论文部分内容阅读
传统的稀疏表示是直接使用所有的训练样本来线性表示测试样本,它依赖以下核心思想:即测试样本可以由相同类别的少量训练样本来表示。然而,当学习给定字典的稀疏表示时,还不能很好地解决不同的面部表情、姿势,和不同照明条件的人脸识别问题。这些噪声会极大地影响表示的准确度。因此,探索一种更有效的方法来表示测试样本是一个至关重要的问题。提出引入局部线性编码的方案并且融合样本之间的空间距离信息,来优化在噪声条件下稀疏表示分类器的分类精度。