亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        融合半監(jiān)督降維與稀疏表示的人臉識(shí)別方法

        2015-02-26 06:07:12陳麗霞,范士勇,劉鑫
        激光技術(shù) 2015年1期
        關(guān)鍵詞:人臉識(shí)別

        融合半監(jiān)督降維與稀疏表示的人臉識(shí)別方法

        陳麗霞1,范士勇2,劉鑫1,王虹1,李昆侖1

        (1.河北大學(xué) 電子信息工程學(xué)院, 保定 071002; 2.河北大學(xué) 計(jì)算中心, 保定 071002)

        摘要:由于人臉圖像數(shù)據(jù)的維數(shù)都較高,將稀疏表示分類用于人臉識(shí)別時(shí)計(jì)算量很大,為了提高人臉識(shí)別系統(tǒng)的效率,提出了一種融合半監(jiān)督降維和稀疏表示的人臉識(shí)別方法。首先利用半監(jiān)督降維算法對(duì)圖像進(jìn)行降維處理,在較低的維數(shù)空間快速取得較高的識(shí)別率,然后利用稀疏表示分類進(jìn)行人臉識(shí)別,取得比傳統(tǒng)的最近鄰分類器更高的識(shí)別率,最后在ORL人臉庫上進(jìn)行實(shí)驗(yàn)驗(yàn)證。結(jié)果表明,利用該融合算法可快速有效地提高人臉圖像的識(shí)別效果。

        關(guān)鍵詞:圖像處理;人臉識(shí)別;半監(jiān)督降維;稀疏表示

        E-mail:clx@hbu.edu.cn

        引言

        人臉識(shí)別作為一種獨(dú)特的生物特征識(shí)別技術(shù),在計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域有著廣泛的應(yīng)用。但是人臉圖像數(shù)據(jù)的維數(shù)很高,影響了人臉識(shí)別系統(tǒng)的識(shí)別效率,如何降低人臉圖像的維數(shù)成為了一個(gè)研究熱點(diǎn)[1]。最近,半監(jiān)督降維技術(shù)引起了人們很大的關(guān)注,半監(jiān)督降維有效綜合了傳統(tǒng)降維技術(shù)的優(yōu)點(diǎn),它既能利用數(shù)據(jù)的類標(biāo)號(hào)信息又能保持?jǐn)?shù)據(jù)的整體結(jié)構(gòu)信息。

        目前,稀疏表示分類(sparse representation-based classification,SRC)已經(jīng)成功地應(yīng)用到模式識(shí)別領(lǐng)域, WRIGHT提出將SRC用于人臉識(shí)別,該分類方法提高了人臉識(shí)別系統(tǒng)的識(shí)別率[2]。但是在人臉識(shí)別系統(tǒng)中,樣本維數(shù)很高、SRC的計(jì)算量很大,因此需要尋找一種合適的降維方法,使得該算法能夠在較低的維數(shù)空間里快速地提高人臉識(shí)別系統(tǒng)的識(shí)別率[3]。

        綜上所述,作者首先應(yīng)用半監(jiān)督降維算法對(duì)人臉圖像進(jìn)行降維提取人臉圖像特征,再利用稀疏表示分類對(duì)人臉圖像特征進(jìn)行識(shí)別,這樣既能保證人臉識(shí)別的精度又能保證人臉識(shí)別的速度[4]。

        1理論分析

        1.1 半監(jiān)督降維算法原理

        本節(jié)中主要研究半監(jiān)督降維算法(semi-supervised dimensionality reduction,SSDR)。作者提供了一個(gè)基于成對(duì)約束信息的半監(jiān)督算法的模型[5]。假設(shè)給定1組高維數(shù)據(jù):X=[x1x2…xn],其中xi∈Rf,半監(jiān)督降維的目的就是找到n個(gè)對(duì)應(yīng)的低維輸出模型yi∈Re,e?f,e和f代表數(shù)據(jù)的維數(shù)。假設(shè)X包含n個(gè)f維的數(shù)據(jù)并且包含一組成對(duì)約束,正約束M和負(fù)約束C。期望結(jié)果是從上述給定的條件下找到一個(gè)低維投影矩陣W=[x1x2…xd],能夠保證在低維空間同類的樣本距離最小,不同類的樣本應(yīng)該盡量遠(yuǎn)離[6]。最后,將高維空間數(shù)據(jù)轉(zhuǎn)換到低維空間數(shù)據(jù)時(shí)得到一個(gè)轉(zhuǎn)換模型f(x),數(shù)據(jù)在低維空間可以表示為Y=f(x)=WTX。為此定義目標(biāo)函數(shù)為J:

