图像集闭包建模的协同表示人脸识别算法.pdf

【图像集闭包建模的协同表示人脸识别算法】 在人脸识别领域，传统的样本集距离分类算法往往忽视了样本集内部的变化，导致识别效果受到限制。针对这一问题，文章提出了"图像集闭包建模的协同表示人脸识别算法"。该算法利用图像的多重描述提供的互补信息，以增强识别的鲁棒性和准确性。 算法通过扩展图像集来增加图像的描述能力。考虑到图像中等强度的像素通常包含重要的鉴别信息，因此选取原始图像生成中等像素图像。同时，由于镜像图像可以补充图像的细节信息，尤其是在面对人脸识别时可弥补对齐不准确的问题，因此通过原始图像生成镜像图像。将这两种来源的图像与原始图像结合，构建了一个扩展的图像集。 接下来，算法采用无参数建模方法，构建扩展图像集作为字典闭包。对于待识别的同类异源域的测试图像，同样构建其图像集并形成测试闭包。这里，借鉴了协同表示的思想，通过字典学习迭代求解闭包系数。协同表示能够考虑样本集内部的关联性，提高分类的性能。 算法采用残差判别函数进行模式分类。残差判别函数是通过对特征向量与目标类别之间的差异进行分析，来确定最佳分类决策的一种方法。这种方法有助于减少误分类，并提升分类的精度。 实验部分，文章在四个经典的人脸数据库ORL、GT（Georgia Tech Face Database）、CMU PIE和FERET上进行了验证。结果显示，提出的图像集闭包建模的协同表示人脸识别算法在这些数据库上取得了较好的分类结果，证明了其在处理样本集内部关联性和利用多重描述信息方面的有效性。 关键词：图像集、闭包建模、字典扩展、人脸识别、稀疏表示 该算法的创新之处在于它不仅构建了具有多重描述能力的图像集，还充分利用了样本集内部的关联性，提高了人脸识别的准确性和鲁棒性。在实际应用中，这样的方法有望改善人脸识别系统在光照变化、表情变化、遮挡等因素下的表现，具有较高的研究价值和实用潜力。