CN107392190A - 基于半监督多视图字典学习的彩色人脸识别方法 - Google Patents
基于半监督多视图字典学习的彩色人脸识别方法 Download PDFInfo
- Publication number
- CN107392190A CN107392190A CN201710800074.7A CN201710800074A CN107392190A CN 107392190 A CN107392190 A CN 107392190A CN 201710800074 A CN201710800074 A CN 201710800074A CN 107392190 A CN107392190 A CN 107392190A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- dictionary
- msubsup
- munderover
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于半监督多视图字典学习的彩色人脸识别方法,该方法将多视图学习技术应用于半监督彩色人脸图像的字典学习。在训练阶段,该方法通过分别学习各个彩色分量的结构化字典并令这些字典互相正交来去除各个彩色分量之间的相关性,充分利用各个彩色分量之间互补的色彩差异信息;并且该方法在字典学习过程中使用无类别标记的彩色人脸图像样本参与训练,充分利用所有训练样本信息。在分类测试阶段,该方法累计各个彩色分量用对应每一类训练样本的字典去重构测试样本的重构误差,最后将测试样本归为累计重构误差最小的那一类。本发明识别效果更高,通过半监督多视图字典学习,彩色人脸识别能力得到了明显增强。
Description
技术领域
本发明具体涉及基于半监督多视图字典学习的彩色人脸识别方法,属于人脸识别技术领域。
背景技术
(1)标签一致的K奇异值分解2彩色扩展2方法(CE2-LC-KSVD2,施静兰、常侃、张智勇、覃团发,“适用于彩色图像人脸识别的字典学习算法”,电讯技术,56(4):365-371,2016):
对一个彩色人脸图像训练样本集X,令n表示所有彩色人脸图像训练样本的个数,c表示所有彩色人脸图像训练样本的类别个数,XR∈Rd×n、XG∈Rd×n、XB∈Rd×n分别表示R、G、B三个彩色分量样本集,d表示彩色分量样本维数。CE2-LC-KSVD2方法的目标函数为
其中,X′=(I+γ/d·E)[XR;XG;XB],D′=(I+γ/d·E)[DR;DG;DB],Di∈Rd×K(i=R,G,B)是对应Xi的字典,K是字典原子个数,A∈RK×n是用D′重构X′的稀疏表示系数,Q∈RK×n是用D′重构X′的具有区分性的稀疏表示系数,V∈RK×K是线性变换矩阵,H∈Rc×n是X′的类别标签,W∈Rc×K是分类器参数,aj∈Rn(j=1,2,…,n)是A中的第j列,T是稀疏度,α,β,γ是权重参数,I∈R3d×3d是单位矩阵,Ed∈Rd×d是一个元素值全为1的方阵。
(2)标签一致的K奇异值分解2彩色扩展2方法的不足、改进点:
虽然CE2-LC-KSVD2方法通过修正稀疏编码阶段正交匹配追踪算法的内积计算准则来利用各个色彩通道之间的相关性,但这种修正只是强制选择的字典原子考虑平均色,没有充分利用彩色图像的色彩信息。此外,CE2-LC-KSVD2方法是有监督字典学习方法,在训练阶段只能使用有类别标记的彩色人脸图像样本,不能充分利用数量众多的无类别标记的彩色人脸图像样本。
基于半监督多视图字典学习的彩色人脸识别方法通过分别学习各个彩色分量的结构化字典并令这些字典互相正交来去除各个彩色分量之间的相关性,充分利用各个彩色分量之间互补的色彩差异信息;在字典学习过程中,基于半监督多视图字典学习的彩色人脸识别方法使用无类别标记的彩色人脸图像样本参与训练,充分利用所有样本信息。
发明内容
基于半监督多视图字典学习的彩色人脸识别方法通过分别学习各个彩色分量的结构化字典并令这些字典互相正交来去除各个彩色分量之间的相关性,充分利用各个彩色分量之间互补的色彩差异信息;并且,该方法在字典学习过程中使用无类别标记的彩色人脸图像样本参与训练,充分利用所有训练样本信息。与CE2-LC-KSVD2方法相比,可以有效提高识别效果。
在Face Recognition Grand Challenge(FRGC)version 2Experiment 4彩色人脸数据库(P.J.Phillips,P.J.Flynn,T.Scruggs,K.Bowyer,J.Chang,K.Hoffman,J.Marques,J.Min,W.Worek,“Overview of the Face Recognition Grand Challenge”,IEEEConf.Computer Vision and Pattern Recognition,vol.1,pp.947-954,2005)上做仿真实验,证明基于半监督多视图字典学习的彩色人脸识别方法的有效性。
技术方案如下:
