基于稀疏表示的人脸识别

合集下载

稀疏表示的人脸识别及其优化算法

第１步０Ｅｄｆｎｉ
第１ ≠ Ａｑ１步： ≠Ａ＝］
第２ＧＡ１步＝Ｔ】Ａ，Ｑ
第步
Ｔｙ］
Ｘ＝ＱＦＡＲ＝ｒｄｃ０Ｘｐｏｕｔ一Ｇ更新ｐｏｕｔ￣Ｇｒｄｃｌ０ｌ
第步
第步
第步
ｅｄｄｎｏ
数向量中非０素的个数。元稀疏编码与信号的压缩感知重构具有相同的数学形式，主要的求解算法包括最小，其０范数法、贪婪迭
代匹配追踪系列算法等。其中，匹配追踪类方法为其近似求解提供了有力工具，在稳定性和运行速度方面
具有一定的优势。目前常用的匹配追踪类算法包括：交匹配追踪（￣ｏｏａｍａｈｎｕｓｉ０ＭＰ算正ｏｈｇｎｌｔｉｇｐｒｔｃｕ，）法，基于树型搜索的正交匹配追踪算法，则化正交匹配追踪算法，正压缩采样匹配追踪算法等。。
ｌ正交匹配追踪算法
正交匹配追踪思想本质上是来自于 ‘ ” 就是从过完备字典的 Ⅳ个原子中寻找个关键分量，～稀疏，
这个关键分量系数的绝对值应该比其它ＮＫ－个分量大得多。算法在每一次的迭代过程中，从过完备原子库里选择与信号最匹配的原子来进行稀疏逼近并求出余量，然后不断迭代选出与信号余量最为匹配的原子。为了减少迭代次数，算法通过递归对己选择原子集合进行正交化以保证迭代的最优性。具体见算法
．
１ａｍｎ［Ａ１ｓ．０ ≤ ￣ｒｉＩ— ２；．１１＝ｇＹ０ｔ１０２

基于Gabor小波能量子带分块的稀疏表示人脸识别

第３７卷第１期２０１３年１月
燕山大学学报
ＪｏｕｒｎａｌｏｆＹａｎｓｈａｎＵｎｉｖｅｒｓｉｔｙ
Ｖｏ】．３７Ｎｏ．１
Ｊａｎ．２０１３
文章编号：１００７ — ７９１Ｘ（２０１３）０１－００６８ — ０７
摘要：基于稀疏表示分类的人脸识别通常提取特征脸、随机脸和费歇尔脸这些整体特征，忽略了局部特征在克服光照和表情变化方面的优越性。针对以上问题，本文提出了基于Ｇａｂｏｒ小波能量子带分块的稀疏表示人脸
识别算法。首先将人脸图像进行不同尺度和方向下的Ｇａｂｏｒ小波变换，对得到的每个能量子带进行分块，然后将各子块能量信息融合组成子带的特征向量，再将各能量子带特征向量融合组成增强的Ｇａｂｏｒ特征向量，最后将该特征应用于稀疏表示人脸识别。实验结果表明，该算法对于光照和表情变化具较好的的鲁棒性。
关键词：人脸识别；图像分块；Ｇａｂｏｒ小波；稀疏表示
中图分类号：ＴＰ３９１．４
文献标识码：Ａ
ＤＯｌ：１０．３９６９￣．ｉｓｓｎ．１００７－７９１Ｘ．２０１３．０１．０１２
一Leabharlann 脸识别和纹理分类领域取得了可喜的成果。

