第４２卷　第８期２０１５年８月计算机科学

ｔｅｒｃｉｅｎｃｅＣｏｍｕ　Ｓｐ

Ｖｏｌ．４２Ｎｏ．８

２０１Ａｕ５ｇ改进的局部稀疏表示分类算法及其在人脸识别中的应用

２

尹贺峰１　吴小俊１　陈素根１，

１２

（））江南大学物联网工程学院　无锡２安庆师范学院数学与计算科学学院　安庆２１２２１３３１４４６　（

，方法在人脸识别中受到越来越多的摘　要　近年来，稀疏表示分类（ｅＲｅｒｅｓｅｎｔａｔｉｏｎＢａｓｅｄＣｌａｓｓｉｆｉｃａｔｉｏｎＳＲＣ）Ｓａｒｓ　　　ｐｐ关注。原始Ｓ当训练样本比较多时，稀疏系数的求解会变得非常耗时。ＲＣ方法使用所有的训练样本组成字典矩阵，方法。该方法针对每个测试样本，根据测试为了解决这一问题，提出一种新的局部稀疏表示分类（ｏｃａｌＳＲＣ，ＬＳＲＣ）Ｌ　样本和训练样本稀疏系数之间的相似性来选择部分训练样本，由这些训练样本组成字典，然后在这个字典上对测试样本进行稀疏分解。该方法性能相比于原始Ｌ该方ＳＲＣ方法更稳定。在ＯＲＬ、Ｙａｌｅ和ＡＲ人脸库上的实验结果表明，法的效果优于ＳＲＣ和ＬＳＲＣ。

关键词　稀疏表示分类，局部稀疏表示分类，稀疏系数，相似性，人脸识别

／中图法分类号　Ｔ９１．４　　　文献标识码　Ａ　　　Ｄ０．１１８９６．ｉｓｓｎ．１００２Ｘ．２０１５．８．０１０ＯＩＰ３１３７　１－ｊ　

ＩｍｒｏｖｅｄＬＳＲＣａｎｄｉｔｓＡｌｉｃａｔｉｏｎｉｎＦａｃｅＲｅｃｏｎｉｔｉｏｎ　　　　　　　ｐｐｐｇ

１１１２

ｕｎｅｎＸｉＹＩＮ　ＨｆｅｎｅａｏＮＳｕ－－　ＣＨＥ－　ｊｇｇ　ＷＵ　

１，，）（ｏｏｌｏｆＩｎｔｅｒｎｅｔｏｆＴｈｉｎｓＥｎｉｎｅｅｒｉｎＪｉａｎｎａｎＵｎｉｖｅｒｓｉｔＷｕｘｉ２１４１２２，ＣｈｉｎａＳｃｈ　　　　　　　ｇｇｇｇｙ

２（，，）ＳｃｈｏｏｌｏｆＭａｔｈｅｍａｔｉｃｓ＆ＣｏｍｕｔａｔｉｏｎａｌＳｃｉｅｎｃｅＡｎｉｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔＡｎｉｎ２４６１３３，Ｃｈｉｎａ　　　　　ｐｑｇｙｑｇ　　

，

，Ａｂｓｓａｒｓｅｒｅｒｅｓｅｎｔａｔｉｏｎｂａｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ（ＳＲＣ）ｈａｓａｔｔｒａｃｔｅｄｍｕｃｈａｔｔｅｎｔｉｏｎｉｎｆａｃｅｒｅｃｏｎｉｔｉｏｎｔｒａｃｔｅｃｅｎｔｌ　　　　　　　　　　Ｒｐｐｇｙ，ｓａｍｌｅｓｔｈｅｌｏｔｓｏｆｔｒａｉｎｉｎｓａｍｌｅｓ．Ｗｈｅｎｉｖｉｎａｌｌｔｈｅｔｒａｉｎｉｎｄｉｒｅｃｔｌｕｓｉｎｔａｓｋｓ．ＳＲＣｆｏｒｍｓｔｈｅｄｉｃｔｉｏｎａｒｂ　　　　　　　　ｐｐｇｇｇｇｇｙｙｙ　　　　　　　ｓｌｏｗ．Ｔｏａｌｌｅｖｉａｔｅｔｈｉｓｒｏｂｌｅｍ，ａｎｅｗｌｏｃａｌＳＲＣ，ｗｈｉｃｈｉｓｂａｓｅｄｏｎｓｅｅｄｏｆｔｈｅｓｕｂｓｅｕｅｎｔｓａｒｓｅｓｏｌｖｅｒｃａｎｂｅｖｅｒ　　　　　　　　　　　　　　　　　ｐｐｑｐｙ　

，ｔｏｔｈｉｓｓｉｍｉｌａｒｓａｍｌｅｓａｎｄｔｅｓｔｓａｍｌｅｓｗａｓｒｅｓｅｎｔｅｄ．Ａｃｃｏｒｄｉｎｔｈｅｓｉｍｉｌａｒｉｔｉｅｓｏｆｓａｒｓｅｃｏｅｆｆｉｃｉｅｎｔｓｏｆｂｏｔｈｔｒａｉｎｉｎ－　　　　　　　　　　　　　ｐｐｐｇｐｇ　　，，ｓａｍｌｅｓａｒｅｓｅｌｅｃｔｅｄｔｏｆｏｒｍｔｈｅｏｖｅｒａｎｄｔｈｅｎｔｈｅｔｅｓｔｓａｍｌｅｉｓｒｔａｉｎｎｕｍｂｅｒｏｆｔｒａｉｎｉｎｅｔｅｄｉｃｔｉｏｎａｒｉｔａｃｅｃｏｍｌ　　　　　　　　　　　　　　　　－ｇｐｙｐｙｐ　

