基于判别性降维的字典学习在光照变化人脸识别中的应用
合集下载
- 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)。
２ ０ １ ３年 １ ０月 １ ０日收到 ， １ １月 ３ ０日修改 国家 自然科学基金 （ ６ ０ ８ ４ ２ ０ ０ ３ ） 资助
计 良好的降维方法可能有益于稀疏分类方案 。文献 ［ ９ ］ 中提 出 了 一 种 变 换 脸 学 习 （ ｍｅ ｔ ａ — ｆ ａ ｃ ｅ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ， ＭＦ Ｌ ） 算法来 表 示训 练样本 ， 它通 过学 习每 个类 获 得 系列 “ 元脸 ” 。文 献 ［ １ ０ ］ 提 出 了一 种 监 督 式 算 法 对 图像 分类任 务来 学 习一个 字典 和一个 分类 器 。文 献［ １ １ ］ 提 出 了一 种 类 独 立 监督 式 同 步 正 交 匹 配 追 捕 方案 ， 它解 决 了 当类 内维 度 增 加 时 的 字典 学 习问 题 。最 近 ， 文献 ［ １ ２ ］ 提 出 了一 种 Ｆ ｉ ｓ ｈ ｅ ｒ 判别 字 典 学 习（ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ａ ｒ ｙ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ， Ｄ Ｌ ） 算 法 来解 决 基 于模 式 分 类 的稀 疏表示 ， 它相 对 于其 他 基 于模 式 分 类 方 案 的 字典学 习显示 出了具有 竞争 力 的性能 。 上 述文 献表 明 ， 联合 Ｄ Ｒ和 Ｄ Ｌ过 程可 以实 现更 加高效 的识别 。因此 ， 提出了基于判别降维的字 典学习（ Ｄ Ｄ Ｒ ． Ｄ Ｌ ） 算法来利用训练样本 中高效、 鲁 棒的判别信息 ， 使来 自不同类 的人脸 图像的特征可 以通 过一个 子 空 间中的字 典高效 地分 开 。实验 结果 表 明了所提 算法 的有效 性及 可靠 性 。
别率。
关键词
人脸 识别
判别 性降维（ Ｄ Ｄ Ｒ）
字典学 习
线பைடு நூலகம்表示
光照变化
中图法分类号
Ｔ Ｐ ３ ９ １ ． ４ １ ；
文献标志码
Ａ
人 脸 图像 通 常是 高 维 度 的 ， 这 会 导致 存 储 空 问
化 学值 的异 常 ， 并 利用 这 些 方 法 进行 近 红 外 光谱 定 量 分析 中模 型优 化 ， 取 得 了 非 常好 的实 验 效果 。文 献［ ８ ］ 为 采样 率 变换 器 （ ｓ ａ ｍ ｐ ｌ ｅ ｒ ａ ｔ ｅ ｃ ｏ ｎ ｖ ｅ ｒ ｔ ｏ ｒ ， Ｓ Ｒ Ｃ） 中的降 维 问题 提 出 了一 种 无 监督 的学 习 方 法 ， 相对 于主元 分析 （ ｐ ｒ ｉ ｎ ｃ ｉ ｐ ａ ｌ ｃ ｏ ｍ ｐ ｏ ｎ ｃ ｎ ｔ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ， Ｐ Ｃ Ａ） 和 随 机 投影 实现 了更 高 的识 别 率 ， 也 因此验 证 了一 个设
判别信 息的问题， 提 出了基于判别性 降维 的字典学 习算法。首先 ， 利用经典 的特征提取算 法 Ｐ Ｃ Ａ初始化降维投 影矩 阵； 然后，
计算字典 和系数， 通过联合 降维与字典学 习使得投影矩阵和字典更好地相互 拟合 ； 最 后， 利用迭 代算法输 出字典和投 影矩阵 ， 并利 用经 ｌ ， ． 范数正则化 的分类器完成人脸 的识别。在 Ｐ Ｉ Ｅ及扩 展的 Ｙ ａ ｌ ｅ Ｂ两大人脸 数据 库上得到 了验 证 了所提 算法的有效 性及 可靠性。实验结果表明 ， 相 比几种 较 为先进 的线性 表 示算 法 ， 所提 算 法在处 理 光 照变化 人脸 识 别 时取得 了更高 的识