对一个彩色人脸图像训练样本集X,令n表示所有彩色人脸图像训练样本的个数,nl表示所有有类别标记的彩色人脸图像训练样本的个数,nu表示所有无类别标记的彩色人脸图像训练样本的个数,c表示有类别标记的彩色人脸图像训练样本的类别数,nk表示第k类彩色图像训练样本的个数,XR∈Rd×n、XG∈Rd×n、XB∈Rd×n分别表示R、G、B彩色分量训练样本集,分别表示有类别标记的R、G、B彩色分量训练样本集,分别表示无类别标记的R、G、B彩色分量训练样本集,表示Xil中第k类的样本,d表示彩色分量训练样本维数。对于一个待识别样本y,令yR∈Rd、yG∈Rd、yB∈Rd分别表示该样本的R、G、B彩色分量。
基于半监督多视图字典学习的彩色人脸识别方法步骤如下所示:
第一步,基于半监督多视图字典学习的彩色人脸识别方法的目标函数定义如下:
其中,Di(i=R,G,B)表示对应Xi的字典,Ai表示使用字典Di重构Xi的稀疏编码系数,Aip表示使用字典Di重构Xip的稀疏编码系数,Aiu表示使用字典Di重构Xiu的稀疏编码系数,λ是一个权重系数,0表示一个零矩阵,
Diq表示字典Di中对应第q类的子字典,Aipq表示使用子字典Diq重构Xip的稀疏编码系数。
第二步,公式(1)的求解涉及到字典和稀疏编码系数两组变量求解,可以采用两组变量依次更新的方式进行迭代求解:
步骤2-1,初始化DR,DG,DB。
步骤2-2,根据公式(1)求解AR,AG,AB,令
步骤2-3,根据公式(1)更新DR,DG,DB。
步骤2-4,根据公式(1)更新AR,AG,AB,令
如果J1-J2>ε,ε>0是一个比较小的阈值,转向步骤2-3;否则,迭代结束。
第三步,得到字典DR,DG,DB之后,按照下面的公式计算yR,yG,yB的稀疏编码系数βR,βG,βB
令βiq表示βi中对应子字典Diq的稀疏编码系数,计算
根据
可以判定待识别样本y的类别。
有益效果
本发明采用以上技术方案与现有技术相比,具有以下有益效果:
本发明提供基于半监督多视图字典学习的彩色人脸识别方法,将多视图学习技术应用于半监督彩色人脸图像的字典学习。在训练阶段,该方法通过分别学习各个彩色分量的结构化字典并令这些字典互相正交来去除各个彩色分量之间的相关性,充分利用各个彩色分量之间互补的色彩差异信息;并且该方法在字典学习过程中使用无类别标记的彩色人脸图像样本参与训练,充分利用所有训练样本信息。在分类测试阶段,该方法累计各个彩色分量用对应每一类训练样本的字典去重构测试样本的重构误差,最后将测试样本归为累计重构误差最小的那一类。本发明识别效果更高,通过半监督多视图字典学习,彩色人脸识别能力得到了明显增强。
附图说明
图1为人脸示例图片;
图2为20次随机测试识别率波动图。
具体实施方式
以下结合附图具体说明本发明的技术方案。
实验验证选用Face Recognition Grand Challenge(FRGC)version 2Experiment4彩色人脸数据库(P.J.Phillips,P.J.Flynn,T.Scruggs,K.Bowyer,J.Chang,K.Hoffman,J.Marques,J.Min,W.Worek,“Overview of the Face Recognition Grand Challenge”,IEEE Conf.Computer Vision and Pattern Recognition,vol.1,pp.947-954,2005)。该数据库规模较大,包含了training、target、query三个子库,training子库包含222个人的12776张图片,target子库包含466个人的16028张图片,query子库包含466个人的8014张图片。实验选用了training集合的222个人,每个人36幅彩色图像。所有选中的原始图像都进行了校正(使两眼处于水平位置)、缩放和裁剪,每个图像样本只保留60×60大小的人脸及附近区域。处理后的人脸示例图片见图1。
在实验数据库中,每个类别随机选择8个彩色人脸图像样本作为有类别标记的训练样本,10个彩色人脸图像样本作为无类别标记的训练样本,其余彩色人脸图像样本作为待识别样本,进行20次随机测试。
图2和表1显示了标签一致的K奇异值分解2彩色扩展2方法(即图表中的CE2-LC-KSVD2方法)和基于半监督多视图字典学习的彩色人脸识别方法(即图表中的SMDL方法)20次随机测试的识别效果。在图2中,横坐标是随机测试的序号,纵坐标为识别率(=正确识别的待识别样本个数/待识别样本总数)。表1给出了两个方法20次随机测试的识别率均值和标准差。与标签一致的K奇异值分解2彩色扩展2方法相比,基于半监督多视图字典学习的彩色人脸识别方法的识别效果明显更高一些。这验证了基于半监督多视图字典学习的彩色人脸识别方法的有效性。
表1
方法名称 | 识别率(均值和标准差,%) |
CE2-LC-KSVD2 | 88.54±1.80 |
SMDL | 91.06±1.51 |
Claims (1)
1.基于半监督多视图字典学习的彩色人脸识别方法,其特征在于,
