本文介绍了一种针对经典稀疏表示人脸识别方法的改进策略,旨在提高识别率、降低运行时间和硬件需求。传统的稀疏表示分类(SRC)方法虽然具有良好的鲁棒性和抗遮挡性,但在识别率和运行效率方面存在问题。新提出的分块稀疏表示方法通过结构化分块处理人脸图像,解决了这些问题。
在算法步骤中,首先构建超完备字典,由所有人脸图像的平均特征矩阵组成。待测人脸图像可以用这个字典中元素的线性组合表示,形成一个稀疏表示向量。理想的稀疏表示向量中,只有与测试样本类别对应的训练样本表示系数为非零,其他均为零。因此,稀疏向量包含了足够的分类信息,其稀疏程度直接影响分类的准确性和简单性。
为了求解最稀疏的解,通常采用L1范数优化问题,但由于这是一个NP难问题,实际应用中会用L1范数代替L0范数来降低计算复杂度。正交匹配追踪算法用于求解稀疏表示系数。最后,根据测试样本的稀疏表达判断其所属类别,通过计算与各类训练样本特征矩阵的线性加权差来确定最小差异的类别作为测试样本的类别。
实验在ORL人脸识别库上进行,结果显示改进的分块稀疏表示方法相比经典SRC算法,识别率提高了,平均识别时间缩短,且对样本数量的增加不敏感。例如,在多次实验中,新算法的平均识别率达到了93.02%,而SRC算法的平均识别率为88.30%。同时,新算法的运行时间也更短,平均每个样本的识别时间减少了约20%。
这种方法的优势在于通过分块处理减少了计算量,降低了对硬件的需求,而且在保持高识别率的同时,对样本数量的变化有较好的适应性。这种改进对于实际应用,特别是在资源有限的环境下,如嵌入式系统或移动设备中进行人脸识别,具有很高的实用价值。