计算机科学 ›› 2019, Vol. 46 ›› Issue (10): 307-310.doi: 10.11896/jsjkx.190300061

• 图形图像与模式识别 • 上一篇    下一篇

基于自适应加权子模式判别邻域投影的人脸识别方法

杨柳1, 陈丽敏1, 易玉根2   

  1. (牡丹江师范学院计算机与信息技术学院 黑龙江 牡丹江157012)1
    (江西师范大学软件学院 南昌 330022)2
  • 收稿日期:2019-03-15 修回日期:2019-05-22 出版日期:2019-10-15 发布日期:2019-10-21
  • 通讯作者: 杨柳(1969-),教授,硕士生导师,主要研究方向为信息检索、机器学习,E-mail:yshjl@126.com。
  • 作者简介:陈丽敏(1970-),博士,教授,硕士生导师,主要研究方向为数据挖掘、机器学习;易玉根(1986-),博士,讲师,主要研究方向为计算机视觉、图像处理、模式识别与机器学习。
  • 基金资助:
    本文受黑龙江省自然科学基金项目(LH2019F051)资助。

Face Recognition Method Based on Adaptively Weighted Sub-pattern Discriminant Neighborhood Projection

YANG Liu1, CHEN Li-min1, YI Yu-gen2   

  1. (School of Computer Science and Information Technology,Mudanjiang Normal University,Mudanjiang,Heilongjiang 157012,China)1
    (School of Software,Jiangxi Normal University,Nanchang 330022,China)2
  • Received:2019-03-15 Revised:2019-05-22 Online:2019-10-15 Published:2019-10-21

摘要: 人脸识别是图像处理和模式识别中的研究热点问题之一,对此,文中提出了一种基于自适应加权子模式判别邻域投影的人脸识别方法。该方法首先将人脸图像划分成较小的人脸图像块,并将相同位置的子图像构建成子模式集;其次,为了提高低维特征的判别能力,同时考虑数据的局部结构信息和类别标签信息,对于每个子模式集,构建一个局部判别邻域图;最后,考虑不同子模式集对人脸图像识别的贡献,引入一个非负权值向量结合所有子模式集的局部散度矩阵,以找出同幅人脸图像的不同子图像之间的互补信息。实验结果表明,相比于其他方法,所提方法的性能更优。

关键词: 人脸识别, 子模式, 自适应加权, 局部结构, 标签信息

Abstract: Face recognition is one of the hot topics in the image processing and pattern recognition,an adaptively weighted sub-pattern discriminant neighborhood projection method was proposed for face recognition.Firstly,the face images are divided into several small blocks,and the sub images with same position are used to construct the sub-pattern set.Then,in order to improve the discrimination ability of low dimensional features,the local data structure information and the label information of each sub pattern set are employed to construct a local discriminant neighborhood graph.Finally,for taking different contribution of different sub-pattern into account,a non negative weight vector is introduced to combine with the local scatter matrices of all sub-pattern sets,in order to find out the complementary information between different sub-image of the same faceimage.The experimental results show that the proposed method is superior to other methods.

Key words: Face recognition, Sub-pattern, Adaptive weighting, Local structure, Label information

中图分类号: 

