摘要
针对稀疏表示分类(sparse representation-based classification,SRC)算法在噪声、遮挡或者光照变化等情况下面部图像识别率较差的问题,对S RC模型进行算法优化,将L 1损失函数替代L2损失函数用以求解稀疏解,并且采用L 1范数和L2范数对L 1损失函数最小化问题进行正则化.在3个具有挑战性的人脸数据集中挑选不同的光照、表情和遮挡条件时的人脸图像,并适当地加入噪声,分析在不同数据条件下S RC优化模型的性能,进而研究正则化参数在数据样本与稀疏性之间的修正关系.实验结果表明:所提出的两种S RC优化模型在不同的数据库和样本间具有不一样的性能,L1损失函数与L1正则化的组合在噪声条件时表现突出,L1损失函数与L2正则化的组合在遮挡条件下具有更高的鲁棒性.
基金项目
国家自然科学基金资助项目(61702065)
四川省教育信息化应用与发展研究中心项目(JYXX18-030)
国家科技期刊平台
NSTL
万方数据