多稀疏表示分类器决策融合的人脸识别

唐彪，金炜，符冉迪，龚飞

（宁波大学信息科学与工程学院，浙江 宁波 315211）

1 引言

人脸识别是模式识别领域中最富挑战性的研究课题之一，它在公共安全、身份验证和视频监控等领域有着广阔的应用[1,2]。光照、表情和遮挡等复杂变化是人脸识别中的瓶颈，赵鑫等人[3]使用主成分分析（principal component analysis，PCA）构造正交投影空间，然后将人脸样本进行投影，提取人脸的主要特征。张健等人[4]利用 Fisher线性判别分析（linear discriminant analysis，LDA），通过类内与类间散度矩阵来刻画人脸样本之间的差异，并将人脸样本在Fisher空间上进行投影，最终通过距离度量Fisher空间上的投影特征来判断人脸的类别。Wright等人[5]提出基于稀疏表示（sparse representation classification，SRC）的人脸识别，用训练样本来训练字典和稀疏系数，然后通过计算残差的方法进行分类。张勇等人[6]采用线性判别分析算法求解最优判别投影子空间，把训练样本投影到该子空间来提取相应的特征，通过稀疏表示的方法训练字典，最后重构残差来实现人脸识别（LDA-SRC）。Yang等人[7]提出一种结合 Gabor特征的稀疏表示人脸识别的方法（GSRC），通过提取人脸的 Gabor特征，并对其Gabor特征进行稀疏表示，相对于整体特征而言，它对表情、光照等变化更加顽健，能够较好地提高人脸识别的准确率。后来一系列基于稀疏表示的改进的方法不断被提出[8,9]，但是这些算法在复杂的环境中顽健性欠佳。

本文在传统特征提取和其他改进稀疏表示的人脸识别基础上，提出一种多稀疏表示分类器决策融合的人脸识别方法。首先提取人脸……