对一个彩色人脸图像训练样本集X,令n表示所有彩色人脸图像训练样本的个数,nl表示所有有类别标记的彩色人脸图像训练样本的个数,nu表示所有无类别标记的彩色人脸图像训练样本的个数,c表示有类别标记的彩色人脸图像训练样本的类别数,nk表示第k类彩色图像训练样本的个数,XR∈Rd×n、XG∈Rd×n、XB∈Rd×n分别表示R、G、B彩色分量训练样本集,分别表示有类别标记的R、G、B彩色分量训练样本集,分别表示无类别标记的R、G、B彩色分量训练样本集,表示Xil中第k类的样本,d表示彩色分量训练样本维数;对于一个待识别样本y,令yR∈Rd、yG∈Rd、yB∈Rd分别表示该样本的R、G、B彩色分量;
具体步骤如下:
第一步,基于半监督多视图字典学习的彩色人脸识别方法的目标函数定义如下:
<mrow>
<mtable>
<mtr>
<mtd>
<munder>
<munder>
<mi>min</mi>
<mrow>
<msub>
<mi>D</mi>
<mi>R</mi>
</msub>
<mo>,</mo>
<msub>
<mi>D</mi>
<mi>G</mi>
</msub>
<mo>,</mo>
<msub>
<mi>D</mi>
<mi>B</mi>
</msub>
</mrow>
</munder>
<mrow>
<msub>
<mi>A</mi>
<mi>R</mi>
</msub>
<mo>,</mo>
<msub>
<mi>A</mi>
<mi>G</mi>
</msub>
<mo>,</mo>
<msub>
<mi>A</mi>
<mi>B</mi>
</msub>
</mrow>
</munder>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>R</mi>
</mrow>
<mi>B</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>R</mi>
</mrow>
<mi>B</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>u</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<msub>
<mi>A</mi>
<mrow>
<mi>i</mi>
<mi>u</mi>
</mrow>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&lambda;</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>R</mi>
</mrow>
<mi>B</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>D</mi>
<mi>j</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
<mo>;</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mi>R</mi>
<mo>,</mo>
<mi>G</mi>
<mo>,</mo>
<mi>B</mi>
<mo>;</mo>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Di(i=R,G,B)表示对应Xi的字典,Ai表示使用字典Di重构Xi的稀疏编码系数,Aip表示使用字典Di重构Xip的稀疏编码系数,Aiu表示使用字典Di重构Xiu的稀疏编码系数,λ是一个权重系数,0表示一个零矩阵,
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<msub>
<mi>A</mi>
<mrow>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
<msub>
<mi>A</mi>
<mrow>
<mi>i</mi>
<mi>p</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mo>&Sigma;</mo>
<munder>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>q</mi>
<mo>&NotEqual;</mo>
<mi>p</mi>
</mrow>
</munder>
<mi>c</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>q</mi>
</mrow>
</msub>
<msub>
<mi>A</mi>
<mrow>
<mi>i</mi>
<mi>p</mi>
<mi>q</mi>
</mrow>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
Diq表示字典Di中对应第q类的子字典,Aipq表示使用子字典Diq重构Xip的稀疏编码系数;
第二步,公式(1)的求解涉及到字典和稀疏编码系数两组变量求解,采用两组变量依次更新的方式进行迭代求解:
步骤2-1,初始化DR,DG,DB;
步骤2-2,根据公式(1)求解AR,AG,AB,令