        式中,α和β是權(quán)衡參量,Sij是判別相似度矩陣。

        (1)式可以表示成:

        式中,D是一個(gè)對(duì)角矩陣,對(duì)角線上的值是相似度矩陣S的行或列的總和,L=D-S是Laplacian矩陣。矩陣XLXT是對(duì)稱矩陣,可以通過求解廣義特征值問題得到目標(biāo)函數(shù)的向量wi。經(jīng)過上述處理可以將測樣本經(jīng)過SSDR得到其在低維空間的投影Y,即Y=WTX。

        1.2 稀疏表示分類算法原理

        稀疏表示分類算法的主要思想是:假設(shè)測試樣本都可以通過屬于同一類別的部分訓(xùn)練樣本來重構(gòu),仍然可以保持同樣的重構(gòu)精度,并且線性重構(gòu)權(quán)值向量滿足一定的稀疏性[7]。

        具體模型如下:將每個(gè)人臉圖用一個(gè)向量表示,設(shè)第i類的樣本矩陣Ai=[ai1ai2…aini]∈Rm×ni,m表示人臉圖像的特征維數(shù),ni表示第i類樣本的數(shù)量。根據(jù)假設(shè)屬于第i的測試樣本y就可以用A的線性組合表示,即:

        式中,xij∈R,j=1,…,ni,在這里測試樣本的類別是未知的,將k類訓(xùn)練樣本組合在一起構(gòu)成字典:A=[A1A2…Ak]=[a11a12…a1n1…ak1…aknk],則屬于第i類的測試樣本y可以表示為:

        式中,x0=[00…0xi1…xini0…0]T∈Rm是一個(gè)稀疏系數(shù)向量,理想情況下只有第i類樣本空間的系數(shù)不為0,其它均為0。

        對(duì)于人臉識(shí)別系統(tǒng)問題,通過上述方程,求得最稀疏解,得到對(duì)應(yīng)的x0。由于人臉圖像數(shù)據(jù)都是高維的,所以都需要降維,經(jīng)過降維之后的樣本構(gòu)成的方程組是欠定的,即m

        上述求解過程是一個(gè)非確定性問題,難以求解?;趬嚎s感知與稀疏表示方法理論研究表明:當(dāng)樣本數(shù)量達(dá)到足夠稀疏時(shí),L0范數(shù)最小化問題就等價(jià)于L1范數(shù)最小化問題[9]:

        分類的結(jié)果可以表示為使上式最小化的參量i所對(duì)應(yīng)的值argminri(y)。

        2實(shí)驗(yàn)結(jié)果和分析

        本文中的實(shí)驗(yàn)環(huán)境為惠普筆記本,CPU1.6GHz,內(nèi)存3GB,MATLAB 7.1,采用的數(shù)據(jù)庫為ORL人臉庫。ORL人臉圖像數(shù)據(jù)庫包含40個(gè)人,每人10幅,共400張人臉圖像,包括了姿態(tài)、表情和面部飾物的變化。該人臉庫在是較早用于各項(xiàng)人臉識(shí)別中的標(biāo)準(zhǔn)人臉庫。

        在實(shí)驗(yàn)中選取ORL人臉庫中22個(gè)人(每人10幅)的220幅圖像作為樣本,選取前5張的人臉圖像作為測試樣本,如圖1所示。本文中分別采用最近鄰(nearest neighbor,NN)分類器[11]和SRC分類器,將人臉圖像數(shù)據(jù)利用不同方法降維到不同的特征維數(shù)下進(jìn)行分類。實(shí)驗(yàn)結(jié)果見表1和表2。

