稀疏編碼算法改進及其在人臉識別中的應用.pdf

1、隨著近年來稀疏編碼得到了越來越廣泛的關注，它在盲信號分離、特征提取、數據分類、視覺圖像處理以及模式識別等領域得到了越來越多的應用。算法過程是將測試樣本表示為訓練樣本的線性組合，然后用每一類樣本對應的線性組合系數和訓練樣本乘積來重構測試樣本，最終根據最近鄰來歸類測試樣本。如何在模式識別等領域建造高效的稀疏編碼模型成為亟待解決的問題，鑒于此，在國內外的大量研究工作的基礎上，本文提出以下三種改進的稀疏編碼識別算法，主要貢獻和創(chuàng)新點如下:

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，能夠直接對二維圖像進行預處理。所以在圖像預處理階段，本文使用Contourlet波變換對初始圖像進行處理，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，同時四個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行后續(xù)識別過

3、程。也就是對圖像進行快速特征提取，去除噪聲和冗余，保留邊緣等局部特征，同時減少數據量，這種特征提取方法與PCA相比，能夠得到更好的判別特征，最終得到更高的識別率。
　　在稀疏編碼與重構識別階段，考慮到傳統(tǒng)的稀疏編碼中遇到的問題——編碼系數很雜亂或者不能滿足“稀疏性”的要求時，通常不能夠正確的分類分別，本文提出了稀疏編碼中的一種新的重構方法，稱之為較大編碼系數重構。具體方法是只選擇其中較大的一部分編碼系數參與樣本的重構過程，相當于濾

4、去了系數中大量的冗余信息，最終使得新產生的冗余誤差負責重構過程。經大量實驗驗證，在人臉識別中，改進算法較原有的稀疏編碼算法提高了識別率，提高了算法的識別性能與適用性。
　　在使用編碼表示系數進行識別階段，除了稀疏編碼分類方法，其他的一些分類器在非線性和高維等方面分類優(yōu)勢明顯，所以本文將稀疏編碼與SVM分類器和BP神經網絡分類器結合，提出稀疏表示系數為特征的分類器人臉識別方法，將稀疏表示系數作為特征輸入上述兩類分類器，取代直接讀取傳