基于马氏距离的稀疏表示分类算法

于稀疏表示原理，通过引入马氏距离和乔里斯基分解（ｈｌｋｅｏｐｓｉ）出最优稀疏解向量，终实现人脸特征分Ｃｏｓｙｄｃｍｏｉｏ求ｅｔｎ最类识别。算法首先求解基于马氏距离的最小Ｌ范数，对测试样本实现稀疏重构，ｌ进而并通过判断重构样本与原始样本的
残差值最终完成分类。与传统稀疏表示分类算法相比，该算法显著降低了光照对人脸图像的影响。在ＥｔｄｄＹｌｆｅｘｎｅａｃｅｅａｄｔａｅＢ人脸库上的实验结果表明，ａｂｓａ所提出的基于马氏距离的稀疏表示分类算法能达到９％的分类效率，７并且在人脸不
同光照情况下仍能得到较好的识别效果。
ｒｃｇｉｏｆｃｅｃｒｄｆｅｅｔｉｕｎｔｏｏｄｔｎｆｃａｅ．ＭａａａｏｉｓａｃｎｏｅｋｅｏｏｉｉｎａｎｒｄｃｄｅｏｎｔｎｅｉｎｙｆｉｆｒｎｌｍｉａｎｃｎｉａｅｉｇｓｉｉｏｌｉｉｏｍｈｌｎｂｓＤｉｔｎｅａｄＣｈｌｓｙｄｃｍｐｓｔｏｒｉｔｕｅｅｏ
ＡｂｔａｔＩｈｓｐｐｒａｎｖｌａａａｏｉｓａｃａｅｔｏｏｐｒｅｒｐｅｅｔｔｎｃａｓｃｔｎＷａｅｉｎｄｔｍｐｏｅｔｅｓｒｃ：ｎｔｉａｅｏｅｈｎｂｓＤｉｔｎｅｂｓｄｍｅｄｆｒｓａｓｅｒｓｎａｉｌｓｉａｏｓｄｓｇｅＯｉｒｖｈＭｌｈｏｉｆｉ

改进的基于残差加权的稀疏表示人脸识别

ＡｓａｔＴｒｅｅｈｎｅｔｅｐｒｒａｃｆＲＲ，ａｐｏｅｐｒｅｒｐｅｅｔｔｎｃａｓｃｔｎ（ＲｂｔｃｏｆｔｒｎａｃｅｏｍｎｅｏＦｒｕｈｈｆＳｎｉｒｄｓａｓｅｒｓｎａｏｌｉａｉＳＣ）ｍｅｏｍｖｉｓｆｏｉｔｄｈ
ｎｒｌｏｐｒｅｅｒｓｎａｉｎｏｆｃｅｔ．ＳｉｏｎｆｓａｓｒｐｅｅｔｔｏｃｅｆｉｎｓｉｍｕｌｔｏｘｅｉｅｔｌｅｕｔｈｗｈｔｔａｒｓｌｓｓｏｔａｈｒｃｇｔｏｒｒｎｅｆＷｆ
第３ｌ卷第３期
２１０２年９月
中南民族大学学报（自然科学版）Ｊｕｎｆｏｔ—ｅｔｌＵｉｒｉｒａｉａｉｅ（ａ．ｃ．ｄｔｎｏｒａｏｕｈＣｎｒｎｖｓｙｆｔｎｌｉＮｔＳｉＥｉｏ）ｌＳａｅｔｏＮｏｔｓｉ
Ｖｏ＿１ｌ３Ｎｏ３．
基础上，出了一种基于残差加权的稀疏表示人脸识别新方法．方法通过对类残差图像关于所属类稀疏表示系提该
数的范数进行归一化加权，有效提升了原始基于类残差判决的识别能力．真实验结果表明：仿改进的基于残差加权的稀疏表示方法能够有效提高系统的识别性能．关键词人脸识别；稀疏表示；残差加权
鲁棒性自动人脸识别是几十年来计算机视觉领
方法，过比较每个类残差均方值的倒数，成对测通完试图像是否为合法人脸图像的判定；ｉＱａ人给ｏ等出了一种线性降维的ｓＰ（ｐｒｔＰｅｅｖｇＰＳａｓｙｒｓｒｉｉｎ

基于深度学习的人脸识别浅析

基于深度学习的人脸识别浅析1. 引言1.1 背景介绍人脸识别是一种通过分析和识别人脸图像进行身份验证的技术，随着科技的不断发展和进步，人脸识别技术也得到了长足的发展。

