基于极限学习机与子空间追踪的人脸识别算法

极限学习机（ELM）与稀疏表示分类（SRC）算法被广泛应用于人脸识别中。ELM学习速度快,但不能很好地处理噪声图像,SRC对噪声具有鲁棒性,但计算复杂度较高。针对上述2种算法的优缺点,利用子空间追踪算法求解稀疏系数,提出一种改进的人脸识别算法,从而达到高识别率与快速的识别效果。该算法根据测试样本的ELM实际输出向量判断是否为噪声图像,干净图像直接依据ELM输出向量进行分类,噪声图像采用子空间追踪算法结合SRC框架来分类。在扩展的Yale B和ORL人脸数据库上的实验结果表明,该算法不仅识别率高,且识别速度快。...

Full description

Saved in:
Bibliographic Details
Published in计算机工程 Vol. 42; no. 1; pp. 168 - 173
Main Author 张建明 刘阳春 吴宏林
Format Journal Article
LanguageChinese
Published 长沙理工大学计算机与通信工程学院,长沙,410114 2016
Subjects
人脸识别
子空间追踪
极限学习机
稀疏编码
稀疏表示
极限学习机
稀疏编码
子空间追踪
face recognition
Subspace Pursuit (SP)
人脸识别
sparse coding
稀疏表示
Extreme Learning Machine (ELM)
sparse representation
Online AccessGet full text
ISSN1000-3428
DOI10.3969/j.issn.1000-3428.2016.01.030

Cover

More Information
Summary:极限学习机（ELM）与稀疏表示分类（SRC）算法被广泛应用于人脸识别中。ELM学习速度快,但不能很好地处理噪声图像,SRC对噪声具有鲁棒性,但计算复杂度较高。针对上述2种算法的优缺点,利用子空间追踪算法求解稀疏系数,提出一种改进的人脸识别算法,从而达到高识别率与快速的识别效果。该算法根据测试样本的ELM实际输出向量判断是否为噪声图像,干净图像直接依据ELM输出向量进行分类,噪声图像采用子空间追踪算法结合SRC框架来分类。在扩展的Yale B和ORL人脸数据库上的实验结果表明,该算法不仅识别率高,且识别速度快。
Bibliography:31-1289/TP
ZHANG Jianming,LIU Yangchun,WU Honglin （ School of Computer ＆ Communication Engineering, Changsha University of Science ＆ Technology, Changsha 410114, China）
face recognition; Extreme Learning Machine（ELM）; sparse representation; sparse coding; Subspace Pursuit（SP）
Extreme Learning Machine（ELM） and Sparse Representation based Classification（SRC） algorithm are applied to face recognition widely.ELM has speed advantage while it can not handle noise well /whereas SRC shows significant robustness to noise while it suffers high computational cost.According to the advantages and disadvantages of two algorithms,this paper proposes a hybrid approach combining extreme learning machine and Subspace Pursuit（SP） for face recognition,which incorporates their respective advantages and uses subspace pursuit method to optimize solving sparse representation coefficients in SRC.According to the analysis of ELM actual output to estimate whether the test sample is a noisy image,clean image directly uses ELM actual output
ISSN:1000-3428
DOI:10.3969/j.issn.1000-3428.2016.01.030