基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法

计算机工程与科学

基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法

杨方方1，吴锡生1，顾标准2

（1.江南大学物联网工程学院，江苏无锡 214122；2.浙江大学计算机科学与技术学院，浙江杭州 310027）

收稿日期:2015-10-08 修回日期:2015-11-26 出版日期:2017-01-25 发布日期:2017-01-25
基金资助:
国家自然科学基金(61373055)；国家科技支撑计划(2012BAH70F02)；江苏省产学研联合创新资金(BY201301535)

A face recognition algorithm based on lowrank subspace

projection and Gabor feature via sparse representation

YANG Fangfang1,WU Xisheng1,GU Biaozhun2

(1.School of Internet of Things Engineering,Jiangnan University,Wuxi 214122;

2.School of Computer Science and Technology,Zhejiang University,Hangzhou 310027,China)

Received:2015-10-08 Revised:2015-11-26 Online:2017-01-25 Published:2017-01-25

摘要/Abstract

摘要：

目前的人脸识别算法常常忽视训练过程中噪声的影响，特别是在训练数据和待测数据都受到噪声污染的情况下，识别性能会明显下降。针对含有光照变化、伪装、遮挡及表情变化等较大噪声的人脸识别问题，提出了一种基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法。该算法首先通过低秩矩阵恢复算法得到训练样本的潜在低秩结构和稀疏误差结构；然后利用主成分分析法找到低秩结构的Gabor特征所在低秩子空间的变换矩阵；再通过变换矩阵将所有样本的Gabor特征向量投影到低秩子空间上，在该低秩子空间上使用稀疏表示分类算法进行最终的分类识别。在Extend Yale B和AR数据库上的实验表明，新算法具有较高的识别率和较强的抗干扰能力。

关键词: 人脸识别, 稀疏表示, 低秩矩阵恢复, Gabor特征提取, 低秩子空间投影

Abstract:

At present, face recognition algorithms often ignore the influence of noise in the training process, especially when the training data and the testing data are corrupted, so the recognition performance may be decreased significantly. To solve the problem of face recognition with illumination variation, occlusion, camouflage and expression variation, we propose a new face recognition algorithm based on lowrank subspace projection and Gabor feature via sparse representation. Firstly, we obtain the potential low rank structure and sparse error structure of training samples by the lowrank matrix recovery algorithm, and the transformation matrix of the Gabor feature of the low rank structure by using the principal component analysis. Then the Gabor feature vectors of training samples and testing samples are projected to the low rank subspace through the transformation matrix. Finally, we use sparse representation classification algorithm to perform classification and recognition in the low rank subspace. Experiments on the Extend Yale B and AR databases show that the proposed method has a high recognition rate and strong robustness.

Key words: face recognition, sparse representation, lowrank matrix recovery, Gabor feature extraction, lowrank subspace projection

杨方方1，吴锡生1，顾标准2. 基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法[J]. 计算机工程与科学.

YANG Fangfang1,WU Xisheng1,GU Biaozhun2.

A face recognition algorithm based on lowrank subspace

projection and Gabor feature via sparse representation

[J]. Computer Engineering & Science.

[1]	任拓, 闫玮, 况立群, 谢剑斌, 谌钟毓, 高峰, 郭锐, 束伟, 谢昌颐. 基于多对抗性鉴别网络的人脸活体检测[J]. 计算机工程与科学, 2023, 45(09): 1611-1620.
[2]	严春满, 张昱瑶, 张迪. 改进标签一致KSVD字典学习的人脸识别算法[J]. 计算机工程与科学, 2022, 44(02): 291-297.
[3]	张贵仓, 王静, 苏金凤. 改进稀疏表示与积化能量和的多聚焦图像融合[J]. 计算机工程与科学, 2022, 44(01): 124-131.
[4]	何选森, 徐丽, 夏娟 . 具有相似性传播的K-均值欠定盲分离算法[J]. 计算机工程与科学, 2021, 43(10): 1880-1890.
[5]	孙雨浩, 陶洋, 胡昊. 基于判别低秩矩阵恢复和协同表示的遮挡人脸识别[J]. 计算机工程与科学, 2020, 42(12): 2199-2207.
[6]	张丽霞, 曾广平, 宣兆成. NSST域下SPCNN与SR结合的多源图像融合[J]. 计算机工程与科学, 2020, 42(11): 2042-2049.
[7]	钟国韵,王檬檬,汪宇玲,常艳荣,吴忠粱. 旋转均值跳动特征及其在模糊人脸识别中的应用[J]. 计算机工程与科学, 2020, 42(03): 474-482.
[8]	冯璋，裴东,王维. 基于改进灰狼算法优化支持向量机的人脸识别[J]. 计算机工程与科学, 2019, 41(06): 1057-1063.
[9]	李燕,章玥. 基于随机投影与加权稀疏表示残差的光照鲁棒人脸识别方法[J]. 计算机工程与科学, 2018, 40(11): 2015-2022.
[10]	纪明君，刘漫丹，才乐千. 基于半监督LDA特征子空间优化的人脸识别算法[J]. 计算机工程与科学, 2018, 40(10): 1851-1857.
[11]	王威1,2，张佳娥1,2. 基于引导滤波和shearlet稀疏的遥感图像融合算法[J]. 计算机工程与科学, 2018, 40(08): 1453-1458.
[12]	张建明1,2，廖婷婷1,2，吴宏林1,2，刘宇凯1,2. 基于改进分数阶SVD的块协作表示的小样本人脸识别算法[J]. 计算机工程与科学, 2018, 40(07): 1237-1243.
[13]	王威1,2，张佳娥1,2. 基于引导滤波和shearlet稀疏的遥感图像融合算法[J]. 计算机工程与科学, 2018, 40(07): 1250-1255.
[14]	杨培1，高雷阜1，王江1，訾玲玲2. 基于稀疏表示与字典学习的彩色图像去噪算法[J]. 计算机工程与科学, 2018, 40(05): 842-848.
[15]	杜弘彦，王士同，李滔. 基于非线性距离和夹角组合的最近特征空间嵌入方法[J]. 计算机工程与科学, 2018, 40(05): 888-897.