基于局部通用的分块协同表示的单样本人脸识别

针对单样本人脸图像存在的光照、表情、以及遮挡变化,提出一种局部通用的分块协同表示单样本人脸识别算法。算法首先根据训练样本构建通用的训练字典,建立自然变化下的人脸和部分为因光照、表情遮挡等变化的通用人脸集。其次将测试样本、训练样本进行分块,构造字典块矩阵。通过正则化协同表示对样本块进行稀疏表示和分类。在Extended Yale B、AR公开的人脸数据上仿真实验,这种基于通用表示的分块协同表示单样本人脸识别算法具有很好的鲁棒性,在训练样本较少以等复杂环境变化下,不论是识别效果还是计算复杂度都取得很好的效果。

基于局部通用的核协同表示单样本人脸识别算法

针对单样人脸识别中每个训练样本只有一张人脸图像,尤其是存在光照、表情以及遮挡等变化时,提取特征信息单一化等问题,提出一种局部通用的分块核协同表示单样本人脸识别算法。算法通过备用的训练样本构造通用的类内变化字典,并对通用集和训练样本进行分块,以达到样本扩充的目的,保证训练字典的完备性,从而提取足够的特征判别信息,然后利用高斯核变化将人脸数据映射到高维特征空间,从而实现人脸数据线性化的优势,增强人脸特征信息的可分性,提高算法在复杂环境下的适应能力。最后通过正则化协同表示计算每个样本块的重构误差,根据所有分块误差和最小完成样本的分类。在ORL、Extended Yale B、AR人脸库进行仿真实验,结果表明,构建通用的类内变化字典和对样本的分块除了起到扩充样本的作用外,还有助于人脸特征的线性表示,增强了样本的准确率。

局部通用加权协同表示人脸识别

传统的协同表示,在光照、表情等复杂环境变化下识别效果明显下降,针对此问题提出一种基于局部通用的加权协同表示人脸识别算法。一方面通过构建通用训练集,另一方面在协同表示中设置加权约束项,增强样本在遮挡等复杂环境下的竞争性,提高同类样本的局部协同表示性能,从而更高效地对人脸进行协同表示,提高表情、遮挡等环境变化下人脸识别的准确率和鲁棒性。在公开的Extended YaleB、AR人脸数据集进行仿真实验,并与传统的算法CRC、SRC、ESRC进行对比,结果表明,改进的基于局部通用的加权协同表示人脸识别算法在这种复杂环境表现出很好的鲁棒性。

多Agent系统中GPGP的协调机制研究

为MAS中的协调机制提供一种实用的解决方案,并对GPGR方法存在的问题和发展方向做了研究和探讨。通过描述多Agents系统中的GPGP协调机制,用具体的实例对GPGP实现协调的方法做了阐述。通过具体事例的分析和阐述,实现了基本的GPGP协调方法,为MAS中的协调机制提供一种通用的解决方案。