融合字典学习的小样本人脸鉴别

狄 岚，矫慧文，梁久祯

1(江南大学 人工智能与计算机学院，江苏 无锡 214122) 2(道路交通安全公安部重点实验室，江苏 无锡 214151) 3(常州大学 信息科学与工程学院，江苏 常州 213164)

1 引 言

近年来，基于稀疏表示的图像算法根据训练时有无训练标签可划分为有监督和无监督两大类.典型的无监督稀疏表示算法[1]，具有快速求解高维矩阵的优点，适用于图像压缩和图像重建、图像去噪[2]；而有监督的稀疏表示算法如SRC[3](Sparse Representation Based Classification)算法假定每一测试数据皆可由该类训练数据重构，率先将稀疏表示与人脸分类[4,5]思想结合.其后，众多字典学习算法在SRC算法基础上进行改进并应用在人脸鉴别领域.

迄今字典学习算法根据习得字典的特性可分为共享字典[6-8]、类别特色字典[9-11]、混合字典[12-14]3种.在共享字典学习中，字典被所有类别的数据共享，无法保证类原子和训练标签的关联性，因而基于共享字典的分类器无法依据重构误差分类，大大削弱分类准确性.

类别特色字典利用重构误差分类，每个字典原子对应一个类标签.Zhang等人[15]在SRC算法基础上提出CRC算法，通过对范数的求解提升运行效率，Dong[16]等人提出双字典和误差协同表示分类方法.Cai等人[17]提出SVGDL算法，自适应地确定每个编码向量对的权重，在训练样本不充分时可以取得较好的分类效果.Yang等人[18]提出Fisher判别字典学习(Fisher discrimination dictionary learning,FDDL)，在保证字典识别力的同时，利用Fisher准则约束稀疏编码，分类时同时依据字典重构误差和稀疏编码分类，提高分类准确性.2018年，Wang等[19]在FDDL算法……