论文部分内容阅读
基于稀疏表示的方法在人脸识别方面体现出优异的性能,然而随后的研究显示,稀疏性对于人脸识别的识别效果并不起主要作用。有研究认为是协同表示(Collaborative Representation,CR)的机制而非稀疏性约束在该类算法中起主体作用,并将稀疏表示分类器(Sparse Representation based Classification,SRC)视为协同表示分类器(Collaborative Representation based Classification,CRC)的一个特例。本文的研究更进一步表明实际是线性回归方法在该类算法中起主要作用。本文对一些线性回归相关的人脸识别方法进行了回顾,并对于人脸识别中的线性回归进行了研究,主要的创新和贡献如下:(1)对线性回归分类器(Linear Regression Classification,LRC)进行了分析,针对LRC易受样本偏差影响的缺点,提出扩展的线性回归分类器(Extended LRC)。通过一个两步的过程来提升LRC的识别率,首先对训练集中的训练样本按表情、光照等场景信息进行分组,以分组后的结果生成场景模板,以这些场景模板作为虚拟样本参与分类过程,提升LRC性能。实验结果表明,该方法相对原始的LRC识别率有了大幅提升。(2)对CRC分类原理进行了探究,揭示了CRC与LRC分类原理的相似性。考虑到CRC同样会受到样本偏差的影响,提出一种基于虚拟样本的协同表示分类方法,通过生成虚拟样本扩充字典的方式提升算法识别率。(3)从线性回归的角度,对于CRC和SRC间的区别联系进行了分析,并对协同表示分类器的概念进行了扩展,同时提出了一种基于elastic net的协同表示分类方法,该方法使用elastic net来求取回归系数,CRC和SRC都可视为该方法的特例。实验结果表明,该方法所得识别率优于CRC和SRC。