基于低秩约束的极限学习机高效人脸识别算法
复杂应用场景中,光照变化、遮挡和噪声等干扰使得将像素特征作为相似性度量的识别算法的图像类内差大于类间差,降低了人脸识别性能.针对这一问题,提出了一种低秩约束的极限学习机鲁棒性人脸识别算法,提升了复杂场景下的识别性能.首先,利用人脸图像分布的子空间线性假设,将待识别图像聚类到相对应的样本子空间;其次,将像素域分解为低秩特征子空间和稀疏误差子空间,依据图像子空间的低秩性对噪声鲁棒的原理,提取人脸图像的低秩结构特征训练极限学习机的前向网络;最后,实现对噪声干扰鲁棒的极限学习机人脸识别算法.实验结果表明,相比前沿的人脸识别算法,所提方法不仅识别精度高、算法时间复杂度低,且具有较好的实用性.
人脸识别、噪声鲁棒特性、低秩矩阵恢复、极限学习机
45
TP37(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金;湖北省自然科学基金;湖北省自然科学基金;湖北省自然科学基金;湖北省自然科学基金;湖北省自然科学基金;武汉工程大学科研项目
2018-05-11(万方平台首次上网日期,不代表论文的发表时间)
共6页
294-299