在过去，人脸识别技术主要依靠传统的图像处理和模式识别方法，但是随着深度学习技术的出现和发展，人脸识别技术取得了长足的进步。

深度学习是一种基于人工神经网络的机器学习技术，在图像处理领域有着广泛的应用。

通过深度学习技术可以实现更加精准和准确的人脸识别，能够在复杂的环境下准确地识别人脸信息，大大提高了识别的准确率和效率。

人脸识别技术在安全监控、金融支付、智能门禁等领域有着广泛的应用前景，深度学习在人脸识别领域的发展也将进一步推动这些领域的发展和应用。

深度学习在人脸识别中的应用具有重要的意义和价值，对人脸识别技术的发展和进步具有积极的推动作用。

1.2 研究意义研究人脸识别的意义在于提高人脸识别技术的准确性和稳定性，从而实现更安全、更便捷的身份验证方式。

在当今社会，人脸识别技术已经被广泛应用于安防监控、金融支付、智能家居等领域，对个人的隐私和信息安全具有重要意义。

通过深入研究人脸识别技术，可以不断改进算法和系统，提高其在实际应用中的性能表现，为社会发展和人们生活带来更多便利。

研究深度学习在人脸识别中的应用具有重要的现实意义和科学价值。

通过深入挖掘深度学习技术在人脸识别领域的潜力，可以不断推动人脸识别技术的发展，为社会各行业提供更好的服务和保障。

深度学习技术的不断进步将进一步推动人脸识别领域的发展，为人们的生活带来更多便利和安全。

2. 正文2.1 深度学习在人脸识别中的应用深度学习在人脸识别中的应用已经取得了巨大的进展，成为当前人工智能领域的研究热点之一。

深度学习模型通过学习海量的人脸数据，可以自动地提取并学习到人脸的特征，从而实现高效准确的人脸识别。

深度学习技术在人脸识别中的应用主要包括以下几个方面：1. 人脸检测：深度学习模型可以通过卷积神经网络等技术实现人脸的准确检测，将人脸从图像中准确地定位和提取出来。

基于Gabor特征与协同表示的人脸识别算法

摘要：基于稀疏表示的分类识别算法（ＳＲＣ）在进行人脸识别处理时需要求解基于ｚ范数最小化问题，导致ＳＲＣ方法的计算复杂度较高。基于协同表示和规则最小二乘的分类识别方法（ＣＲＣ－ＲＬＳ），提出ＳＲＣ算法对于分类的有效性不是取决于基于￡范数的稀疏性，而是由其内在的协同表示性所决定的，因此将基于ｚ范数的稀疏性约束条件简化为最小二乘约束问题，算法复杂度得到大幅降低。由于ＳＲＣ和ＣＲＣ－ＲＬＳ算法均采用特征脸作为分类识别的特征矢量，导致识别鲁棒性不强。以人脸图像的规则化扩展Ｇａｂｏｒ特征作为特征矢量，结合协同表示的方法，提出了一种新的基于Ｇａｂｏｒ特征与协同表示的人脸识别算法（Ｇａｂｏｒ－ＣＲＣ）。实验结果表明，该方法对于人脸图像的光照、表情和姿态等变化具备较强鲁棒性，算法
２０１４年２月第３５卷第２期
计算机工程与设计
ＣＯＭＰＵＴＥＲＥＮＧＩＮＥＥＲＩＮＧＡＮＤＤＥＳＩＧＮ
Ｆｅｂ．２０１４Ｖｏ１．３５Ｎｏ．２
基于Ｇａｂｏｒ特征与协同表示的人脸识别算法
张宏星。，邹刚，赵键。，李志勇。
（１．宁波３－程学院网络信息技术中心，浙江宁波３１５２１１；２．国防科学技术大学信息中心，
湖南长沙４１００７３；３．中国人民解放军９５３８０部队，广东湛江５２４３２９）

