AR databases. The results show that the algorithm is superior to the single feature recognition method， and has better generalization performance on the influence of illumination， noise and sheltering. 　　Keywords： face recognition; sparse representation; low?rank recovery; feature fusion; robustness; generalization performance 　　0 引 言 　　随着压缩感知编码理论的提出，基于稀疏编码[1]模型（SRC）的人脸识别技术引起国内外众多研究者的广泛关注[2?5]。在SRC中，测试图像被编码为训练样本的稀疏线性组合，再通过求解[l1]范数最优化问题得出其最稀疏解，该方法在实际应用中取得了良好的效果。但是SRC中误差矩阵为单位阵，对样本中误差和噪声的描述并不准确。文献[6]提出一种低秩矩阵恢复算法（LR），该方法将样本图像分解为低秩部分和稀疏误差部分，该算法得到的误差图像对样本中的误差和噪声可以准确描述。文献[7]改进了LR算法，提出一种新的低秩恢复算法（LRR），该算法在LR算法的基?A上还可以解决样本来自不同子空间的问题。 　　但是当人脸面部图像受到表情、姿态、光照及噪声污染等多种因素影响时，仅采用单一特征进行人脸识别，误识率较高，因此很多学者开始将多种特征融合用于人脸识别。文献[8]首先通过小波变换