改进型稀疏表示的图像分类方法-云南大学.PDFVIP

云南大学学报（自然科学版），２０１８，４０（５）：８５５～８６４ ＤＯＩ：１０．７５４０／ｊ．ｙｎｕ Ｊｏｕｒｎａｌ ｏｆ Ｙｕｎｎａｎ Ｕｎｉｖｅｒｓｉｔｙ 改进型稀疏表示的图像分类方法∗ 丁婷婷，聂仁灿，周冬明 （云南大学 信息学院，云南 昆明　 ６５０５００） 摘要：在图像分类问题中，传统的稀疏表示算法只考虑样本整体信息，忽略样本局部结构信息；此外，稀疏 表示算法要求测试样本与训练样本的人脸图像要一致对齐，当姿势与角度发生变化时分类效果明显下降．针对 这些问题，提出了一种改进Ｌ 正则化稀疏表示算法．首先，通过求解最小二乘法得到稀疏系数矩阵；然后，计算 ２ 样本重构残差，用稀疏度量公式量化样本之间的稀疏性；最后，在保持样本稀疏性的同时增加了样本类与类之 间的局部判别信息，进而提高样本的分类性能．为了验证算法的有效性，在 ＯＲＬ、ＦＥＲＥＴ 和ＦＥＩ人脸数据库与 － － Ｓｔａｎｆｏｒｄ４０ Ａｃｔｉｏｎｓ数据库和Ｃａｌｔｅｃｈ ＵＣＳＤ Ｂｉｒｄｓ （ＣＵＢ２００ ２０１１）数据库上进行实验．实验结果表明，该方法在 不同的人脸数据库和扩展视觉数据集上取得的分类结果均优于传统稀疏表示算法及其他常用分类算法． 关键词：稀疏表示；模式识别；判别性；协同表示；分类 － － － 中图分类号：ＴＰ ３９１．４１３　 　 文献标志码：Ａ　 　 文章编号：０２５８ ７９７１（２０１８）０５ ０８５５ １０ 近年来，模式识别技术已成功应用于许多领域．人脸识别属于模式识别的范畴，是基于人的面部特征 信息对身份识别的一种生物识别技术．由于原始的人脸图像是高维数据，为了更好地反映图像的内部结构 特征以及后续的处理，需要对高维数据进行降维处理．目前，降维方法可分为线性方法和非线性方法．现有 ［１］ ［２］ 的线性方法有：主成分分析 （Ｐｒｉｎｃｉｐｌｅｃｏｍｐｏｎｅｎｔｓａｎａｌｙｓｉｓ，ＰＣＡ），线性判别分析 （Ｌｉｎｅａｒｄｉｓｃｒｉｍｉｎａｎｔａ⁃ ［３］ ｎａｌｙｓｉｓ，ＬＤＡ），邻域保持嵌入 （Ｎｅｉｇｈｂｏｒｈｏｏｄ ｐｒｅｓｅｒｖｉｎｇ ｅｍｂｅｄｄｉｎｇ，ＮＰＥ）等．非线性降维方法有：稀疏表 ［４］ ［５］ ［６］ 示算法、ＩＳＯＭＡＰ 、Ｌａｐｌａｃｉａｎ ｅｉｇｅｎｍａｐｓ 和ＬＬＥ 等降维流形学习算法．在图像分类问题中，这些算法 均得到了很好的应用． 基于稀疏表示的方法对噪声等干扰因素具有很好的鲁棒性，该类方法在模式识别领域取得了许多成 ［７］ 果，Ｗｒｉｇｈｔ等 提出的基于稀疏表示分类（Ｓｐａｒｓｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｃｌａｓｓｉｆｉｃａｔｉｏｎ，ＳＲＣ）应用于人脸识别，根据 样本残差来进行分类，但由于ＳＲＣ是通过Ｌ 范数求解稀疏系数，计算复杂度高，在多类别多样本的情况 ０ 下适用性明显不强．在这以后相继提出一些方法改进了编码运算速度，例如：Ａｕｇｍｅｎｔｅｄ Ｌａｇｒａｎｇｅ ｍｕｌｔｉｐｌｉｅｒ ［８］ ［９］ ［１０］ （ＡＬＭ） 、Ｆａｓｔ ｉｔｅｒａｔｉｖｅ ｓｈｒｉｎｋａｇｅ ｔｈｒｅｓｈｏｌ