文档详情

基于稀疏表示的代价敏感性人脸识别算法研究-模式识别与智能系统专业论文.docx

发布:2019-03-27约5.19万字共62页下载文档
文本预览下载声明
南 京 邮 电 大 学 硕士学位论文摘要 学科、专业 : 模式识别与智能系统 研 究 方 向: 生物特征识别 作 者: 满 江 月 指 导 教 师: 荆 晓 远 题 目: 基于稀疏表示的代价敏感性人脸识别算法研究 英 文 题 目: Cost-Sensitive Learning Based on Sparse Representation for Face Recognition 主 题 词: 代价敏感性学习,稀疏表示,代价敏感性分类器, 特征提取,人脸识别 Keywords : Cost-Sensitive learning, Sparse representation, Cost-Sensitive classifier, Feature extraction, Face recognition 南京邮电大学硕士研究生学位论文摘要 南京邮电大学硕士研究生学位论文 摘要 - - I - 摘 要 作为研究热点之一,稀疏表示技术在人脸识别领域已经取得了一定的成功。尽管现有的 基于稀疏表示的算法能够取得较高的分类识别率,它们都假设所有错误分类引起的代价是一 样的。然而,在很多实际应用中,不同的错误分类引起的代价是不同的。基于这点考虑,本 文提出了两种基于稀疏表示的代价敏感性人脸识别算法。 我们首先提出了一种基于稀疏表示的代价敏感性分类器(SRCSC)。SRCSC 方法用稀疏表 示的概率模型估计待识别样本的后验概率,并分别计算所有可能分类的总体错分代价,最小 的总体代价对应的类别为方法的预测类别。SRCSC 方法的主要贡献是将稀疏表示技术扩展到 代价敏感性分类器中,充分利用了稀疏表示技术和代价敏感性技术的特点。 我们接着提出了一种代价敏感的稀疏保持投影方法(CSSPP)。CSSPP 方法在计算训练样 本集的稀疏结构时考虑了稀疏表示的代价信息,因而得到的稀疏结构是代价敏感的。得到代 价敏感的稀疏结构后,CSSPP 方法采用稀疏保持投影的方法求出投影变换,并在低维空间中 保持这种稀疏结构。另外,我们分析了代价与稀疏表示系数的关系。事实上,设置不同的代 价会影响稀疏表示的系数,进而影响到样本的稀疏流形结构。CSSPP 方法通过减小高错分代 价类别对应的稀疏系数来降低总体错分代价。 在 AR 和 FRGC 人脸库上的实验结果表明,本文所提出的两种方法既能获得较高的识别 率,又能保证总体错分代价较小,验证了方法的有效性。 关键词 代价敏感性学习,稀疏表示,代价敏感性分类器,特征提取,人脸识别 南京邮电大学硕士研究生学位论文ABS 南京邮电大学硕士研究生学位论文 ABSTRACT - - II - ABSTRACT As one of the most popular research topics, sparse representation technique has been successfully employed to solve face recognition task. Though current sparse representation based methods prove to achieve high classification accuracy, they implicitly assume that the losses of all misclassifications are the same. However, in many real-world applications, different misclassifications could lead to different losses. Driven by this concern, we propose in this paper two sparse representation based cost-sensitive algorithms for face recognition. We first propose a sparse representation-based cost-sensitive classifier (SRCSC). SRCSC uses probabilistic model of sparse representation to estimate the posterior probabilities, separately calculates all the misclassification losses via the posterior probabilities and then predicts the class label by minimizing the losses. Our ma
显示全部
相似文档