        Fig.1 Example images in ORL database

        Table 1NN classification after PCA and SSDR dimensionality reduction on ORL database

        methoddimension30507090110PCA63%64.4%64.9%65%67%SSDR89%90%90.97%92%94%

        Table 2SRC classification after PCA and SSDR dimensionality reduction on ORL database

        methoddimension30507090110PCA86%87%90%93%94%SSDR91%93%93.75%95%96%

        從表1可以看出,利用SSDR方法降維后人臉系統(tǒng)的識(shí)別率明顯優(yōu)于利用主成分分析(principal component analysis,PCA)[12]降維后人臉系統(tǒng)的識(shí)別率,這是因?yàn)镾SDR方法既能利用人臉圖像樣本的大量無標(biāo)記樣本,又能利用樣本間的成對(duì)約束信息,這樣就可以更好地保持人臉數(shù)據(jù)的全局和局部結(jié)構(gòu)。而PCA算法只利用了人臉圖像樣本的無標(biāo)記樣本,容易產(chǎn)生錯(cuò)分類的現(xiàn)象。

        利用SRC分類器后的分類結(jié)果如表2所示。可以看到,SRC分類器能夠取得比傳統(tǒng)的NN分類器更好的性能,融合半監(jiān)督降維和SRC分類器進(jìn)行人臉識(shí)別的識(shí)別率遠(yuǎn)遠(yuǎn)高于其它算法的識(shí)別率,并且隨著特征維數(shù)的增高識(shí)別率有著顯著提高。

        3結(jié)論

        提出了一種融合半監(jiān)督降維與稀疏表示的人臉識(shí)別方法,既可以提高人臉識(shí)別的精度又能夠提高人臉識(shí)別的速度。在ORL人臉庫進(jìn)行的實(shí)驗(yàn)表明,本文中提出的融合算法比傳統(tǒng)的數(shù)據(jù)算法取得了更高的識(shí)別率,識(shí)別精度達(dá)到了96%。

        參考文獻(xiàn)

        [1]HUA G,YANG M S. Introduction to the special section on real word face recognition[J].Pattern Analysis and Machine Intelligence,2011,33(10): 1921-1924.

        [2]WRIGHT J,YANG A,GANESH A. Robust face recognition via sparse representation [J]. Pattern Analysis and Machine Intelligence, 2009,31(2): 210-227.

        [3]HUANG W L,YIN H J.On nonlinear dimensionality reduction for face recognition [J]. Image and Vision Computing,2012,30(4):355-366.

        [4]GAO Y,WANG F H,GUO Sh X.Application of improved wavelet transform algorithm in image fusion[J].Laser Technology,2013,37(5): 690-695(in Chinese).

        [5]CHEN Sh G, ZHANG D Q.Experimental comparisons of semi-supervised dimensional reduction methods[J]. Journal of Software,2011,22(1):28-43.

        [6]YAN S,BOUAZIZ S, LEE D W.Semi-supervised dimensionality reduction for analyzing high-dimensional data with constraints[J]. Neurocomputing,2012,76(1):114-124.

        [7]HUAN K K.Regularized marginal fisher analysis and sparse representation for face recognition[J]. Journal of Computer Applications, 2013,33(6):1723-1726(in Chinese).

        [8]GU X H.Visual perception and edge preserving illumination invariant face recognition[J].Acta Electronica Sinica,2013,41(8):1500-1504(in Chinese).

        [9]ZUO Y Y,GAO B.Robust hierarchical framework for image classification via sparse representation[J].Tsinghua Science and Technology,2011,1(1):13-21.

        [10]YANG M, ZHANG L, YANG J,etal.Metaface learning for sparse representation based face recognition[C]//2010 17th IEEE International Conference on Image Processing.New York,USA:IEEE,2010: 1601-1604.

        [11]HU H F.Orthogonal neighbourhood preserving discriminant analysis for face recognition[J].Pattern Recognition,2008,41(6):2045-2054.

        [12]TURK M, PENTLAND A. Eigen-faces for recognition [J]. Jounal of Cognitive Neuroscience,1991,3(1):71-86.

