实验中首先将所有图像缩放为２然后选择每个人３，８×２的前４幅图像组成训练样本，其余为测试样本。ＬＳＲＣ和本文方法选择训练样本时ｋ＝３使用ＰＣＡ对样本进行降维，０，不同特征维数下的识别率如表１所列，对应的曲线图如图６所示。

４．２　Ｙａｌｅ人脸库

姿态ａｌｅ人脸数据库由１５个人中每人１１张不同表情、Ｙ

和光照变化的图像组成，图像分辨率为１灰度级为２１×１６０，然后选择每个２５６。实验中首先将所有图像缩放为４６×６０，人的前５幅图像组成训练样本，其余为测试样本。ＬＣ和ＳＲ本文方法选择训练样本时ｋ＝２使用ＰＣＡ对样本进行降０，维，表２为不同特征维数下相应算法的识别率，对应的曲线图如图７所示。

表２　不同方法在Ｙｅ人脸库上的正确识别率ａｌ

维数ｎｆａｃｅｓｅＥｉ　ｇＦｉｓｈｅｒｆａｃｅｓ　

ＳＲＣ　ＬＳＲＣ　ｏｓｅｄＰｒｏ　ｐ

３０　８８．８９　９１．１１　９２．２２　９３．３３　９４．４４　

４０　８８．８９　９１．１１　９４．４４　９３．３３　９５．５６　

０５　８８．８９　９３．３３　９５．５６　９４．４４　９５．５６　

６０　９０　９４．４４　９５．５６　９４．４４　９６．６７　

７０９０９４．４４９６．６７９３．３３９６．６

７

４．４　实验结果及讨论

由以上实验结果可以得到：

，）说明通常ＳＲＣ的性能高于Ｅｉｅｎｆａｃｅｓ和Ｆｉｓｈｅｒｆａｃｅｓ１ｇ在一定条件下利用稀疏性可以提高人脸识别的准确率；不过由于Ｓ没有有效利用ＲＣ基于最小重构误差对样本进行分类，样本的类别信息，因此在ＡＲ人脸库上ＳＲＣ的性能不如。ｈｅｒｆａｃｅｓＦｉｓ

）在ＯＲＣ方法，ＬＳＲＣ方法优于ＳＲＬ和ＡＲ人脸库上，２

这说明利用部分训练样本组成字典矩阵可以提高ＳＲＣ的识别性能。而在Ｙａｌｅ人脸库上，ＬＳＲＣ的识别效果不是很理想，这是由于ＯＲＬ人脸库和实验中我们使用的部分ＡＲ人脸库中的人脸图像的光照、姿态等变化不大，此时ｋＮＮ可以准确选择同类别样本；而当样本出现光照、姿态等变化较大时，导致ＬＳＲＣ算法的效果不理想。ｋＮＮ的性能会下降，

）这验证了利用稀本文算法总体上优于ＳＲＣ和ＬＳＲＣ，３

疏系数之间的相似性衡量样本之间相似性的可行性。由于本文方法未能利用训练样本的类别信息，因此在ＡＲ人脸库上本文方法的识别率没有Ｆｈｅｒｆａｃｅｓ高。ｉｓ

当结束语　由于ＳＲＣ使用所有训练样本构成字典矩阵，训练样本数目比较多时，稀疏系数的求解会变得困难。由于测试样本和训练样本稀疏系数之间的相似性可以反映样本之间的相似性，我们利用稀疏系数之间的相似性来选择部分训练样本。在Ｏｅ人脸库和ＡＹａｌＲ人脸库库上的实ＲＬ人脸库、验证明了该方法的有效性。不过本文方法属于无监督方法，如何有效利用训练样本的类别信息以及处理人脸图像遮挡问题是我们今后研究的方向。

参考文献

图７　不同方法在Ｙｅ人脸库上的识别率曲线图ａｌ

４．３　ＡＲ人脸库

Ｒ人脸库有１２６人的超过４０００幅人脸图像。本次实Ａ

。这个子集验使用其中的一个子集（仅考虑光照和表情变化）包含２实验中首先将所有０个男性和２０个女性的人脸图像，图像缩放为５然后选择每个人的前７幅图像组成训练０，０×４样本，其余为测试样本。ＬＣ和本文方法选择训练样本时ＳＲ使用Ｐ不同特征维数下的识别率ｋ＝３０，ＣＡ对样本进行降维，如表３所列，对应的曲线图如图８所示。

表３　不同方法在ＡＲ人脸库上的正确识别率

维数ａｃｅｓｅｎｆＥｉ　ｇ

Ｆｉｓｈｅｒｆａｃｅｓ　

ＳＲＣ　ＬＳＲＣ　ｓｄｏｅＰｒｏ　ｐ

３０　７３．２１　／ＮＡ　９２．５　９４．６４　９３．５７　

４０　７３．９３　９７．８６　９３．２１　９４．６４　９５　

５０　７５　９８．５７　９６．４３　９６．４３　９７．１４　

６０　７４．２９　９８．５７　９６．４３　９６．７９　９７．８６　

７０７５９８．９３９７．１４９７．１７９７．

５

］［］Ｔｋ　Ｍ，ＰｅｎｔｌａｎｄＡ．Ｅｉｅｎｆａｃｅｓｆｏｒｒｅｃｏｎｉｔｉｏｎ［Ｊ．Ｊｏｕｒｎａｌｏｆ１ｕｒ　　　　ｇｇ

，（）：ＣｏｎｉｔｉｖｅＮｅｕｒｏｓｃｉｅｎｃｅ１９９１，３１７１８６　－ｇ

［］ＢｌｈｕｍｅｕｒＰＮ，ＨｅｓａｎｈａＪＰ，ＫｒｉｅｍａｎＤ．Ｅｉｅｎｆａｃｅｓｖｓ．２ｅ　　　　　　ｐｇｇ

：［］ｃｌａｓｓｓｅｃｉｆｉｃｌｉｎｅａｒｒｏｅｃｔｉｏｎＪ．ｆｉｓｈｅｒｆａｃｅｓＲｅｃｏｎｉｔｉｏｎｕｓｉｎ　　　　ｇｇｐｐｊ　ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉ　　　　　　　－ｙ，（）：７０ｅｎｃｅ１９９７，１９７７１１２－ｇ

［］Ｈ，，，３ｆｉＹｃｅｘａ …… 此处隐藏：911字，全部文档内容请下载后查看。喜欢就下载吧 ……