  • TP391.4
[1]JAIN A K,LI S Z.Handbook of face recognition[M].New
York:Springer,2011.
[2]SUBBAN R,MANKAME D P.Human face recognition biometric techniques:analysis and review[M]//Recent Advances in Intelligent Informatics.Springer International Publishing,2014:455-463.
[3]ZOU J,JI Q,NAGY G.A comparative study of local matching approach for face recognition[J].IEEE Transactions on Image Processing,2007,16(10):2617-2628.
[4]YI Y,ZHANG B,KONG J,et al.An improved locality sensitive discriminant analysis approach for feature extraction[J].Multimedia Tools and Applications,2015,74(1):85-104.
[5]JOLLIFFE I.Principal component analysis[M].Berlin:John Wiley & Sons,Ltd,2002.
[6]CAO D,FU C Y,JIN G.Survey of Target Tracking Algorithms Based on Machine Learning[J].Computer Science,2016,43(12):1-7,35.(in Chinese)
曹东,付承毓,金钢.基于机器学习的目标跟踪算法研究综述[J].计算机科学,2016,43(12):1-7,35.
[7]HYVÄRINEN A,OJA E.Independent component analysis:al-gorithms and applications[J].Neural Networks,2000,13(4):411-430.
[8]LEE D D,SEUNG H S.Algorithms for non-negative matrix factorization[C]//Advances in Neural Information Processing Systems.2001:556-562.
[9]ROWEIS S T,SAUL L K.Nonlinear dimensionality reduction by locally linear embedding[J].Science,2000,290(5500):2323-2326.
[10]BELKIN M,NIYOGI P.Laplacian eigenmaps for dimensionality reduction and data representation[J].Neural Computation,2003,15(6):1373-1396.
[11]NIYOGI X.Locality preserving projections[C]//Neural Information Processing Systems.MIT,2004:153.
[12]ZHANG W,XUE X,LU H,et al.Discriminant neighborhood embedding for classification[J].Pattern Recognition,2006,39(11):2240-2243.
[13]FUKUNAGA K.Introduction to statistical pattern recognition[M].Salt Lake City:Academic Press,2013.
[14]ADINI Y,MOSES Y,ULLMAN S.Face recognition:The problem of compensating for changes in illumination direction[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19(7):721-732.
[15]GOTTUMUKKAL R,ASARI V K.An improved face recognition technique based on modular PCA approach[J].Pattern Reco-gnition Letters,2004,25(4):429-436.
[16]CHEN S,ZHU Y.Subpattern-based principle component analysis[J].Pattern Recognition,2004,37(5):1081-1083.
[17]TAN K,CHEN S.Adaptively weighted sub-pattern PCA for face recognition[J].Neurocomputing,2005,64(3):505-511.
[18]ZHU Y L.Sub-pattern non-negative matrix factorization based on random subspace for face recognition[C]//2007 International Conference on Wavelet Analysis and Pattern Recognition.IEEE,2007,3:1356-1360.
[19]WANG J,ZHANG B,WANG S,et al.An adaptively weighted sub-pattern locality preserving projection for face recognition[J].Journal of Network and Computer Applications,2010,33(3):323-332.
