程曉雅+王春紅

摘 要：針對現(xiàn)有低秩表示（LRR）算法中全局與局部人臉特征信息融合不足的問題，提出了一種新的人臉識別算法——基于特征化字典的低秩表示（LRR-CD）。首先，將每張人臉照片表示成一個個特征化字典的集合，然后同時最小化基于訓練樣本的低秩重構特征系數(shù)以及與之相對應的類內(nèi)特征差異。為了獲得高效且具有高判別性的人臉圖像的特征塊重構系數(shù)矩陣，提出了一種新的數(shù)學公式模型，通過同時求解訓練樣本中相對應的特征塊以及對應的類內(nèi)特征差異詞典的低秩約束問題，盡可能完整地保留原始高維人臉圖像中的全局和局部信息，尤其是局部類內(nèi)差異特征。另外，由于對特征塊中信息的充分挖掘，所提算法對于一般程度上的面部遮擋和光照等噪聲影響具有良好的魯棒性。在AR、CMU-PIE和Extended Yale B人臉數(shù)據(jù)庫進行多項對比實驗，由實驗結果可知LRR-CD相較于對比的稀疏表示（SRC）、協(xié)從表示（CRC）、低秩表示正規(guī)切（ LRR-NCUT）和低秩遞歸最小二乘（LRR-RLS）算法在平均識別率上有2.58～17.24個百分點的提高。實驗結果表明LRR-CD性能優(yōu)于與之對比的算法，可以更高效地用于人臉全局和局部特征信息的融合，且具有優(yōu)良的識別率。

關鍵詞：低秩表示；人臉識別；類內(nèi)差異；字典學習；模式識別

中圖分類號： TP301.6

文獻標志碼：A

文章編號：1001-9081（2016）12-3423-06