融合半监督降维与稀疏表示的人脸识别方法

陈丽霞; 范士勇; 刘鑫; 王虹; 李昆仑

doi:10.7510/jgjs.issn.1001-3806.2015.01.016

高级检索

ISSN 1001-3806CN 51-1125/TN 网站地图

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

融合半监督降维与稀疏表示的人脸识别方法

陈丽霞 , 范士勇 , 刘鑫 , 王虹 , 李昆仑

文章导航 > 激光技术 > 2015 > 39(1): 82-84

引用本文:

Citation:

融合半监督降维与稀疏表示的人脸识别方法

1.
河北大学电子信息工程学院, 保定 071002;
2.
河北大学计算中心, 保定 071002

作者简介: 陈丽霞(1982-),女,实验师,主要研究方向为图像处理和模式识别。E-mail:clx@hbu.edu.cn.

基金项目:
国家自然科学基金资助项目(61204079);河北省自然科学基金资助项目(F2013201170;F2013201196); 河北省科技厅软科学资助项目(12450328);河北大学2012年度实验室开放基金资助项目(2012027)
中图分类号:
TP391

Face recognition based on semi-supervised dimensionality reduction and sparse representation

1.
College of Electronic and Information Engineering, Hebei University, Baoding 071002, China;
2.
Computer Center, Hebei University, Baoding 071002, China
CLC number:
TP391

摘要: 由于人脸图像数据的维数都较高,将稀疏表示分类用于人脸识别时计算量很大,为了提高人脸识别系统的效率,提出了一种融合半监督降维和稀疏表示的人脸识别方法。首先利用半监督降维算法对图像进行降维处理,在较低的维数空间快速取得较高的识别率,然后利用稀疏表示分类进行人脸识别,取得比传统的最近邻分类器更高的识别率,最后在ORL人脸库上进行实验验证。结果表明,利用该融合算法可快速有效地提高人脸图像的识别效果。
- 图像处理 /
- 人脸识别 /
- 半监督降维 /
- 稀疏表示
Abstract: Because of high dimensions of face image data and large calculation of sparse representation classification for face recognition, in order to improve the efficiency of face recognition system, a new face recognition method based on semi-supervised dimensionality reduction(SSDR) and sparse representation (SR) was proposed. Firstly, SSDR algorithm was used to reduce the image dimensions and achieve higher recognition rate in the lower dimension space quickly. Secondly, SR classification can achieve a higher recognition rate than the nearest neighbor classification in face recognition. And then, the experimental verification was demonstrated on ORL face database. The results show that the fusion algorithm can improve the recognition performance of face images quickly and effectively.
- image processing /
- face recognition /
- semi-supervised dimensionality reduction /
- sparse representation

[1]	HUA G,YANG M S. Introduction to the special section on real word face recognition[J].Pattern Analysis and Machine Intelligence,2011,33(10): 1921-1924.
[2]	WRIGHT J,YANG A,GANESH A. Robust face recognition via sparse representation [J]. Pattern Analysis and Machine Intelligence, 2009,31(2): 210-227.
[3]	HUANG W L,YIN H J.On nonlinear dimensionality reduction for face recognition [J]. Image and Vision Computing,2012,30(4):355-366.
[4]	GAO Y,WANG F H,GUO Sh X.Application of improved wavelet transform algorithm in image fusion[J].Laser Technology,2013,37(5): 690-695(in Chinese).
[5]	CHEN Sh G, ZHANG D Q.Experimental comparisons of semi-supervised dimensional reduction methods[J]. Journal of Software,2011,22(1):28-43.
[6]	YAN S,BOUAZIZ S, LEE D W.Semi-supervised dimensionality reduction for analyzing high-dimensional data with constraints[J]. Neurocomputing,2012,76(1):114-124.
[7]	HUAN K K.Regularized marginal fisher analysis and sparse representation for face recognition[J]. Journal of Computer Applications, 2013,33(6):1723-1726(in Chinese).
[8]	GU X H.Visual perception and edge preserving illumination invariant face recognition[J].Acta Electronica Sinica,2013,41(8):1500-1504(in Chinese).
[9]	ZUO Y Y,GAO B.Robust hierarchical framework for image classification via sparse representation[J].Tsinghua Science and Technology,2011,1(1):13-21.
[10]	YANG M, ZHANG L, YANG J, et al.Metaface learning for sparse representation based face recognition[C]//2010 17th IEEE International Conference on Image Processing.New York,USA:IEEE,2010: 1601-1604.
[11]	HU H F.Orthogonal neighbourhood preserving discriminant analysis for face recognition[J].Pattern Recognition,2008,41(6):2045-2054.
[12]	TURK M, PENTLAND A. Eigen-faces for recognition [J]. Jounal of Cognitive Neuroscience,1991,3(1):71-86.

