考虑到以训练样本作为字典未利用类间差异特征的不足,且利用最小残差判别函数分类时,各类残差可能因较接近而导致分类错误。针对此问题,从分类判别函数出发,提出稀疏规则引导的由粗及细系数累积人脸识别算法。首先,用所有训练样本作为...考虑到以训练样本作为字典未利用类间差异特征的不足,且利用最小残差判别函数分类时,各类残差可能因较接近而导致分类错误。针对此问题,从分类判别函数出发,提出稀疏规则引导的由粗及细系数累积人脸识别算法。首先,用所有训练样本作为字典表示测试样本,得到相邻最大类累积稀疏系数。进而,根据累积系数相对差别,对训练样本类别进行软约束,摒弃与测试样本相异甚远的类别,遴选候选类。最后,利用最大类稀疏系数累积作为判别函数,融合由粗及细的结果进行分类从而获得最终的识别率。该方法不仅充分利用系数的稀疏性,而且发挥候选类具有增强字典鉴别力的作用,从而取得较高的识别率。本文方法分别在ORL、AR和GT(Georgia Tech Face Database)人脸数据库上进行了实验。展开更多
文摘考虑到以训练样本作为字典未利用类间差异特征的不足,且利用最小残差判别函数分类时,各类残差可能因较接近而导致分类错误。针对此问题,从分类判别函数出发,提出稀疏规则引导的由粗及细系数累积人脸识别算法。首先,用所有训练样本作为字典表示测试样本,得到相邻最大类累积稀疏系数。进而,根据累积系数相对差别,对训练样本类别进行软约束,摒弃与测试样本相异甚远的类别,遴选候选类。最后,利用最大类稀疏系数累积作为判别函数,融合由粗及细的结果进行分类从而获得最终的识别率。该方法不仅充分利用系数的稀疏性,而且发挥候选类具有增强字典鉴别力的作用,从而取得较高的识别率。本文方法分别在ORL、AR和GT(Georgia Tech Face Database)人脸数据库上进行了实验。
