基于Gabor特征和支持向量引导字典学习的人脸识别
- 格式：pdf
- 大小：1.68 MB
- 文档页数：6
ZHANG Jianming, ZHOU Wei, WU Honglin. Face recognition based on Gabor feature and support vector guided dictionary learning. Computer Engineering and Applications, 2016, 52（13）：177-182.
疏表示保真度的表达式进行改进，将保真项的表达式改 写为余项的最大似然分布函数，构建出更加鲁棒的稀疏 表示识别模型。Zhang 等[3]通过分析 SRC 的工作机制， 指出人脸识别中的 L1 范数最小化并不起主要作用，提 出协同表示人脸识别算法（Collaborative Representation Based Classification，CRC），得到不低于 L1 范数约束方 法的识别率，并将识别速度提高一个量级以上。在稀疏
Abstract：Dictionary learning in sparse coding plays an important role on image recognition based on sparse representation. Considering that Gabor feature is robust to variations of expression, illumination and pose. Therefore, a face recognition algorithm via sparse representation is proposed based on Gabor feature and Support Vector Guided Dictionary Learning（GSVGDL）. At first the image Gabor features are extractes and used as the augmented Gabor feature matrix to construct the initial dictionary. The dictionary learning model combines the reconstruction error with the discrimination term and the regularization term, and formulates the discrimination term as the weighted summation of the squared distances between all pairs of coding vectors. Then a structural dictionary and linear classifier is learned simultaneously by the dictionary learning, which the learned dictionary atoms are corresponded to the class labels. GSVGDL can adaptively assign different weights to different pairs of coding vectors and enhance the discrimination of the dictionary. Experiment results show that the proposed method has good recognition accuracy and higher recognition efficiency． Key words：sparse coding; sparse representation; Gabor feature and Support Vector Guided Dictionary Learning（GSVGDL）; Gabor feature; face recognition
学习到的新字典能够很好地对信号进行稀疏表示并且学习出的字典也具有很好的判别性同时也增强了稀疏编码向量的判别性通过学习出的编码向量和线性分类器来进行判别分类识别更利于提高模式分类性能
Computer Engineering and Applications 计算机工程与应用
ห้องสมุดไป่ตู้
2016，52（13） 177
摘 要：稀疏编码中的字典学习在稀疏表示的图像识别中扮演着重要的作用。由于 Gabor 特征对表情、光照和姿态 等变化具有一定的鲁棒性，提出一种基于 Gabor 特征和支持向量引导字典学习（GSVGDL）的稀疏表示人脸识别算 法。先提取图像的 Gabor 特征，然后用增广 Gabor 特征矩阵来构造初始字典。字典学习模型中综合了重构误差项、 判别项和正则化项，判别项公式化定义为所有编码向量对平方距离的加权总和；通过字典学习同时得到字典原子与 类别标签相对应的结构化字典和线性分类器。该字典学习方法能够自适应地为不同的编码向量对分配不同的权 值，提高了字典的判别性能。实验结果表明该方法具有很好的识别精度和较高的识别效率。 关键词：稀疏编码；稀疏表示；GSVGDL 字典学习；Gabor 特征；人脸识别 文献标志码：A 中图分类号：TP391 doi：10.3778/j.issn.1002-8331.1501-0404
1 引言
人脸识别技术一直是计算机视觉和模式识别中一 个重要的研究领域。稀疏表示以其良好的鲁棒性、抗干 扰能力和判别性等优势，广泛应用于模式识别领域。稀 疏表示的人脸识别是利用稀疏表示的判别性进行识别 的一种新的高效方法，Wright 等[1]最早提出将稀疏表示 理论应用到人脸识别技术中。Yang 等 针 [2] 对 SRC[1]中稀
基于 Gabor 特征和支持向量引导字典学习的人脸识别
张建明，周 威，吴宏林
ZHANG Jianming, ZHOU Wei, WU Honglin
