基于结构化低秩表示和低秩投影的人脸识别算法.pdf

【基于结构化低秩表示和低秩投影的人脸识别算法】 人脸识别是计算机视觉和模式识别领域中的重要研究方向，广泛应用于视频监控、安全门禁、人机交互等多个场景。由于人脸图像具有高维度特性，因此在进行人脸识别时，通常需要先进行降维处理。传统的降维方法如主成分分析(PCA)、线性判别分析(LDA)、局部保持投影(LPP)以及边界Fisher分析(BFA)等，为早期人脸识别提供了有效的手段。 然而，在实际应用中，人脸图像常会受到遮挡、噪声等因素的影响，这会导致基于稀疏表示分类(SRC)的算法性能下降。为了解决这一问题，本文提出了一种结合结构化低秩表示(SLR)和低秩投影(LRP)的人脸识别新方法——SLR_LRP。 SLR_LRP算法的工作流程如下： 1. **结构化低秩表示(SLR)**：对原始训练样本进行结构化低秩表示的分解，以去除遮挡和噪声，得到更纯净的训练样本。SLR通过考虑数据的内在结构，能更好地保留样本的关键信息，从而增强识别效果。 2. **低秩投影矩阵(LRP矩阵)**：基于原始训练样本和恢复后的干净样本，构建一个低秩投影矩阵。这个矩阵能够捕获人脸图像的主要特征，同时减少噪声和遮挡的影响。 3. **测试样本投影**：将待识别的测试样本投射到上述生成的低秩投影矩阵上，通过这种方式进一步减少噪声和遮挡对识别的影响。 4. **稀疏表示分类(SRC)**：利用SRC对经过低秩投影修正后的测试样本进行分类。SRC假设每个样本都可以用训练集中的其他样本以稀疏方式表示，通过寻找最佳的线性组合来实现分类。 在AR人脸库和ExtendedYaleB人脸库的实验结果显示，SLR_LRP方法对于处理样本中的遮挡和像素破坏具有显著优势，提高了人脸识别的准确性和鲁棒性。 关键词：低秩矩阵恢复、结构化低秩表示、低秩投影、稀疏表示分类 通过引入结构化低秩表示和低秩投影，SLR_LRP算法不仅能够有效地处理实际环境中的人脸图像问题，而且可能为未来的人脸识别技术提供新的研究思路，尤其是在应对复杂环境和低质量图像识别挑战时。这种融合多种表示和投影技术的方法，有望进一步提高人脸识别系统的性能和实用性。