基于2DPCA和压缩感知的人脸识别方法

提出一种基于二维主成份分析(2DPCA)和压缩感知的人脸识别方法。阐述2DPCA提取特征向量的工作原理,利用压缩感知方法求解待识别图像在足够样本下的稀疏表示。由所有训练图的特征向量构成测量矩阵,将每一幅待识别图像的特征向量作为测量值,由压缩感知中求解的L1范数极小值得到待识别图像的编码信号,根据该编码信号识别人脸图像。实验结果表明,与其他组合方法相比,基于2DPCA和压缩感知的人脸识别方法得到的识别率较高。

基于深度学习的有遮挡人脸识别方法研究

针对传统CNN在有遮挡人脸识别中计算量大的问题,文中以L1-2DPCA为基础,提出了一种用于人脸识别的新型PCANet深度学习网络。该网络以L1-2DPCA学习多个卷积层的滤波器,在卷积层之后,通过二进制散列和逐块直方图进行池化。文中以CNN、PCANet、2DPCANet和L1-PCANet作为比较,在AR和RMFD人脸数据集上测试了文中所提出的网络。结果表明,在所有测试中,文中提出的深度学习网络的识别性能优于其他网络。由于采用L1范数,文中所提出的深度学习网络对异常值和训练图像的变化具有较强的鲁棒性。