基于低秩矩阵恢复的群稀疏表示人脸识别方法

基于低秩矩阵恢复的群稀疏表示人脸识别方法胡静; 陶洋; 郭坦; 孙雨浩; 胡昊; 王进【期刊名称】《《计算机工程与设计》》【年(卷),期】2019(040)012【总页数】6页(P3588-3593)【关键词】人脸识别; 群稀疏; 低秩恢复; 低秩映射矩阵; 重构残差【作者】胡静; 陶洋; 郭坦; 孙雨浩; 胡昊; 王进【作者单位】重庆邮电大学通信与信息工程学院重庆400065【正文语种】中文【中图分类】TP391.40 引言人脸识别有着广泛的应用前景。

但人脸数据类别多，每类数据少，不同人脸结构相似，是众多从事人脸识别研究的学者所面临的挑战。

稀疏表示(sparse representation based classification，SRC)[1]是目前人脸识别领域的热门研究方向，该方法实质上是最近邻(nearest neighbor，NN)[2]类内表示策略分类器的扩展。

SRC激发了一系列算法的提出，如模糊稀疏表示方法[3]、自适应加权空间稀疏表示方法[4]以及基于稀疏稠密混合表示的方法[5]等。

SRC方法要求训练样本是在较为理想的情况下采集的，而当训练图像中存在由遮挡、表情等引起的变化时，会破坏人脸图像样本。

另外，由于不同人脸间的相似性，SRC所得的表示系数虽然是稀疏的，但往往分布在多个类别，易导致误分类。

针对SRC方法的第一个问题，可以从训练集中分离出鉴别性的信息，如文献[6]中的鲁棒主成分分析算法(robust principal component analysis，RPCA)，可将受污染的样本矩阵分解为低秩逼近矩阵和稀疏误差矩阵。

Chen等将低秩表示与低秩矩阵恢复(low rank matrix recovery，LR)[7]技术结合起来用于恢复数据中潜在的低秩结构,提出一种结构非相关性约束(low-rank matrix recovery with structural incoherence，LRSI)的思想[8]。

基于稀疏表示的人脸识别

参考文献
[1] Wright J, Yang AY, Ganesh A, Sastry SS, Ma Y. Robust face recognition via sparse representation. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2009, 31(2):210-227 [2] Inaba FK, Salles EOT. Face Recognition Based on Sparse Representation and Joint Sparsity Model with Matrix Completion. Latin America Transactions, IEEE (Revista IEEE America Latina), 2012, 10(1):1344-1351 [3] Lee H, Chung Y, Kim J, Park D. Face image retrieval using sparse representation classifier with gabor-LBP histogram. Information Security Applications: Springer, 2011:273-280.
基于稀疏表达的人脸识别分类器
汇报人：于海泳、邓博 2015.6.10
背景介绍
近年来，人脸识别作为最为自然与可视化的识别方法，在公安,
企业,机场,超市,军队,航天等多个重要的行业领域，为视频监控、身
份验证和信息安全提供了一个良好的解决方案具有其独特的优势：
（1）非接触式操作
（2）隐秘性操作强（3）图像采集系统的成本低廉
识别率稀疏表达分类器最近邻分类器 93.75 87.5