[1]	崔治 , 邓曙光 , 肖卫初 . 利用HSSIM和残差比阈值的3维激光扫描图像去噪. 激光技术, 2015, 39(5): 669-673. doi: 10.7510/jgjs.issn.1001-3806.2015.05.018
[2]	赵明华 , 游志胜 , 余静 , 熊运余 . 采用CASPCM模型进行姿势鲁棒性人脸识别. 激光技术, 2006, 30(4): 429-431,435.
[3]	刘直芳 , 游志胜 , 王运琼 . 基于PCA和ICA的人脸识别. 激光技术, 2004, 28(1): 78-81.
[4]	刘直芳 , 游志胜 , 张继平 . 基于RMFA-ICA的人脸识别. 激光技术, 2005, 29(6): 662-666.
[5]	冯玮 , 王玉德 , 张磊 . 加权联合降维的深度特征提取与分类识别算法. 激光技术, 2018, 42(5): 666-672. doi: 10.7510/jgjs.issn.1001-3806.2018.05.016
[6]	刘煊 , 渠慎明 . 低秩稀疏和改进SAM的高光谱图像误标签检测. 激光技术, 2022, 46(6): 808-816. doi: 10.7510/jgjs.issn.1001-3806.2022.06.016
[7]	吴家洲 , 刘君 , 施佳文 , 张胜 . 激光焊缝图像分割与颜色识别方法研究. 激光技术, 2023, 47(5): 723-728. doi: 10.7510/jgjs.issn.1001-3806.2023.05.022
[8]	李泽峰 , 欧阳八生 . 基于MFC+HALCON图像识别Mark圆的检测方法. 激光技术, 2020, 44(3): 358-363. doi: 10.7510/jgjs.issn.1001-3806.2020.03.016
[9]	张建波 , 杨恢先 , 周彤彤 , 谭正华 , 李淼 . 一种改进的2维Otsu红外图像分割法研究. 激光技术, 2014, 38(5): 713-717. doi: 10.7510/jgjs.issn.1001-3806.2014.05.029
[10]	向志聪 , 张程潇 , 白玉磊 , 赖文敬 , 王钦若 , 周延周 . 一种高分辨率3维图像的自适应降噪算法. 激光技术, 2015, 39(5): 697-701. doi: 10.7510/jgjs.issn.1001-3806.2015.05.024
[11]	李丽宏 , 华国光 . 基于改进遗传算法的最大2维熵图像分割. 激光技术, 2019, 43(1): 119-124. doi: 10.7510/jgjs.issn.1001-3806.2019.01.024
[12]	周娇 , 王力 , 陈小青 . 基于改进鲸鱼优化算法的最大2维熵图像分割. 激光技术, 2021, 45(3): 378-385. doi: 10.7510/jgjs.issn.1001-3806.2021.03.020
[13]	郑伟 , 李涵 , 安晓林 , 刘帅奇 , 张晓丹 , 马泽鹏 . 基于ShearLab 3D变换的3维PET/MRI图像融合. 激光技术, 2021, 45(1): 86-92. doi: 10.7510/jgjs.issn.1001-3806.2021.01.015
[14]	魏雪峰 , 刘晓 . 基于2维最大熵最佳阈值算法的图像分割研究. 激光技术, 2013, 37(4): 519-522. doi: 10.7510/jgjs.issn.1001-3806.2013.04.023
[15]	李文龙 , 戈海龙 , 任远 , 成巍 . 图像处理技术在激光熔池温度检测的应用. 激光技术, 2018, 42(5): 599-604. doi: 10.7510/jgjs.issn.1001-3806.2018.05.004
[16]	张海庄 , 姚梅 , 雷萍 , 李鹏 , 曾庆平 . 远场激光光斑图像处理方法研究. 激光技术, 2013, 37(4): 460-463. doi: 10.7510/jgjs.issn.1001-3806.2013.04.010
[17]	汤敏 , 王惠南 . 激光扫描共聚焦显微镜图像的计算机处理. 激光技术, 2007, 31(5): 558-560.
[18]	张羽鹏 , 王开福 . LabVIEW和MATLAB在电子散斑干涉图像处理中的应用. 激光技术, 2009, 33(6): 582-585,589. doi: 10.3969/j.issn.1001-3806.2009.06.007
[19]	冯煦 , 张瑞瑛 , 周萍 , 李松 . 大功率半导体线激光图像处理方法研究. 激光技术, 2010, 34(5): 624-627. doi: 10.3969/j.issn.1001-3806.2010.O5.013
[20]	顾国庆 , 王开福 , 燕新九 . 基于同态滤波的电子散斑干涉图像处理. 激光技术, 2010, 34(6): 750-752,797. doi: 10.3969/j.issn.1001-3806.2010.06.009

点击查看大图

计量

文章访问数: 3277
HTML全文浏览量: 780
PDF下载量: 571
被引次数: 0

融合半监督降维与稀疏表示的人脸识别方法

作者简介: 陈丽霞(1982-),女,实验师,主要研究方向为图像处理和模式识别。E-mail:clx@hbu.edu.cn

1. 河北大学电子信息工程学院, 保定 071002;
2. 河北大学计算中心, 保定 071002

收稿日期: 2014-01-02
录用日期: 2014-02-28
网络出版日期: 2015-01-25

基金项目: 国家自然科学基金资助项目(61204079);河北省自然科学基金资助项目(F2013201170;F2013201196); 河北省科技厅软科学资助项目(12450328);河北大学2012年度实验室开放基金资助项目(2012027)

关键词:

摘要: 由于人脸图像数据的维数都较高,将稀疏表示分类用于人脸识别时计算量很大,为了提高人脸识别系统的效率,提出了一种融合半监督降维和稀疏表示的人脸识别方法。首先利用半监督降维算法对图像进行降维处理,在较低的维数空间快速取得较高的识别率,然后利用稀疏表示分类进行人脸识别,取得比传统的最近邻分类器更高的识别率,最后在ORL人脸库上进行实验验证。结果表明,利用该融合算法可快速有效地提高人脸图像的识别效果。