李爭名　楊南粵

摘要：為了提高基于字典學(xué)習(xí)的人臉識(shí)別算法的性能，提出面向測(cè)試人臉樣本的局部特征約束字典學(xué)習(xí)算法。首先，利用測(cè)試人臉樣本從訓(xùn)練人臉樣本集合中選擇部分訓(xùn)練人臉樣本，并利用其為每個(gè)測(cè)試人臉樣本學(xué)習(xí)一個(gè)字典。其次，利用字典中的原子構(gòu)造基于局部特征約束的判別式項(xiàng)，增強(qiáng)字典的判別性能。在LFW和FEKET兩個(gè)人臉數(shù)據(jù)庫中，實(shí)驗(yàn)結(jié)果表明提出的算法比五個(gè)稀疏編碼和字典學(xué)習(xí)算法獲得更好的分類性能。

關(guān)鍵詞：字典學(xué)習(xí)；人臉識(shí)別；稀疏編碼；協(xié)作表示；局部約束

1.概述

字典學(xué)習(xí)是稀疏理論中的一個(gè)重要的研究方向，其主要目的是利用一定的策略獲得訓(xùn)練樣本的最優(yōu)表示，在人臉識(shí)別等領(lǐng)域中取得了較好的性能。在基于字典學(xué)習(xí)的人臉識(shí)別算法中，首先利用訓(xùn)練人臉樣本集合學(xué)習(xí)一個(gè)或多個(gè)字典，然后利用字典對(duì)測(cè)試人臉樣本進(jìn)行稀疏表示，并根據(jù)表示結(jié)果對(duì)測(cè)試人臉樣本進(jìn)行分類。雖然從訓(xùn)練人臉樣本集合中學(xué)習(xí)字典能夠較好地重構(gòu)訓(xùn)練人臉樣本，但是在字典學(xué)習(xí)過程中忽略了測(cè)試人臉樣本，學(xué)習(xí)得到的字典并不一定是測(cè)試人臉樣本的最優(yōu)表示，降低了字典的判別性能。為了解決上述問題，李提出面向測(cè)試樣本的字典學(xué)習(xí)算法，把測(cè)試樣本的協(xié)作表示模型加入到字典學(xué)習(xí)模型中，為每個(gè)測(cè)試樣本學(xué)習(xí)一個(gè)字典，并利用該字典對(duì)測(cè)試樣本進(jìn)行分類，提高了字典的分類性能。但是該算法沒有考慮訓(xùn)練樣本與測(cè)試樣本間的關(guān)系，而且在字典學(xué)習(xí)過程中忽略了訓(xùn)練樣本間的特征，也在一定程度上降低了字典的判別性能。此外，在字典學(xué)習(xí)過程中，訓(xùn)練樣本中的每個(gè)樣本并不一定對(duì)字典的學(xué)習(xí)起正面作用，甚至可能對(duì)字典的學(xué)習(xí)起副作用。因此，為每個(gè)測(cè)試樣本學(xué)習(xí)一個(gè)具有較強(qiáng)判別性能的字典對(duì)于提高基于字典學(xué)習(xí)的人臉識(shí)別算法的分類性能具有重要研究意義。

為此，本文提出面向測(cè)試人臉樣本的局部特征約束的字典學(xué)習(xí)算法。首先，利用訓(xùn)練人臉樣本線性表示測(cè)試人臉樣本，并根據(jù)表示結(jié)果從訓(xùn)練人臉樣本集合中選擇對(duì)測(cè)試人臉樣本貢獻(xiàn)最大的K個(gè)訓(xùn)練人臉樣本；然后，利用選擇的K個(gè)訓(xùn)練人臉樣本為測(cè)試人臉樣本學(xué)習(xí)一個(gè)字典，使得該字典是測(cè)試人臉樣本的最優(yōu)表示。為了進(jìn)一步增強(qiáng)字典的判別性能，構(gòu)造基于原子局部特征約束的判別式模型，使其不僅能夠繼承訓(xùn)練人臉樣本的結(jié)構(gòu)特征，還能保持原子間的結(jié)構(gòu)特征，促使字典能夠更好地表示測(cè)試人臉樣本，增強(qiáng)基于字典學(xué)習(xí)的人臉識(shí)別算法的分類性能。