步骤2-3,根据公式(1)更新DR,DG,DB;
步骤2-4,根据公式(1)更新AR,AG,AB,令如果J1-J2>ε,ε>0是一个比较小的阈值,转向步骤2-3;否则,迭代结束;
第三步,得到字典DR,DG,DB之后,按照下面的公式计算yR,yG,yB的稀疏编码系数βR,βG,βB
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<msub>
<mi>&beta;</mi>
<mi>R</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&beta;</mi>
<mi>G</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&beta;</mi>
<mi>B</mi>
</msub>
</mrow>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>R</mi>
</mrow>
<mi>B</mi>
</munderover>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
令βiq表示βi中对应子字典Diq的稀疏编码系数,计算
<mrow>
<msup>
<mi>e</mi>
<mi>q</mi>
</msup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>R</mi>
</mrow>
<mi>B</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>q</mi>
</mrow>
</msub>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>i</mi>
<mi>q</mi>
</mrow>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
根据
<mrow>
<mi>i</mi>
<mi>d</mi>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mi>i</mi>
<mi>t</mi>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>q</mi>
</munder>
<mo>{</mo>
<msub>
<mi>e</mi>
<mi>q</mi>
</msub>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
判定待识别样本y的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710800074.7A CN107392190B (zh) | 2017-09-07 | 2017-09-07 | 基于半监督多视图字典学习的彩色人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710800074.7A CN107392190B (zh) | 2017-09-07 | 2017-09-07 | 基于半监督多视图字典学习的彩色人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107392190A true CN107392190A (zh) | 2017-11-24 |
CN107392190B CN107392190B (zh) | 2020-08-11 |
Family
ID=60349216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710800074.7A Active CN107392190B (zh) | 2017-09-07 | 2017-09-07 | 基于半监督多视图字典学习的彩色人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392190B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046583A (zh) * | 2019-04-18 | 2019-07-23 | 南京信息工程大学 | 基于半监督多视图增量字典学习的彩色人脸识别方法 |
CN110046582A (zh) * | 2019-04-18 | 2019-07-23 | 南京信息工程大学 | 基于多视图鉴别线性表示保留投影的彩色人脸识别方法 |
CN110084163A (zh) * | 2019-04-18 | 2019-08-02 | 南京信息工程大学 | 基于多视图局部线性表示保留鉴别嵌入的人脸识别方法 |
CN110503015A (zh) * | 2019-08-09 | 2019-11-26 | 电子科技大学 | 一种基于局部结构保持类子字典学习的目标识别方法 |