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

yAx0(4)
x 0 [0 , ,0 ,a i,1 ,a i,2 , ,a i,n i,0 , ,0 ] T 5
第5页/共16页
( l2 ):x ˆ2 a m rg |x ||i2 |n s u tb o A j y e x c (6 ) t (l0 ):x ˆ 0 am rg |x |i|0 |n s utb o A j e y x c 7 t (l1 ):x ˆ 1 am rg |x |i|1 |n s utb o A j e y x c 8 t
第8页/共16页
可信度（sparsity concentration index(SCI)）：
S(C x ) k • Im i|k |a i ( 1 x )|x 1 ||x |1 |1 [ 0 ,1 ]
如果 SC(Ixˆ)1,测试图像能用单一的一幅图像表示。如果 SC(Ixˆ)0，稀疏系数遍布所有类中。
yr yeˆ1
判别类：
r i ( y ) |y | r A i ( x ˆ 1 ) |2 | |y | e ˆ 1 A i ( x ˆ 1 ) |2 |
第13页/共16页
三、实验步骤：
1、读入图像，构造字典。-----公式（1）（3） 2、输入测试图像。
3、用最小化 l 1 范数求解测试图像的稀疏系数。--公式（8）
选取一个阈值 (0,1) ，当 SC(Ixˆ) ，则判定一幅测试
图像有效。否则判定为无效。
第9页/共16页
小密集噪声：
x 0 [0 , ,0 ,a i,1 ,a i,2 , ,a i,n i,0 , ,0 ]T
yAx0z
(ls1 ):x ˆ1 am r|g x ||i1 |n s ub to |A |j ey x |c 2 |t
第10页/共16页
遮挡和损坏问题：
yy0e0A0 xe0
第11页/共16页
x0
y[A,I][ ]Bw 0 B[A,I]
e0
当错误 e0 关于 Ae 有稀疏表示，则 e0Aeu0 当 e0 关于自然的像素坐标稀疏，则选择 Ae I 如果 e0关于其他（ F o r i e r o r H a a r ）稀疏，则把 Ae
(Or alternatively, solve
x ˆ1 am rx g |x |i|1 |n s utb |o A |j e y |x 2 | ct)
4: Compute the residuals ri(y) ||yAi(x ˆ1 )||2
for i=1, ...,k .
5: Output: ide (y )n atm irtg iy r ii(y n )
一、人脸识别的简介和背景
人脸识别本质上是使计算机具有区分不同人类个体的能力，相当于计算机视觉中“看”的能力。
人脸识别技术是基于生物特征的识别方式，利用人类自身所拥有的、并且能够用来标示其身份的生理特征进行身份验证的技术。
第1页/共16页
目前的人脸识别技术主要分为三大类：几何特征法、基于子空间方法和基于学习的方法。几何特征法包括模板匹配法等。基于子空间的方法包括主成分分析、独立分量分析、线性判别分析等。基于学习的方法有稀疏表示方法、神经网络方法等。
4、计算残差。---------公式（9） 5、选取最小残差所在类别，输出判定类别的人脸图像。
第14页/共16页
谢谢！
第15页/共16页
感谢您的欣赏！
第16页/共16页
an optional error tolerance > 0 .)
2: Normalize the columns of A to have unit l 2 -norm. 3: Solve the l 1 -minimization problem:
x ˆ1 am rg x|ix ||n 1 |s ub to A j ey xct
第6页/共16页
第7页/共16页
mrபைடு நூலகம்(iy )n ||y Ai(x ˆ1 )||2 9 i
基于稀疏表示的分类方法：
1: Input: a matrix of training samples A[A 1,A 2, ,A k]for k classes, a test sample y , (and
添加到A中，代替I来寻找稀疏解： y Bw wiB t[h A ,A e ]
extended l 1 -minimization：
(le1):w ˆ1am rg|w |i|n 1 |s ubto jB e w c yt
第12页/共16页
(le1 ) 的稀疏解：
wˆ1[xˆ1,eˆ1]
除掉遮挡或损坏后的干净图像：
第2页/共16页
二、基于稀疏表示的人脸识别
传统的信号表示方法是将信号分解为一组正交基函数的线性组合。
稀疏表示是利用字典，将信号表示成少数原子的线性组合的过程。稀疏表示使信号能量只集中于少数原子，对应于非零系数的少量原子揭示了信号的主要特征与内在结构。
第3页/共16页
稀疏表示理论的核心问题包括稀疏表示算法设计以及字典的构建等。传统的字典构造方法主要是根据指定的线性变化的函数集构建的字典，如短时傅里叶变换、过完备小波、曲波、轮廓波、Gabor变换等。另一种截然不同的线路是样本学习的基础上训练字典的方法。包括K均值算法、最优方向法、KSVD算法、监督学习方法、最大似然法以及最大后验概率法等。
第4页/共16页
当给定第i类中有效的训练样本集
A i [vi,1 ,vi,2 , ,vi,n i](1 )
测试样本y：
y a v a v a v i , 1 i , 1 i ,2 i ,2
i ,ni ,n i ( 2 i)
全部的训练样本集为
A [ A 1 ,A 2 , ,A k ] [ v 1 , 1 ,v 1 , 2 , ,v k ,n k ] 3