长沙理工大学 计算机与通信工程学院，长沙 410114 School of Computer and Communication Engineering, Changsha University of Science and Technology, Changsha 410114, China
疏表示保真度的表达式进行改进，将保真项的表达式改 写为余项的最大似然分布函数，构建出更加鲁棒的稀疏 表示识别模型。Zhang 等[3]通过分析 SRC 的工作机制， 指出人脸识别中的 L1 范数最小化并不起主要作用，提 出协同表示人脸识别算法（Collaborative Representation Based Classification，CRC），得到不低于 L1 范数约束方 法的识别率，并将识别速度提高一个量级以上。在稀疏
Abstract：Dictionary learning in sparse coding plays an important role on image recognition based on sparse representation. Considering that Gabor feature is robust to variations of expression, illumination and pose. Therefore, a face recognition algorithm via sparse representation is proposed based on Gabor feature and Support Vector Guided Dictionary Learning（GSVGDL）. At first the image Gabor features are extractes and used as the augmented Gabor feature matrix to construct the initial dictionary. The dictionary learning model combines the reconstruction error with the discrimination term and the regularization term, and formulates the discrimination term as the weighted summation of the squared distances between all pairs of coding vectors. Then a structural dictionary and linear classifier is learned simultaneously by the dictionary learning, which the learned dictionary atoms are corresponded to the class labels. GSVGDL can adaptively assign different weights to different pairs of coding vectors and enhance the discrimination of the dictionary. Experiment results show that the proposed method has good recognition accuracy and higher recognition efficiency． Key words：sparse coding; sparse representation; Gabor feature and Support Vector Guided Dictionary Learning（GSVGDL）; Gabor feature; face recognition
学习到的新字典能够很好地对信号进行稀疏表示并且学习出的字典也具有很好的判别性同时也增强了稀疏编码向量的判别性通过学习出的编码向量和线性分类器来进行判别分类识别更利于提高模式分类性能
Computer Engineering and Applications 计算机工程与应用
ห้องสมุดไป่ตู้
2016，52（13） 177
摘 要：稀疏编码中的字典学习在稀疏表示的图像识别中扮演着重要的作用。由于 Gabor 特征对表情、光照和姿态 等变化具有一定的鲁棒性，提出一种基于 Gabor 特征和支持向量引导字典学习（GSVGDL）的稀疏表示人脸识别算 法。先提取图像的 Gabor 特征，然后用增广 Gabor 特征矩阵来构造初始字典。字典学习模型中综合了重构误差项、 判别项和正则化项，判别项公式化定义为所有编码向量对平方距离的加权总和；通过字典学习同时得到字典原子与 类别标签相对应的结构化字典和线性分类器。该字典学习方法能够自适应地为不同的编码向量对分配不同的权 值，提高了字典的判别性能。实验结果表明该方法具有很好的识别精度和较高的识别效率。 关键词：稀疏编码；稀疏表示；GSVGDL 字典学习；Gabor 特征；人脸识别 文献标志码：A 中图分类号：TP391 doi：10.3778/j.issn.1002-8331.1501-0404
1 引言
人脸识别技术一直是计算机视觉和模式识别中一 个重要的研究领域。稀疏表示以其良好的鲁棒性、抗干 扰能力和判别性等优势，广泛应用于模式识别领域。稀 疏表示的人脸识别是利用稀疏表示的判别性进行识别 的一种新的高效方法，Wright 等[1]最早提出将稀疏表示 理论应用到人脸识别技术中。Yang 等 针 [2] 对 SRC[1]中稀
基于 Gabor 特征和支持向量引导字典学习的人脸识别
张建明，周 威，吴宏林
ZHANG Jianming, ZHOU Wei, WU Honglin
长沙理工大学 计算机与通信工程学院，长沙 410114 School of Computer and Communication Engineering, Changsha University of Science and Technology, Changsha 410114, China
