用于面部识别的特定于类别的词典学习

最近，基于稀疏表示的分类（SRC）已成功用于视觉识别，并显示了令人印象深刻的性能。给定一个测试样本，SRC将针对所有训练样本计算其稀疏线性表示，并为每类训练样本计算残留误差。但是，SRC认为每个班级中的训练样本对该班级中的字典的贡献均等，即字典由该班级中的训练样本组成。这可能会导致较高的残留误差和不稳定性。本文提出了一种基于类别的词典学习算法。首先，通过引入字典学习的对偶形式，表示了基向量与原始图像特征之间的明确关系，这增强了可解释性。因此，可以将SRC视为所提出算法的特殊情况。第二，然后应用逐块坐标下降算法和拉格朗日乘数来优化相应的目标函数。在三个基准人脸识别数据集上的大量实验结果表明，与传统分类算法相比，该算法具有更好的性能。