基于奇异值分解的Gabor遮挡字典学习

摘要：

因遮挡、光照等变化因素所引发的协变量偏移问题是面向现实的人脸识别系统需要重点解决的问题.从字典编码的角度探讨了这一问题.通过对现有的结构化误差编码方法的回顾,指出几种主流的结构化误差编码方法都可以转化为训练字典与遮挡字典联合表示的形式,只需对不同的误差编码方法建立合适的遮挡字典即可.鉴于遮挡字典在结构化误差编码方法中的重要作用,针对一种重要的基于字典表示的误差校正方法——基于Gabor特征的鲁棒表示与分类方法(GRRC)展开研究,指出其基于K-SVD的遮挡字典学习方法的主要不足在于:计算代价较高、冗余性较强、缺乏针对自然遮挡的结构,并提出了一种基于奇异值分解(SVD)的Gabor遮挡字典学习方法.在Extended Yale B,UMBDB和AR3个人脸数据库上的实验结果表明,相对于基于K-SVD字典学习方法的GRRC,基于SVD字典学习方法的GRRC在各种情形下都具有更好的时间性能和识别性能.

关键词：Gabor特征、遮挡字典、主成分分析、K-SVD、奇异值分解

所属期刊栏目：45

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金61402411;浙江省自然科学基金LY18F020031,LQ14C010001,LY18F020028;深圳市科技项目JCYJ20150630114140642

在线出版日期：2018-08-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：275-283