APP下载

鉴别性非负表示分类及其在人脸识别中的应用

2021-07-14徐然然吴小俊尹贺峰

计算机工程与应用 2021年13期
关键词:实验

徐然然,吴小俊,尹贺峰

江南大学 物联网工程学院,江苏 无锡214122

近年来,随着各种社交软件的迅速普及以及网络速度的快速提升,在线分享的照片越来越多。如何对这些图像数据进行分类识别,成为图像处理领域中的研究热点。图像像素的增加,使得通过图像生成的空间维数成倍增加,容易导致维数灾难。为了解决维数灾难问题,通常对图像进行特征提取。在特征提取阶段,将图像转换成特征空间中的低维向量,经典的基于子空间学习的人脸识别方法有主成分分析(Principal Component Analysis,PCA)[1-2]、线性判别分析(Linear Discriminant Analysis,LDA)[3-6]等方法。

近年来,稀疏表示在很多领域得到广泛的研究和应用。Wright 等[7]首先提出了稀疏表示分类算法(Sparse Representation based Classification,SRC)用于人脸识别,将训练样本组成一个过完备的字典,使用这个字典对测试样本稀疏线性表示,然后计算相应的重构误差,将测试样本划分在最小重构误差对应的类别中。SRC使用L1 范数对表示向量进行稀疏约束,但当SRC 中样本过多时,训练样本生成的字典规模增大,导致后续样本的稀疏分解过程变慢。

针对这个问题,Zhang 等人[8]提出了协同表示分类算法(Collaborative Representation based Classification,CRC),CRC强调了协同机制在模式分类中的作用,利用L2 范数对表示向量进行有限的稀疏约束,由于引入L2范数,CRC可以得到闭式解。实验证明,CRC能取得和SRC 相当的识别性能,同时计算复杂度明显低于SRC。另外,Cai等人[9]从概率的角度解释了协同表示机制,并且提出了概率协同表示分类算法(Probabilistic CRC,ProCRC),CRC 可以看作是ProCRC 的一种特殊形式。受稀疏表示在不同领域成功应用的启发,Yin 等人[10]提出一种基于局部二值模式和稀疏表示的特征融合方法,在该方法中特征以串行方式进行融合。……

登录APP查看全文

猜你喜欢

实验
记住“三个字”,写好小实验
记一次有趣的实验
有趣的实验
做个怪怪长实验
NO与NO2相互转化实验的改进
实践十号上的19项实验
《实验流体力学》征稿简则
我实验,我快乐