利用CNN和PCA约束优化模型实现稀疏表示分类
目的 传统的稀疏表示分类方法运用高维数据提升算法的稀疏分类能力,早已引起了广泛关注,但其忽视了测试样本与训练样本间的信息冗余,导致了不确定性的决策分类问题.为此,本文提出一种基于卷积神经网络和PCA约束优化模型的稀疏表示分类方法(EPCNN-SRC).方法 首先通过深度卷积神经网络计算,在输出层提取对应的特征图像,用以表征原始样本的鲁棒人脸特征.然后在此特征基础上,构建一个PCA(principal component analysis)约束优化模型来线性表示测试样本,计算对应的PCA系数.最后使用稀疏表示分类算法重构测试样本与每类训练样本的PCA系数来完成分类.结果 本文设计的分类模型与一些典型的稀疏分类方法相比,取得了更好的分类性能,在AR、FERET、FRGC和LFW人脸数据库上的实验结果显示,当每类仅有一个训练样本时,EPCNN-SRC算法的识别率分别达到96.92％、96.15％、86.94％和42.44％,均高于传统的表示分类方法,充分验证了本文算法的有效性.同时,本文方法不仅提升了对测试样本稀疏表示的鲁棒性,而且在保证识别率的基础上,有效降低了算法的时间复杂度,在FERET数据库上的运行时间为4.92 s,均低于一些传统方法的运行时间.结论 基于卷积神经网络和PCA约束优化模型的稀疏表示分类方法,将深度学习特征与PCA方法相结合,不仅具有较好的识别准确度,而且对稀疏分类也具有很好的鲁棒性,尤其在小样本问题上优势显著.
稀疏表示、卷积神经网络、特征降维、主成分约束优化、人脸识别
24
TP391.4(计算技术、计算机技术)
国家自然科学基金项目61876072,61702234;国家重点研发计划子课题项目2017YFC1601800;中国博士后科学基金项目2018T110441;江苏省自然科学基金项目BK20161135;江苏省“六大人才高峰项目”XYDXX-012;江苏省普通高校学术学位研究生创新计划项目KYZZ16_0337;江苏省教育科学“十三五规划”2016年度课题项目C-a/2016/01/22
2019-05-22（万方平台首次上网日期，不代表论文的发表时间）
共10页
503-512
