人脸识别一直是计算机视觉领域的研究热点,因为相比其他生物特征识别,人脸识别的友好、易获取、非接触等特点使它更具有广泛的应用。虽然现阶段人脸识别技术比较成熟,但是单样本人脸识别还是一项具有挑战性的任务。论文主要研究基于字典学习的协作表示单样本人脸识别算法,研究内容主要有:(1)提出多样性扩展分块协作表示的单样本人脸识别算法(Diversity and Extended Patch Collaborative Representation Classification,DEPCRC)。考虑到基于分块的方法可以有效避免类内变量的影响,从额外训练集中学习的辅助字典可以对脸部的类内变量进行协作表示,所以利用辅助字典把分块协作表示的方法扩展到单样本的情景中并通过约束的边缘分布优化对每个分块的权重进行学习。为获到更多样本信息,采用剪裁、加噪、灰度变换三种方式来得到多样性扩充的训练样本。在卡内基梅隆大学姿态光照表情(Carnegie Mellon University posture illumination face,CMU-PIE)、Extended Yale B、Aleix Martinez and Robert Benavente(AR)和野外标签脸(Labeled faces in the wild,FLW)人脸库上进行测试,实验结果表明DEPCRC在单样本的条件下有较高的识别率。(2)提出多样性辅助字典学习的单样本人脸识别算法(Auxiliary Dictionary of Diversity Learning,ADDL)。首先通过镜像图像,随机方块遮挡和灰度变换三种方式产生虚拟的人脸图像,然后通过设计的目标函数学习多样性辅助字典。考虑到分块的方法可以有效减少类内变量带来的影响,所以对人脸图像进行分块处理,利用扩展协作表示分类算法对每个分块图像进行识别,最后综合每张人脸图像所有分块的识别结果作为输出。在CMU-PIE,Extended Yale B和LFW人脸库上进行测试,实验结果表明ADDL在单样本的条件下有较高的识别率。
暂无评论