局部二值淘汰模式进行人脸图像协同表达.PDFVIP

第25卷 第21期 电子设计工程 2017年11月 Vol.25 No.21 ElectronicDesignEngineering Nov.2017 局部二值淘汰模式进行人脸图像协同表达 袁永顺 （江苏科技大学计算机学院，江苏镇江212003） 摘要：传统的协同表达方法通常会受到样本数据的冗余带来的不确定性因素的影响。近来，为了 获得更好的识别效果，一些改进方案通过利用更有效的训练样本集来提高协同表达方法的分类性 能。在本文中，我们基于局部二值特征（LocalBinaryPattern，LBP）提出了一种优化的协同表达分 类模型。该方法以分块图象为基础获得训练样本的LBP特征，然后以全局图像为单位，利用淘汰 策略获得了更具鉴别性的LBP特征训练集，最终利用协同表达方法进行分类。此方法有两种优 势，其一、利用了LBP特征的旋转不变性的优势，克服了人脸弱姿态变化对分类效果的影响；其二、 优化淘汰策略弱化了冗余样本对表达方法的消极影响。该方法在两个常用人脸数据库（ORL， FERET）上进行了实验对比，获得了更好的分类性能。 关键词：协同表达；局部二值模式；人脸识别；图像处理；样本优化 中图分类号：TP29 文献标识码：A 文章编号：1674-6236（2017）21-0129-04 Usingablocklocalbinaryeliminationpatterntoperformcollaborative representationforfacerecognition YUANYong⁃shun （SchoolofComputing，JiangsuUniversityofScienceandTechnology，Zhenjiang212003，China） Abstract:Traditionalcollaborativerepresentationmethodsusuallysufferfromuncertaintyresultedbydata redundancy.Recently，inordertoobtainbetterrecognitionresult，someimprovementsolutionsthroughthe use of more effective training samples set to improve the classification performance of collaborative representationmethods.Inthisarticle，weputforwardanoptimizationmodelbasedonlocalbinarypattern. ThemethodgetsLBPfeaturesinblocksandusesthewholeimagefortheunit，makinguseoftheelimination strategytoobtainmorediagnosticLBPfeaturesoftrainingset.Finallycollaborativerepresentationmethod isusedforclassification.Thismethodhastwoadvantages，first，theuseoftheadvantagesofrotation invarianceofLBPfeaturesovercometheweakfaceposevariationontheclassificationeffect;Secondly， optimizingselectionstrategytoweakenthenegativeimpacttothemethod.Itisconductedontwoco