稀疏编码算法改进及其在人脸识别中的应用

摘要

随着近年来稀疏编码得到了越来越广泛的关注，它在盲信号分离、特征提取、数据分类、视觉图像处理以及模式识别等领域得到了越来越多的应用。算法过程是将测试样本表示为训练样本的线性组合，然后用每一类样本对应的线性组合系数和训练样本乘积来重构测试样本，最终根据最近邻来归类测试样本。如何在模式识别等领域建造高效的稀疏编码模型成为亟待解决的问题，鉴于此，在国内外的大量研究工作的基础上，本文提出以下三种改进的稀疏编码识别算法，主要贡献和创新点如下:
　　Contourlet变换是一种真正意义上的多方向、多分辨、局域的多尺度几何图像表示方法，能够直接对二维图像进行预处理。所以在图像预处理阶段，本文使用Contourlet波变换对初始图像进行处理，得到原始图像的低频和高频特征，低频信息是原图像的平滑逼近，反映了姿态和表情的不变特征，包含了原图像的很大部分的信息量，同时四个方向的高频信息也包含非常丰富的特征，所以本文将低频分量与高频分量直接组合为一维向量，输入稀疏编码算法进行后续识别过程。也就是对图像进行快速特征提取，去除噪声和冗余，保留边缘等局部特征，同时减少数据量，这种特征提取方法与PCA相比，能够得到更好的判别特征，最终得到更高的识别率。
　　在稀疏编码与重构识别阶段，考虑到传统的稀疏编码中遇到的问题——编码系数很杂乱或者不能满足“稀疏性”的要求时，通常不能够正确的分类分别，本文提出了稀疏编码中的一种新的重构方法，称之为较大编码系数重构。具体方法是只选择其中较大的一部分编码系数参与样本的重构过程，相当于滤去了系数中大量的冗余信息，最终使得新产生的冗余误差负责重构过程。经大量实验验证，在人脸识别中，改进算法较原有的稀疏编码算法提高了识别率，提高了算法的识别性能与适用性。
　　在使用编码表示系数进行识别阶段，除了稀疏编码分类方法，其他的一些分类器在非线性和高维等方面分类优势明显，所以本文将稀疏编码与SVM分类器和BP神经网络分类器结合，提出稀疏表示系数为特征的分类器人脸识别方法，将稀疏表示系数作为特征输入上述两类分类器，取代直接读取传统的图像像素特征。也相当于用SVM和BP神经网络分类器取代稀疏编码算法中重构识别阶段的最近邻分类方法，使整个算法兼具多类分类器的优点，具有更好的自适应性。