توضیحات
ABSTRACT
Sparse-representation based classification (SRC) has been showing a good performance for face recognition in recent years. But SRC is not good at face recognition with low quality images (e.g., disguised, corrupted, occluded, and so on) which often appear in practical applications. To solve the problem, in this paper, we propose a novel SRC based method for face recognition with low quality images named sparse low-rank component based representation (SLCR). In SLCR, we utilize low-rank matrix recovery on the training dataset to obtain low-rank components and non-low-rank components, which are used to construct the dictionary. The new dictionary is capable of describing facial feature better, especially for low quality face samples. Furthermore, the minimum class-wise reconstruction residual is used as the recognition rule, leading to a substantial improvement on the proposed SLCR’s performance. Extensive experiments on benchmark face databases demonstrate that the proposed method is consistently superior to other sparse-representation based approaches for face recognition with low quality images.
INTRODUCTION
Fmethod due to its huge application potential in the ACE recognition has been the most popular biometric past decades . Sufficient and favourable training samples guarantee a good feature representation for describing the characteristics of an individual’s face. However, in the real world, the image of each person is often disguised, corrupted or occluded. Therefore, face recognition with low quality images is more challenging than the one with sufficient and favourable images. This paper focuses on the task of face recognition with low quality images. The effectiveness of feature extraction is important for face recognition. Principal component analysis (PCA) is a common technique for dimensionality reduction. In addition, there are other methods such as linear discriminant analysis (LDA) , probabilistic subspace learning and locality preservation (Laplacianface) and so on. However, it is a difficult task for these methods to solve outliers or sparse noise . To alleviate this problem, some methods on robust PCA have been proposed . Among them, low-rank matrix recovery (LR) is a key technique, which can separate corrupted information from the training face images better than PCA. Accordingly, lowrank components obtained by LR would better serve the classification purpose.
چکیده
طبقه بندی مبتنی بر نمایندگی Sparse (SRC) عملکرد خوبی برای تشخیص چهره در سال های اخیر نشان داده است. اما SRC در تشخیص چهره با تصاویر با کیفیت پایین (مثلا مخفی شده، خراب، انسداد و غیره) که اغلب در برنامه های کاربردی کاربردی ظاهر می شود، خوب نیست. برای حل این مشکل، در این مقاله، یک روش مبتنی بر SRC جدید برای تشخیص چهره با تصاویر با کیفیت پایین به نام نمایه مبتنی بر کمیته کمینه (SLCR) پیشنهاد می شود. در SLCR ما با استفاده از بازیابی ماتریس کم رتبه در مجموعه داده های آموزشی برای به دست آوردن اجزای کم رتبه و اجزای غیر رتبه پایین، که برای ساخت فرهنگ لغت استفاده می شود. فرهنگ لغت جدید قادر به توصیف ویژگی چهره بهتر است، به ویژه برای نمونه های با کیفیت پایین صورت. علاوه بر این، باقی مانده بازنشستگی حداقل کلاس به عنوان قانون به رسمیت شناخته شده، منجر به بهبود قابل توجهی در عملکرد SLCR پیشنهاد شده است. آزمایش های گسترده بر روی پایگاه داده های چهره معیار نشان می دهد که روش پیشنهادی به طور پیوسته نسبت به سایر رویکردهای مبتنی بر نمایندگی خرده مقیاس برای تشخیص چهره با تصاویر با کیفیت پایین برتر است.
مقدمه
Fmethod به دلیل پتانسیل کاربرد وسیع آن در تشخیص ACE محبوب ترین بیومتریک دهه های گذشته بوده است. نمونه های مناسب و مناسب آموزشی، ارائه یک ویژگی خوب برای توصیف ویژگی های یک فرد را تضمین می کند. با این حال، در دنیای واقعی، تصویر هر شخص اغلب مبدل، خراب یا انسداد می شود. بنابراین تشخیص چهره با تصاویر با کیفیت پایین چالش برانگیزتر از آن است که تصاویر کافی و مطلوب داشته باشند. این مقاله بر روی وظیفه تشخیص چهره با تصاویر با کیفیت پایین تمرکز دارد. اثربخشی استخراج ویژگی برای تشخیص چهره مهم است. تجزیه و تحلیل مولفه اصلی (PCA) یک روش معمول برای کاهش ابعاد است. علاوه بر این، روش های دیگری همچون تجزیه تحلیل خطی (LDA)، یادگیری زیر فضای احتمالی و حفاظت از محل (Laplacianface) و غیره وجود دارد. با این حال، این کار برای انجام این روش ها برای رفع ناپایدارها یا نویز نازک است. برای مقابله با این مشکل، برخی از روش های PCA قوی پیشنهاد شده است. در میان آنها، بازیابی ماتریس با رتبه پایین (LR) یک روش کلیدی است که می تواند اطلاعات خراب شده را از تصاویر چهره آموزش بهتر از PCA جدا کند. بر این اساس، اجزای کمرنگ به دست آمده از LR بهتر می توانند هدف طبقه بندی قرار گیرند.
Year: 2019
Publisher : IEEE
By : Shicheng Yang, Le Zhang, Lianghua He, and Ying Wen
File Information: English Language/ 11 Page / size: 7.69 MB
سال : 1397
ناشر : IEEE
کاری از : شیشنگ یانگ، لو ژانگ، لیانگ هوا و یینگ ون
اطلاعات فایل : زبان انگلیسی / 11 صفحه / حجم : MB 7.69
نقد و بررسیها
هنوز بررسیای ثبت نشده است.