ｔｈｉｓｄｉｃｔｉｏｎａｒ．ＩｎｃｏｎｔｒａｓｔｔｏｏｒｉｉｎａｌＬＳＲＣ，ｗｈｉｃｈｉｓｂａｓｅｄｏｎｄｅｃｏｍｏｓｅｄｕｓｉｎｈｏｏｓｅｎｅｉｈｂｏｒｓｏｆｔｅｓｔｓａｍ－ｋＮＮｔｏｃ　　　　　　　　　　　　　　　　ｐｇｙｇｇ　，ｌｅｓｔａｃｈｉｅｖｅｂｅｔｔｅｒｅｒｆｏｒｍａｎｃｅ．ＥｘｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｂｔａｉｎｅｄｏｎｔｈｅＯＲＬｄａｔａｈｅｒｏｏｓｅｄａｒｏａｃｈｃａｎｓｔｅａｄｉｌ　　　　　　　　　　　　－ｐｐｐｐｐｐｐｙ　

，ｂａｓｅＹａｌｅｄａｔａｂａｓｅａｎｄＡＲｄａｔａｂａｓｅｉｎｄｉｃａｔｅｔｈａｔｔｈｅｒｏｏｓｅｄｍｅｔｈｏｄｉｓｓｕｅｒｉｏｒｔｏｂｏｔｈＳＲＣａｎｄＬＳＲＣ．　　　　　　　　　　　　　　　　ｐｐｐ，，，，Ｋｅｗｏｒｄｓａｒｓｅｒｅｒｅｓｅｎｔａｔｉｏｎｂａｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ（ＳＲＣ）ＬｏｃａｌＳＲＣ（ＬＳＲＣ）ＳａｒｓｅｃｏｅｆｆｉｃｉｅｎｔｓＳｉｍｉｌａｒｉｔＦａｃｅ　Ｓ　　　　　ｐｐｐｙｙｒｅｃｏｎｉｔｉｏｎｇ　

鲁棒性。随后又有很多改进的ＳＲＣ方法被提出以提高其性能和鲁棒性，并被应用到其它模式识别问题中。

然而原始的ＳＲＣ算法直接使用所有的训练样本组成字当训练样本数目比较多时，字典的规模比较大，这不典矩阵，

［］

利于后面的稀疏分解。为了解决这一问题，Ｗｅｉ等５提出了

１　引言

人脸识别是计算机视觉和模式识别领域内广泛研究的分

［］

类问题之一，传统的人脸识别方法包括ＥＦｉｓｉｅｎｆａｃｅｓ１、ｈｅｒ－ｇ［］［］

这些方法通常包含两个步骤：ｅｓ２、ｃｉａｎｆａｃｅｓ３等等，ｆａｃＬａｌａｐ

特征提取和分类。最近稀疏表示引起了人们越来越多的关

）局部敏感的字典学习（ＬｏｃａｌｉｔｓｉｔｉｖｅＤｉｃｔｉｏｎａｒＬｅａｒｎｉｎｓｅｎ　－ｙｙｇ　算法，该算法在字典学习过程中加入数据局部约束，取得了比

［］２

范数正则化的双ＳＲＣ好的分类效果；Ｌｉｕ等６提出了基于ｌ

线性鉴别字典学习（ＢｉｌｉｎｅａｒＤｉｓｃｒｉｍｉｎａｔｉｖｅＤｉｃｔｉｏｎａｒＬｅａｒｎ－　　ｙ　

注，并被应用于很多计算机视觉和图像处理领域中。尤其是

［］

００Ｗｒｉｈｔ等人于２９年提出的稀疏表示分类４方法在人脸识ｇ

别中得到了应用并取得了很好的识别效果。ＳＲＣ的思想是

给定一个测试样本，首先得到该样本在所有训练样本构成的字典上的稀疏系数，然后利用稀疏系数和每类训练样本重构样本，最后将该测试样本分在最小重构误差所对应的类别中。压缩感知的理论表明：特征空间的选择已在ＳＲＣ的框架下，经不再重要，即使是随机特征也能取得很好的分类结果。关键问题是特征空间的维数足够大并且能正确地计算相应的稀疏表示问题。此外ＳＲＣ对于图像遮挡和像素污损有一定的

，方法，即使用每类原子来优化每类的重构误差，同ＤＬ）ｉｎＢＤｇ

在字典学习过程中引时为了使得到的编码系数具有鉴别性，

［７］

入鉴别项；该Ｙａｎｇ等提出了一种有监督的字典学习方法，

方法基于Ｆ字典中的元素和样本的类别标签ｉｓｈｅｒ判别准则，对应起来，并且样本稀疏编码后的重构误差也用来进行模式

［８］分类。ＪｉａｎＳＶＤ（ＬａｂｅｌＣｏｎｓｉｓｔｅｎｔ　ｇ等提出了标签一致Ｋ

方法，该方法不仅利用了训练样本的类别Ｋ－Ｃ－ＫＤ）ＳＶＤ，ＬＳＶ

）资助。到稿日期：４４２０１２０１０６１００７２６６１３７３０５５　返修日期：　　本文受国家自然科学基金（－－－－

，：，吴小俊（男，博士生，主要研究方向为人工智能、模式识别，男，教授，博士生导师，主要研尹贺峰（ａｉ８－）ｌｉｎｈｅｆｅｎ２６．ｃｏｍ；１７－）１９８Ｅ－ｍ９６＠１ｙｇ，男，博士生，讲师，究方向为模式识别、人工智能、计算机视觉；陈素根（主要研究方向为模式识别与智能系统。２－）１９８

·４８·