基于改进初始化判别K-SVD方法的人脸识别.pdf

《基于改进初始化判别K-SVD方法的人脸识别》这篇论文主要探讨了人脸识别技术中的一种高效算法，即改进的判别K-SVD（D-KSVD）方法。人脸识别是计算机视觉领域的重要研究方向，用于自动识别和验证个体身份。传统的稀疏编码方法，如稀疏表示分类（SRC）虽然能取得较好的识别效果，但需要大量训练样本以保证字典的完备性，且求解过程较慢。 K-SVD（K-奇异值分解）算法作为一种优化的小规模字典训练方法，可以提升识别速度。然而，K-SVD训练出的字典只保持了稀疏性，缺乏判别性，不适合用于分类任务。D-KSVD算法则旨在同时训练具有判别性的字典和线性分类器，兼顾稀疏性和分类性能，但其初始字典的选择可能影响其性能。 文章指出，D-KSVD算法在初始化阶段从每类样本中选择部分样本进行K-SVD训练得到初始字典，这可能导致字典不能完全体现各类样本的特点，从而影响判别字典的有效性。为此，作者提出了改进的D-KSVD初始化方法。在类内训练小字典，因为同类样本相似度高，所以训练出的类内字典更能代表类别特性，误差较小；然后，将这些小字典级联构成初始化字典，完整包含训练样本信息，降低了判别字典的误差，从而提高了人脸识别率。 文章结构清晰，第2节介绍了D-KSVD的基本原理，第3节详细阐述了改进的初始化方法，第4节在Extended YaleB人脸库上进行了实验，分析比较了实验结果，第5节总结全文。 D-KSVD算法的优化主要体现在将分类器学习与训练字典相结合，通过解决优化问题寻找最佳的训练字典D和线性分类器w。通过K-SVD算法求解得到的判别训练字典D和分类器W，可以提高识别效率和准确性。 总体而言，这篇论文提出的改进D-KSVD方法旨在解决人脸识别中的速度和准确性问题，通过优化初始化策略，提高了判别字典的质量，对于人脸识别技术的发展具有积极的推动作用。