CN111079657A (zh) * | 2019-12-18 | 2020-04-28 | 南京审计大学 | 一种基于半监督线性回归的人脸识别方法 |
CN111488856A (zh) * | 2020-04-28 | 2020-08-04 | 江西吉为科技有限公司 | 一种基于正交引导学习的多模态2d及3d人脸表情识别 |
CN113177487A (zh) * | 2021-05-06 | 2021-07-27 | 南京信息工程大学 | 行人重识别方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100124377A1 (en) * | 2008-11-19 | 2010-05-20 | Nec Laboratories America, Inc. | Linear spatial pyramid matching using sparse coding |
CN102609681A (zh) * | 2012-01-12 | 2012-07-25 | 北京大学 | 基于字典学习模型的人脸识别方法 |
CN103226714A (zh) * | 2013-05-09 | 2013-07-31 | 山东大学 | 基于较大编码系数强化的稀疏编码方法 |
CN104318261A (zh) * | 2014-11-03 | 2015-01-28 | 河南大学 | 一种图嵌入低秩稀疏表示恢复稀疏表示人脸识别方法 |
CN106845336A (zh) * | 2016-12-02 | 2017-06-13 | 厦门理工学院 | 一种基于局部信息和组稀疏约束的半监督人脸识别方法 |
-
2017
- 2017-09-07 CN CN201710800074.7A patent/CN107392190B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100124377A1 (en) * | 2008-11-19 | 2010-05-20 | Nec Laboratories America, Inc. | Linear spatial pyramid matching using sparse coding |
CN102609681A (zh) * | 2012-01-12 | 2012-07-25 | 北京大学 | 基于字典学习模型的人脸识别方法 |
CN103226714A (zh) * | 2013-05-09 | 2013-07-31 | 山东大学 | 基于较大编码系数强化的稀疏编码方法 |
CN104318261A (zh) * | 2014-11-03 | 2015-01-28 | 河南大学 | 一种图嵌入低秩稀疏表示恢复稀疏表示人脸识别方法 |
CN106845336A (zh) * | 2016-12-02 | 2017-06-13 | 厦门理工学院 | 一种基于局部信息和组稀疏约束的半监督人脸识别方法 |
Non-Patent Citations (6)
Title |
---|
JAESIK YOON,CHANG D. YOO: "Face recognition via discriminative dictionary learning", 《THE 18TH IEEE INTERNATIONAL SYMPOSIUM ON CONSUMER ELECTRONICS (ISCE 2014)》 * |
JUNWEI JIN,C. L. PHILIP CHEN: "Convolutional Sparse Coding for Face Recognition", 《2017 4TH INTERNATIONAL CONFERENCE ON INFORMATION, CYBERNETICS AND COMPUTATIONAL SOCIAL SYSTEMS (ICCSS)》 * |
YUHUA LI,CHUN QI: "Face recognition using Hog feature and group sparse coding", 《IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
刘欣: "基于稀疏表示分类的人脸识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
柴光忍: "基于稀疏编码的视频人脸识别系统", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
潘婷婷: "稀疏编码算法改进及其在人脸识别中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046583A (zh) * | 2019-04-18 | 2019-07-23 | 南京信息工程大学 | 基于半监督多视图增量字典学习的彩色人脸识别方法 |
CN110046582A (zh) * | 2019-04-18 | 2019-07-23 | 南京信息工程大学 | 基于多视图鉴别线性表示保留投影的彩色人脸识别方法 |
