稀疏編碼算法改進(jìn)及其在人臉識(shí)別中的應(yīng)用.pdf

1、隨著近年來(lái)稀疏編碼得到了越來(lái)越廣泛的關(guān)注，它在盲信號(hào)分離、特征提取、數(shù)據(jù)分類(lèi)、視覺(jué)圖像處理以及模式識(shí)別等領(lǐng)域得到了越來(lái)越多的應(yīng)用。算法過(guò)程是將測(cè)試樣本表示為訓(xùn)練樣本的線性組合，然后用每一類(lèi)樣本對(duì)應(yīng)的線性組合系數(shù)和訓(xùn)練樣本乘積來(lái)重構(gòu)測(cè)試樣本，最終根據(jù)最近鄰來(lái)歸類(lèi)測(cè)試樣本。如何在模式識(shí)別等領(lǐng)域建造高效的稀疏編碼模型成為亟待解決的問(wèn)題，鑒于此，在國(guó)內(nèi)外的大量研究工作的基礎(chǔ)上，本文提出以下三種改進(jìn)的稀疏編碼識(shí)別算法，主要貢獻(xiàn)和創(chuàng)新點(diǎn)如下:

2、>　　Contourlet變換是一種真正意義上的多方向、多分辨、局域的多尺度幾何圖像表示方法，能夠直接對(duì)二維圖像進(jìn)行預(yù)處理。所以在圖像預(yù)處理階段，本文使用Contourlet波變換對(duì)初始圖像進(jìn)行處理，得到原始圖像的低頻和高頻特征，低頻信息是原圖像的平滑逼近，反映了姿態(tài)和表情的不變特征，包含了原圖像的很大部分的信息量，同時(shí)四個(gè)方向的高頻信息也包含非常豐富的特征，所以本文將低頻分量與高頻分量直接組合為一維向量，輸入稀疏編碼算法進(jìn)行后續(xù)識(shí)別過(guò)

3、程。也就是對(duì)圖像進(jìn)行快速特征提取，去除噪聲和冗余，保留邊緣等局部特征，同時(shí)減少數(shù)據(jù)量，這種特征提取方法與PCA相比，能夠得到更好的判別特征，最終得到更高的識(shí)別率。
　　在稀疏編碼與重構(gòu)識(shí)別階段，考慮到傳統(tǒng)的稀疏編碼中遇到的問(wèn)題——編碼系數(shù)很雜亂或者不能滿(mǎn)足“稀疏性”的要求時(shí)，通常不能夠正確的分類(lèi)分別，本文提出了稀疏編碼中的一種新的重構(gòu)方法，稱(chēng)之為較大編碼系數(shù)重構(gòu)。具體方法是只選擇其中較大的一部分編碼系數(shù)參與樣本的重構(gòu)過(guò)程，相當(dāng)于濾

4、去了系數(shù)中大量的冗余信息，最終使得新產(chǎn)生的冗余誤差負(fù)責(zé)重構(gòu)過(guò)程。經(jīng)大量實(shí)驗(yàn)驗(yàn)證，在人臉識(shí)別中，改進(jìn)算法較原有的稀疏編碼算法提高了識(shí)別率，提高了算法的識(shí)別性能與適用性。
　　在使用編碼表示系數(shù)進(jìn)行識(shí)別階段，除了稀疏編碼分類(lèi)方法，其他的一些分類(lèi)器在非線性和高維等方面分類(lèi)優(yōu)勢(shì)明顯，所以本文將稀疏編碼與SVM分類(lèi)器和BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器結(jié)合，提出稀疏表示系數(shù)為特征的分類(lèi)器人臉識(shí)別方法，將稀疏表示系數(shù)作為特征輸入上述兩類(lèi)分類(lèi)器，取代直接讀取傳