[20]BOYD S,VANDENBERGHE L.Convex optimization[M].Cambridge:Cambridge University Press,2004.
[21]MA J J.Uncorrelated Sparse Preserving Projection in the Application of Face Recognition.Journal of Chongqing University of Technology(Natural Science),2016, 30(7):129-134. (in Chinese)
马家军.不相关稀疏保留投影在人脸识别中的应用.重庆理工大学学报(自然科学),2016,30(7):129-134.
[22]ZHU Z G,HE M X. Gender discriminant model of face based on local feature and depth neural network. MACHINE TOOL &HYDRAULICS,2018,46(6):127-132,151.(in Chinese)
朱正国,何明星. 基于局部特征和深度神经网络的人脸性别判别模型研究.机床与液压,2018,46(6):127-132,151.
[23]LI P,BU J,CHEN C,et al.Relational multimanifold cocluste-ring[J].IEEE Transactions on Cybernetics,2013,43(6):1871-1881.
[1] 金堃, 陈少昌. 步态识别现状与发展[J]. 计算机科学, 2019, 46(6A): 30-34.
[2] 韩旭, 谌海云, 王溢, 许瑾. 基于SPCA和HOG的单样本人脸识别算法[J]. 计算机科学, 2019, 46(6A): 274-278.
[3] 陈晋音, 王桢, 陈劲聿, 陈治清, 郑海斌. 基于深度学习的智能教学系统的设计与研究[J]. 计算机科学, 2019, 46(6A): 550-554.
[4] 李梦潇, 姚仕元. 基于PCA的人脸识别系统的设计与改进[J]. 计算机科学, 2019, 46(6A): 577-579.
[5] 包晓安, 林晓东, 张娜, 徐璐, 吴彪. 应用色彩纹理特征的人脸防欺骗算法[J]. 计算机科学, 2019, 46(10): 180-185.
[6] 王燕, 王双印. 基于卷积神经网络的人脸信息增强识别研究[J]. 计算机科学, 2018, 45(8): 268-271.
[7] 王雪峤,齐华山,袁家政,梁爱华,孙力红. 二维Gabor特征与三维NP-3DHOG特征融合的人脸识别算法[J]. 计算机科学, 2018, 45(6A): 247-251.
[8] 娄雪, 闫德勤, 王博林, 王族. 一种改进的邻域保持嵌入算法[J]. 计算机科学, 2018, 45(6A): 255-258, 278.
[9] 李小薪,吴克宋,齐盼盼,周旋,刘志勇. 局部球面规范化嵌入:PCANet的一种改进方案[J]. 计算机科学, 2018, 45(5): 238-242, 249.
[10] 李小薪,李晶晶,贺霖,刘志勇. 基于噪声空间结构嵌入和高维梯度方向嵌入的鲁棒人脸识别方法[J]. 计算机科学, 2018, 45(4): 285-290.
[11] 卢涛,管英杰,潘兰兰,张彦铎. 基于低秩约束的极限学习机高效人脸识别算法[J]. 计算机科学, 2018, 45(3): 294-299.
[12] 高放,黄樟钦. 基于异构多核并行加速的嵌入式神经网络人脸识别方法[J]. 计算机科学, 2018, 45(3): 288-293.
[13] 张永,万鸣华. 广义的鉴别局部中值保持投影及人脸识别[J]. 计算机科学, 2018, 45(2): 90-93, 108.
[14] 张志禹, 刘思媛. 一种基于Curv-SAE特征融合的人脸降维和识别方法[J]. 计算机科学, 2018, 45(10): 267-271, 305.
[15] 王渐韬,赵丽,齐兴斌. 自适应三维形变模型结合流形分析的人脸识别方法[J]. 计算机科学, 2017, 44(Z6): 232-235, 239.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 孙启,金燕,何琨,徐凌轩. 用于求解混合车辆路径问题的混合进化算法[J]. 计算机科学, 2018, 45(4): 76 -82 .
[2] 刘琴. 计算机取证过程中基于约束的数据质量问题研究[J]. 计算机科学, 2018, 45(4): 169 -172 .
[3] 周燕萍,业巧林. 基于L1-范数距离的最小二乘对支持向量机[J]. 计算机科学, 2018, 45(4): 100 -105, 130 .
[4] 瞿中,赵从梅. 一种抗遮挡的自适应尺度目标跟踪算法[J]. 计算机科学, 2018, 45(4): 296 -300 .
[5] 戴文静, 袁家斌. 隐含子群问题的研究现状[J]. 计算机科学, 2018, 45(6): 1 -8 .
[6] 徐周波,张鵾,宁黎华,古天龙. 图编辑距离概述[J]. 计算机科学, 2018, 45(4): 11 -18 .
[7] 王正理,谢添,何琨,金燕. 考虑时间因素的0-1背包调度问题[J]. 计算机科学, 2018, 45(4): 53 -59 .
[8] 胡庆成, 张勇, 邢春晓. 基于有重叠社区划分的社会网络影响最大化方法研究[J]. 计算机科学, 2018, 45(6): 32 -35 .
[9] 王海燕,胡婷,王俊. 智慧警务系统在地市公安局的应用研究[J]. 计算机科学, 2018, 45(6A): 518 -522 .
[10] 刘景玮, 刘京菊, 陆余良, 杨斌, 朱凯龙. 基于网络攻防博弈模型的最优防御策略选取方法[J]. 计算机科学, 2018, 45(6): 117 -123 .