黄　伟，王晓辉

（韩山师范学院计算机与信息工程学院，广东潮州　521041）

多融合协同表示的人脸识别方法

黄伟，王晓辉

（韩山师范学院计算机与信息工程学院，广东潮州521041）

将虚拟样本和逆表示融入到协同表示中，通过约束协同系数矩阵和逆表示系数矩阵的范数同时最小化的方式充分体现协同表达与逆表达之间的关联信息，不仅在同一个目标函数体现了协同表示和逆表示，而且也能充分利用虚拟样本的有效信息.在Yale和FERET人脸数据库中的实验表明：提出的多融合协同表示方法在不同的训练样本数下均比SRC、TSPTC和CRC的正确率有大幅的提高，证明了提出方法的有效性和鲁棒性.

协同表示；逆表示；稀疏表示；虚拟样本；人脸识别

人脸识别由于广泛的应用前景及其问题的复杂性，一直是模式识别和机器视觉领域的研究重点.目前，基于重构的方法是人脸识别研究中的一个热点.基于重构的方法将训练集对测试样本的重构能力作为分类的准则.稀疏表示（Sparse Representation Classification，SRC）［1］通过l1范数的约束在训练集中找到合适的样本对测试样本进行重构.实验表明SRC不仅有优越的性能，而且对遮挡等有很强的鲁棒性.在此基础上两步方法（Two-phase Test Sample Sparse Representation，TSPTC）［2］的提出进一步提高了识别率.尽管l1范数的约束增加了计算的复杂度，但却被视为SRC性能良好表现的主要原因. Zhang经过深入分析后认为协同表示才是SRC性能优越的根本原因［3］.同时用l2范数代替l1范数的约束提出了协同表示分类器（Collaborative Representation Classification，CRC）.Xu首次提出了……