使用特定于类的字典学习进行稀疏表示和协作表示的人脸识别

近来，基于稀疏表示的分类（SRC）和基于协作表示的分类（CRC）已成功用于视觉识别，并表现出令人印象深刻的性能。 给定一个测试样本，SRC或CRC就训练样本制定其线性表示，然后为每个样本计算残留误差。 班级。 SRC或CRC假定来自每个类别的训练样本对相应类别中的字典做出同等贡献，即，字典由该类别中的训练样本组成。 但是，这导致较高的残留误差和不稳定性。 为了克服此限制，我们提出了特定于类的字典学习算法。 具体而言，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，这也增强了可解释性。 因此，可以将SRC或CRC视为所提出算法的特殊情况。 然后采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。 在五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，该算法具有更高的性能。