大并且增加了计算花销 ， 同时降低 了人脸识别 的判 别性ｌ １ ］ 。 因此 ， 学 者 们 提 出了许 多 降维 （ ｄ ｉ ｍ ｅ ｎ ｓ ｉ ｏ ｎ ． ａ ｌ ｉ ｔ ｙ ｒ ｅ ｄ ｕ ｃ ｔ ｉ ｏ ｎ ， Ｄ Ｒ ） 技术来 降低人脸 图像 的维度和 加 强判 别特 征 ， 这 些 方 法 很 容 易使 用 ， 但是 ， 用 于 解 决 带有 光照 变化 的 人脸 识 别 问 题 时并 不 是 很 高 效 ， 当训 练 样本 不充 足 时 ， 这些 方 法 学 习 到 的子 空 间将 会 有偏 差 。 为 了解决 光 照 变化 人 脸识 别 问题 ， 同时有 效 地 降低计 算 开 销 ， 学者们 提出了许多人脸识别算 法。 例如 ， 文献 ［ ３］ 将 Ｃ ｏ ｎ ｔ ｏ ｕ ｒ — ｌ ｅ ｔ 变 换 与 高 频 子 带 人 脸 特 征组 合成 多尺 度 特 征 向量 ， 提高 人 脸识 别 率 的 同 时， 提 高 了算 法 的效 率 。文 献 ［ ４ ］ 通 过 采 用 岭 回归 法构建 了多 元光 谱 回归分 析模 型 ， 在太 湖 的 ３ ６个 采 样 点水 样 中取得 了不错 的效果 。文献 ［ ５ ］ 针对 近 红 外光谱数据维数高、 谱带归属难以确定等特点 ， 提出 了一种 最小 二乘 局 部加 权 光 谱 回归方 法 ， 实验 结 果 表 明了该方法具有模型简单 、 稳定性好和计算省时 等优 点 。文 献 ［ ６ ］ 将 光 谱 回归 与 线 性 子 空 间 相 结 合， 大大地降低 了光谱 回归方法 的计算开销 。文献 ［ ７ ］ 利 用马 氏距 离 、 Ｃ ｏ ｏ ｋ距 离 、 光谱 特 征 异 常 值 、 光 谱残差 比等指标 ， 结 合 数 理 统 计 检验 来 判 断光 谱 和
第１ ４卷
第 ８期
２ ０ １ ４年 ３月
科
学
技
术
与
工
程
Ｖ０ １ ． １ ４ Ｎｏ ． ８ Ｍａ ｒ ．２ ０ １ ４
１ ６ ７ ｌ ～１ ８ １ ５ （ ２ ０ １ ４ ） ０ ８ — ０ ０ ４ ２ — ０ ７
Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ａ ｎ ｄ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
＠
２ ０ １ ４ Ｓ ｃ ｉ ． Ｔ ｅ ｃ ｈ ． Ｅ ｎ ｇ ｒ ｇ ．
基于判别性降维的字典学 习在光 照 变化人脸识别中的应 用
王丽艳 李伟 生
（ 移通学院计算 机科学 系 ， 计算机科学与技术学 院 ， 重庆邮电大学 ， 重庆 ４ ０ ０ ０ ６ ５）
摘
要 针对光照变化人脸 识别 中大多数现有的人 脸识别算 法只能单 独实施 降维 ， 或者 字典 学 习而不能完全 利用训 练样本
计 良好的降维方法可能有益于稀疏分类方案 。文献 ［ ９ ］ 中提 出 了 一 种 变 换 脸 学 习 （ ｍｅ ｔ ａ — ｆ ａ ｃ ｅ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ， ＭＦ Ｌ ） 算法来 表 示训 练样本 ， 它通 过学 习每 个类 获 得 系列 “ 元脸 ” 。文 献 ［ １ ０ ］ 提 出 了一 种 监 督 式 算 法 对 图像 分类任 务来 学 习一个 字典 和一个 分类 器 。文 献［ １ １ ］ 提 出 了一 种 类 独 立 监督 式 同 步 正 交 匹 配 追 捕 方案 ， 它解 决 了 当类 内维 度 增 加 时 的 字典 学 习问 题 。最 近 ， 文献 ［ １ ２ ］ 提 出 了一 种 Ｆ ｉ ｓ ｈ ｅ ｒ 判别 字 典 学 习（ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ａ ｒ ｙ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ， Ｄ Ｌ ） 算 法 来解 决 基 于模 式 分 类 的稀 疏表示 ， 它相 对 于其 他 基 于模 式 分 类 方 案 的 字典学 习显示 出了具有 竞争 力 的性能 。 上 述文 献表 明 ， 联合 Ｄ Ｒ和 Ｄ Ｌ过 程可 以实 现更 加高效 的识别 。因此 ， 提出了基于判别降维的字 典学习（ Ｄ Ｄ Ｒ ． Ｄ Ｌ ） 算法来利用训练样本 中高效、 鲁 棒的判别信息 ， 使来 自不同类 的人脸 图像的特征可 以通 过一个 子 空 间中的字 典高效 地分 开 。实验 结果 表 明了所提 算法 的有效 性及 可靠 性 。
别率。
关键词
人脸 识别
判别 性降维（ Ｄ Ｄ Ｒ）
字典学 习
线பைடு நூலகம்表示
光照变化
中图法分类号
Ｔ Ｐ ３ ９ １ ． ４ １ ；
文献标志码
Ａ