        Face recognition based on semi-supervised dimensionality

        reduction and sparse representation

        CHENLixia1,FANShiyong2,LIUXin1,WANGHong1,LIKunlun1

        (1.College of Electronic and Information Engineering, Hebei University, Baoding 071002, China;2.Computer Center, Hebei University, Baoding 071002, China)

        Abstract:Because of high dimensions of face image data and large calculation of sparse representation classification for face recognition, in order to improve the efficiency of face recognition system, a new face recognition method based on semi-supervised dimensionality reduction(SSDR) and sparse representation (SR) was proposed. Firstly, SSDR algorithm was used to reduce the image dimensions and achieve higher recognition rate in the lower dimension space quickly. Secondly, SR classification can achieve a higher recognition rate than the nearest neighbor classification in face recognition. And then, the experimental verification was demonstrated on ORL face database. The results show that the fusion algorithm can improve the recognition performance of face images quickly and effectively.

        Key words:image processing; face recognition; semi-supervised dimensionality reduction; sparse representation

        收稿日期:2014-01-02;收到修改稿日期:2014-02-28

        作者簡介:陳麗霞(1982-),女,實(shí)驗(yàn)師,主要研究方向?yàn)閳D像處理和模式識(shí)別。

        基金項(xiàng)目:國家自然科學(xué)基金資助項(xiàng)目(61204079);河北省自然科學(xué)基金資助項(xiàng)目(F2013201170;F2013201196); 河北省科技廳軟科學(xué)資助項(xiàng)目(12450328);河北大學(xué)2012年度實(shí)驗(yàn)室開放基金資助項(xiàng)目(2012027)

        中圖分類號(hào):TP391

        文獻(xiàn)標(biāo)志碼:A

        doi:10.7510/jgjs.issn.1001-3806.2015.01.016

        文章編號(hào):1001-3806(2015)01-0082-03

        猜你喜歡
        人臉識(shí)別
        人臉識(shí)別 等
        揭開人臉識(shí)別的神秘面紗
        人臉識(shí)別技術(shù)的基本原理與應(yīng)用
        電子制作(2019年14期)2019-08-20 05:43:34
        人臉識(shí)別技術(shù)在高速公路打逃中的應(yīng)用探討
        基于(2D)2PCA-LBP 的人臉識(shí)別方法的研究
        電子制作(2017年17期)2017-12-18 06:40:55
        淺談人臉識(shí)別技術(shù)
        人臉識(shí)別在高校安全防范中的應(yīng)用
        電子制作(2017年1期)2017-05-17 03:54:46
        巡演完美收官 英飛拓引領(lǐng)人臉識(shí)別新潮流
        人臉識(shí)別在Android平臺(tái)下的研究與實(shí)現(xiàn)
        基于Metaface字典學(xué)習(xí)與核稀疏表示的人臉識(shí)別方法
        亚洲日韩成人无码不卡网站| 亚洲国产精品18久久久久久| 极品粉嫩嫩模大尺度无码视频| 亚洲精品国产一区二区免费视频 | 护士的小嫩嫩好紧好爽| 少妇高潮尖叫黑人激情在线| 狠狠色丁香久久婷婷综合蜜芽五月| 巨熟乳波霸若妻在线播放| 在线看片国产免费不卡| 九月色婷婷免费| 国产精品一二三区亚洲 | 国产优质女主播在线观看| 国产激情综合五月久久| 一区二区三区国产在线视频| 在线播放五十路熟妇| 免费观看黄网站| 午夜亚洲国产精品福利| 亚洲综合天堂av网站在线观看 | 亚洲国产精品国自产电影| 国产精品高清一区二区三区人妖| 亚洲中文字幕第一第二页| 亚洲av粉色一区二区三区| 久久青青草原一区网站| 一级二级三一片内射视频| 在线观看午夜视频国产| 亚洲精品乱码久久久久久不卡| 亚洲av无码专区在线播放| 精品少妇一区二区三区视频| 999久久久无码国产精品| 国产精品久久久| 蜜臀av在线观看| 久久久老熟女一区二区三区| 中文字幕亚洲无线码| 99精品成人片免费毛片无码| 91精品欧美综合在线观看| 久久亚洲精品一区二区三区| 狠狠cao日日橹夜夜十橹| 九一九色国产| 国产女人水真多18毛片18精品| 精品午夜福利1000在线观看| 亚洲va欧美va|