融合局部思想和协作表达的鲁棒分类

摘要：

目的 协作表达分类算法在人脸识别实验上表现出较好的性能,但其未考虑样本的局部特性,且算法只能处理测试样本中的噪声,未能有效处理训练样本集中的噪声.针对这两个问题,提出融合局部思想和协作表达的鲁棒分类算法.方法 一方面,在训练集上,通过奇异值分解SVD得到其有效表达,丢弃一些噪声;另一方面,算法考虑数据的局部相似性,以保持测试样本与其相邻训练样本之间的相似性.结果 本文算法能得到一个闭式(closed-form),可避免稀疏表示分类算法中由于迭代引起的高时间复杂度问题,在ORL、扩展YALEB和PIE人脸库上的识别率分别可达91.4％,93.8％和93.2％,与同类算法相比识别率有较大幅度地提高;实验结果验证了算法所得到的系数具有较高的判别能力.结论 算法将训练样本进行奇异值分解得到“干净”的训练样本,能在一定程度上消除噪声的影响,且在协作表达的基础上,考虑测试样本和与之相邻的训练样本的局部相似性,相比原始的协作表达分类算法有更好的稳定性和鲁棒性.

关键词：协作表达、稀疏表示、局部思想、鲁棒性、人脸识别

所属期刊栏目：20

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金项目61272261,61203257;浙江省自然科学基金项目LQ15F020001

在线出版日期：2015-07-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：822-827