人 脸 图像 通 常是 高 维 度 的 ， 这 会 导致 存 储 空 问
化 学值 的异 常 ， 并 利用 这 些 方 法 进行 近 红 外 光谱 定 量 分析 中模 型优 化 ， 取 得 了 非 常好 的实 验 效果 。文 献［ ８ ］ 为 采样 率 变换 器 （ ｓ ａ ｍ ｐ ｌ ｅ ｒ ａ ｔ ｅ ｃ ｏ ｎ ｖ ｅ ｒ ｔ ｏ ｒ ， Ｓ Ｒ Ｃ） 中的降 维 问题 提 出 了一 种 无 监督 的学 习 方 法 ， 相对 于主元 分析 （ ｐ ｒ ｉ ｎ ｃ ｉ ｐ ａ ｌ ｃ ｏ ｍ ｐ ｏ ｎ ｃ ｎ ｔ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ， Ｐ Ｃ Ａ） 和 随 机 投影 实现 了更 高 的识 别 率 ， 也 因此验 证 了一 个设
判别信 息的问题， 提 出了基于判别性 降维 的字典学 习算法。首先 ， 利用经典 的特征提取算 法 Ｐ Ｃ Ａ初始化降维投 影矩 阵； 然后，
计算字典 和系数， 通过联合 降维与字典学 习使得投影矩阵和字典更好地相互 拟合 ； 最 后， 利用迭 代算法输 出字典和投 影矩阵 ， 并利 用经 ｌ ， ． 范数正则化 的分类器完成人脸 的识别。在 Ｐ Ｉ Ｅ及扩 展的 Ｙ ａ ｌ ｅ Ｂ两大人脸 数据 库上得到 了验 证 了所提 算法的有效 性及 可靠性。实验结果表明 ， 相 比几种 较 为先进 的线性 表 示算 法 ， 所提 算 法在处 理 光 照变化 人脸 识 别 时取得 了更高 的识
大并且增加了计算花销 ， 同时降低 了人脸识别 的判 别性ｌ １ ］ 。 因此 ， 学 者 们 提 出了许 多 降维 （ ｄ ｉ ｍ ｅ ｎ ｓ ｉ ｏ ｎ ． ａ ｌ ｉ ｔ ｙ ｒ ｅ ｄ ｕ ｃ ｔ ｉ ｏ ｎ ， Ｄ Ｒ ） 技术来 降低人脸 图像 的维度和 加 强判 别特 征 ， 这 些 方 法 很 容 易使 用 ， 但是 ， 用 于 解 决 带有 光照 变化 的 人脸 识 别 问 题 时并 不 是 很 高 效 ， 当训 练 样本 不充 足 时 ， 这些 方 法 学 习 到 的子 空 间将 会 有偏 差 。 为 了解决 光 照 变化 人 脸识 别 问题 ， 同时有 效 地 降低计 算 开 销 ， 学者们 提出了许多人脸识别算 法。 例如 ， 文献 ［ ３］ 将 Ｃ ｏ ｎ ｔ ｏ ｕ ｒ — ｌ ｅ ｔ 变 换 与 高 频 子 带 人 脸 特 征组 合成 多尺 度 特 征 向量 ， 提高 人 脸识 别 率 的 同 时， 提 高 了算 法 的效 率 。文 献 ［ ４ ］ 通 过 采 用 岭 回归 法构建 了多 元光 谱 回归分 析模 型 ， 在太 湖 的 ３ ６个 采 样 点水 样 中取得 了不错 的效果 。文献 ［ ５ ］ 针对 近 红 外光谱数据维数高、 谱带归属难以确定等特点 ， 提出 了一种 最小 二乘 局 部加 权 光 谱 回归方 法 ， 实验 结 果 表 明了该方法具有模型简单 、 稳定性好和计算省时 等优 点 。文 献 ［ ６ ］ 将 光 谱 回归 与 线 性 子 空 间 相 结 合， 大大地降低 了光谱 回归方法 的计算开销 。文献 ［ ７ ］ 利 用马 氏距 离 、 Ｃ ｏ ｏ ｋ距 离 、 光谱 特 征 异 常 值 、 光 谱残差 比等指标 ， 结 合 数 理 统 计 检验 来 判 断光 谱 和
第１ ４卷
第 ８期
２ ０ １ ４年 ３月
科
学
技
术
与
工
程
Ｖ０ １ ． １ ４ Ｎｏ ． ８ Ｍａ ｒ ．２ ０ １ ４
１ ６ ７ ｌ ～１ ８ １ ５ （ ２ ０ １ ４ ） ０ ８ — ０ ０ ４ ２ — ０ ７
Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ａ ｎ ｄ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
＠
２ ０ １ ４ Ｓ ｃ ｉ ． Ｔ ｅ ｃ ｈ ． Ｅ ｎ ｇ ｒ ｇ ．
基于判别性降维的字典学 习在光 照 变化人脸识别中的应 用
王丽艳 李伟 生
（ 移通学院计算 机科学 系 ， 计算机科学与技术学 院 ， 重庆邮电大学 ， 重庆 ４ ０ ０ ０ ６ ５）
摘
要 针对光照变化人脸 识别 中大多数现有的人 脸识别算 法只能单 独实施 降维 ， 或者 字典 学 习而不能完全 利用训 练样本