探讨了一种基于低秩矩阵恢复的字典优化设计,结合分块相似性嵌入稀疏编码,采用图像非重叠分块进行人脸关键部位图像子块的获取,对图像相应子块的最大相似值进行训练、测试,并对图像间相似性进行评估,同时将其嵌入稀疏编码中,使人脸图像识别匹配得到实现。测试表明,与PWSRC相比,采用低秩矩阵,对LR_PWSRC恢复进行字典优化设计,能有效的对表情、光照等细节的干扰因素进行规避,对非重叠分块对遮挡加以抑制,对人脸特征表达进行很好的优化。 表示在第i个类中，由第j个训练图像扩成的m维列向量，训练图像总个数用n=∑ci=1ni表示，对训练字典D进行低秩分解，从而可使稀疏误差矩阵E∈Ｒm×n和低秩矩阵A∈Ｒm×n得到有效恢复，其中A的训练样本图像相对干净，且服从低秩子空间结构，E表示在训练样本中，图像的表情、光照、污损、遮挡/伪装等误差成分。图1低秩矩阵恢复过程图例编码分类有一定弊端存在。因而，在人脸特征优化表达和训练字典基础上人脸识别稀疏表示-电动折弯机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机，若进一步将稀疏编码稳健性提升，则需对有效位置结构信息进行寻求。基于分类决策，根据PWSＲC算法， 本文由公司网站网站采  转摘采集转载中国知网整理!  http://www.kuoguanji168.com/通过改进的位置先验信息，采用非重叠分块方式对判别能力较强的人脸局部特征进行寻找，由测试样本和训练样本对应分块的最大相似性对图像间的位置关系进行衡量，进而将稀疏编码嵌入，从而使人脸图像分类得到实现。图2为基于版别式低秩矩阵字典优化设计的稀疏表示分类算法(LＲ_PWSＲC)的流程框图。图2LＲ_PWSＲC算法流程图4实验结果及分析为对LＲ_PWSＲC算法的可行性进行验证，实验选取包含表情、光照、遮挡/伪装等干扰成分的人脸训练字典。采用训练库参数设置，分为训练样本包含围巾遮挡、训练图像包含眼镜遮挡等情况。本研究通过图3，对四分块、六分块、八分块、十二分块的图像分块影响人脸识别率的程度进行了分析。设λ=0．001为正则化参数，在低秩矩阵恢复中，通过训练字典的维度m，n，对参数τ进行确定，其取值为τ=1/max(m，)槡n。图3不同分块模式下LＲ_PWSＲC的识别性能图3为不同分块模式下LＲ_PWSＲC的识别性能，由图3知，在LＲ_PWSＲC算法中，分块相似性嵌入稀疏编码框架，发挥的作用非常重要。识别率随着分块数目的增加先增长后缓慢减弱，在LＲ_PWS-ＲC算法中，可对理想分块数(4×2分块)的选择进行确定。图4不同遮挡训练环境的识别性能比较(下转第16页)人脸识别稀疏表示-电动折弯机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机 本文由公司网站网站采  转摘采集转载中国知网整理!  http://www.kuoguanji168.com/