CN110084163A (zh) * | 2019-04-18 | 2019-08-02 | 南京信息工程大学 | 基于多视图局部线性表示保留鉴别嵌入的人脸识别方法 |
CN110046582B (zh) * | 2019-04-18 | 2020-06-02 | 南京信息工程大学 | 基于多视图鉴别线性表示保留投影的彩色人脸识别方法 |
CN110503015A (zh) * | 2019-08-09 | 2019-11-26 | 电子科技大学 | 一种基于局部结构保持类子字典学习的目标识别方法 |
CN110503015B (zh) * | 2019-08-09 | 2022-03-15 | 电子科技大学 | 一种基于局部结构保持类子字典学习的目标识别方法 |
CN111079657A (zh) * | 2019-12-18 | 2020-04-28 | 南京审计大学 | 一种基于半监督线性回归的人脸识别方法 |
CN111079657B (zh) * | 2019-12-18 | 2022-06-10 | 南京审计大学 | 一种基于半监督线性回归的人脸识别方法 |
CN111488856A (zh) * | 2020-04-28 | 2020-08-04 | 江西吉为科技有限公司 | 一种基于正交引导学习的多模态2d及3d人脸表情识别 |
CN111488856B (zh) * | 2020-04-28 | 2023-04-18 | 江西吉为科技有限公司 | 一种基于正交引导学习的多模态2d及3d人脸表情识别方法 |
CN113177487A (zh) * | 2021-05-06 | 2021-07-27 | 南京信息工程大学 | 行人重识别方法、装置、计算机设备和存储介质 |
CN113177487B (zh) * | 2021-05-06 | 2023-07-18 | 南京信息工程大学 | 行人重识别方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107392190B (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392190A (zh) | 基于半监督多视图字典学习的彩色人脸识别方法 | |
Narihira et al. | Learning lightness from human judgement on relative reflectance | |
CN105574475B (zh) | 一种基于共同向量词典的稀疏表示分类方法 | |
CN105608690B (zh) | 一种基于图论和半监督学习相结合的图像分割方法 | |
Abdi et al. | Multiple correspondence analysis | |
CN105740790B (zh) | 基于多核字典学习的彩色人脸识别方法 | |
CN104850890B (zh) | 基于实例学习和Sadowsky分布的卷积神经网络参数调整方法 | |
CN106529586A (zh) | 基于补充文本特征的图像分类方法 | |
CN110046583A (zh) | 基于半监督多视图增量字典学习的彩色人脸识别方法 | |
CN107798385A (zh) | 基于块张量分解的循环神经网络稀疏连接方法 | |
CN105844635A (zh) | 一种基于结构字典的稀疏表示深度图像重建算法 | |
Suo et al. | Group structured dirty dictionary learning for classification | |
CN107832786A (zh) | 一种基于字典学习的人脸识别分类方法 | |
CN106096660A (zh) | 基于独立成分分析算法的卷积神经网络 | |
CN106980809A (zh) | 一种基于asm的人脸特征点检测方法 | |
CN105740787B (zh) | 基于多核鉴别彩色空间的人脸识别方法 | |
CN114359603A (zh) | 一种多模态遥感图像领域自适应无监督匹配方法 | |
CN114170461A (zh) | 基于特征空间重整化的师生架构含噪声标签图像分类方法 | |
CN111488951A (zh) | 一种基于rgb-d图像分类问题的对抗度量学习算法 | |
CN104732204B (zh) | 基于彩色特征双重多核鉴别相关性分析的人脸识别方法 | |
CN107563334B (zh) | 基于鉴别线性表示保留投影的人脸识别方法 | |
CN105184285A (zh) | 直推式迁移组稀疏判别分析的跨姿态彩色图像表情识别 | |
CN107481221A (zh) | 基于纹理与卡通稀疏表示的全参考混合失真图像质量评价方法 | |
CN106960225A (zh) | 一种基于低秩监督的稀疏图像分类方法 | |
CN107506744A (zh) | 基于局部线性表示保留鉴别嵌入的人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |