基于虚拟样本的协同表示人脸识别算法

在协同表示人脸识别方法中,训练集中图像包含的光照、表情等信息并不能被有效利用,因此影响了最终的分类结果。针对该问题提出了一种称为基于虚拟样本的协同表示识别算法。首先对训练集中的图像按不同的光照、表情等与个人面貌特征无关的场景因素进行分组,每一个组称为一个场景类,同一场景类中的人脸图像有着相似的光照、表情;将每一个场景类中的平均图像作为代表该特定光照、表情的虚拟样本,使用这些虚拟样本与原训练样本构造字典计算测试样本的协同表示,利用所得的回归系数计算残差,进行分类判别。实验证明该协同表示算法有效,识别精度得到了有效提高。

代价敏感的局部判别嵌入人脸识别算法

局部判别嵌入算法寻求最高的正确识别率时假设所有的错误分类具有相同的错分代价,然而这个假设在现实的人脸识别系统中往往是不成立的,因为不同的错误分类将会导致不同的错分代价.为此,提出一种代价敏感的局部判别嵌入算法.首先通过构造代价矩阵将代价敏感理念融入到特征提取阶段,以提高算法判别不同错误分类的能力;然后最大化异类近邻样本点之间的错分代价,同时最小化同类近邻样本点之间的距离;最后利用迭代算法求得最佳的正交投影向量,以更好地维持数据的度量架构.在Yale,ORL,AR和Extended Yale B人脸数据库上的实验结果表明,文中算法是有效的.