结合小波变换和稀疏表征的鲁棒人脸识别

J4 ›› 2012, Vol. 34 ›› Issue (12): 130-133.

结合小波变换和稀疏表征的鲁棒人脸识别

罗敏1，郑明辉2

（1.湖北民族学院理学院，湖北恩施 445000；2.湖北民族学院信息工程学院，湖北恩施 445000)

收稿日期:2012-07-05 修回日期:2012-09-25 出版日期:2012-12-25 发布日期:2012-12-25
基金资助:
湖北省自然科学基金资助项目（2012FFC023）；湖北省教育厅创新团队项目（T201214）

Robust Face Recognition Based on Wavelet Transform and Sparse Representation

LUO Min1,ZHENG Minghui2

（1.College of Science,Hubei University for Nationalities,Enshi 445000；2.College of Information Engineering,Hubei University for Nationalities,Enshi 445000,China）

Received:2012-07-05 Revised:2012-09-25 Online:2012-12-25 Published:2012-12-25

摘要/Abstract

摘要：

在人脸识别中，如何消除光照、表情、遮挡等不利因素的影响，提高识别的鲁棒性是当前急需解决的热点研究问题。本文提出了一种基于小波变换和稀疏表征的鲁棒人脸识别方法，首先对人脸图像进行小波变换，将变换得到的4个子带LL、LH、HL、HH作为基函数构成字典；然后将测试图像的LL子带在字典上稀疏分解；最后依据重构残差最小原则进行分类识别。在Yale人脸库上的实验结果表明该方法性能优于对比方法。

关键词: 人脸识别, 小波变换, 稀疏表征, 正交匹配追踪, 压缩感知, 鲁棒性

Abstract:

It is currently a hot research topic that how to improve the robustness of the face recognition and reduce the influence of light,expression and occlusion. A robust face recognition method combining sparse representation and wavelet transform is proposed in this paper. Firstly, the original images are decomposed into four subband images（LL、LH、HL、HH）by applying wavelet transform，and the four different band images are chosen as basic functions to construct the dictionary.Secondly,the subband LL of testing images is decomposed sparsely. Finally, the classifier based minimal reconstruction error is used for identification. The experiment result on Yale face databases shows this method is better than the comparative method.

Key words: face recognition;wavelet transform;sparse representation;orthogonal matching pursuit;compressed sensing;robustness

罗敏1，郑明辉2. 结合小波变换和稀疏表征的鲁棒人脸识别[J]. J4, 2012, 34(12): 130-133.

LUO Min1,ZHENG Minghui2. Robust Face Recognition Based on Wavelet Transform and Sparse Representation[J]. J4, 2012, 34(12): 130-133.

[1]	赵雪妍, 张钊, 贾静雯, 周红艳, 陈雪波. 基于双混沌系统的双随机相位编码和压缩感知的图像加密算法[J]. 计算机工程与科学, 2025, 47(05): 885-893.
[2]	王煜恒, 刘强, 伍晓洁. RCGNN：图注入攻击下的图神经网络鲁棒性认证方法[J]. 计算机工程与科学, 2025, 47(03): 434-447.
[3]	徐雯, 于瓅. 基于迭代收缩阈值与深度学习的压缩感知图像重构网络[J]. 计算机工程与科学, 2025, 47(03): 485-493.
[4]	许天佑, 高光勇. 基于可逆生成对抗网络的鲁棒图像隐藏[J]. 计算机工程与科学, 2025, 47(02): 288-297.
[5]	于恒彪, 易昕, 李胜国, 李发, 姜浩, 黄春. 一种基于浮点误差分析的混合精度鲁棒性提升方法[J]. 计算机工程与科学, 2024, 46(11): 1924-1930.
[6]	李名, 信鑫. 基于同态加的压缩感知加密域信息隐藏算法[J]. 计算机工程与科学, 2024, 46(09): 1598-1605.
[7]	王斐斐, 贲可荣, 张献. 基于领域知识的语音识别鲁棒性增强技术研究[J]. 计算机工程与科学, 2023, 45(12): 2155-2164.
[8]	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.
[9]	邓文博, 刘帅, 刘福才, 黄茹楠. 基于压缩感知和DNA编码的图像加密算法[J]. 计算机工程与科学, 2022, 44(09): 1574-1582.
[10]	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.
[11]	徐景秀, 张青. 改进小波软阈值函数在图像去噪中的研究应用[J]. 计算机工程与科学, 2022, 44(01): 92-101.
[12]	李伟岸, 熊祥光, 夏道勋. 基于Schur分解和混沌置乱的彩色图像鲁棒水印算法[J]. 计算机工程与科学, 2021, 43(07): 1243-1249.
[13]	董霙达, 张成涛, 多化琼, 杜豫怡. 基于加权变换的蒙古族家具纹样增强研究[J]. 计算机工程与科学, 2021, 43(06): 1047-1051.
[14]	郭媛, 王充, 杜松英. 基于广义变参Fibonacci混沌系统的压缩感知测量矩阵构造算法[J]. 计算机工程与科学, 2021, 43(03): 503-510.
[15]	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.