基于双密度双树复小波变换多字典的人脸特征稀疏分类方法

doi:10.3724/SP.J.1087.2011.02115

计算机应用 ›› 2011, Vol. 31 ›› Issue (08): 2115-2118.DOI: 10.3724/SP.J.1087.2011.02115

基于双密度双树复小波变换多字典的人脸特征稀疏分类方法

王成语,李伟红

重庆大学光电技术及系统教育部重点实验室，重庆400030

收稿日期:2011-03-03 修回日期:2011-04-25 发布日期:2011-08-01 出版日期:2011-08-01
通讯作者: 王成语
作者简介:王成语(1984-)，女，重庆人，硕士研究生，主要研究方向：图像处理、模式识别；李伟红(1962-)，女，四川自贡人，副教授，博士，主要研究方向：机器学习、模式识别。
基金资助:
重庆市科技攻关重点项目(CSTC,2009AB0175);中央高校基本科研业务费专项(CDJXS10122218；CDJXS10120019);重庆市科委自然科学基金资助项目(CSTC,2010BB2230)

Sparse representation of face feature recognition based on multiple dictionaries of double-density dual-tree complex wavelet transform

Cheng-yu WANG,Wei-hong LI

Key Laboratory for Opto-electronic Technology and System of Ministry of Education, Chongqing University, Chongqing 400030, China

Received:2011-03-03 Revised:2011-04-25 Online:2011-08-01 Published:2011-08-01
Contact: Cheng-yu WANG

摘要/Abstract

摘要： 基于超完备字典的人脸稀疏表示方法的难点是其字典构成。针对此问题，首先采用双密度双树复小波变换(DD-DT CWT)提取人脸图像不同尺度的高频子带，然后根据能量平均分布最大原则选择能量较大的部分子带构成对应尺度的超完备字典。同时，将测试样本相应的人脸DD-DT CWT子带特征看成超完备字典中原子的线性组合，并组合多字典上的稀疏表示进行识别。在AR人脸图像库上进行了实验，结果表明该方法是一种有效的人脸特征表示及分类方法。

关键词: 超完备字典, 稀疏表示, 双密度双树复小波, 特征提取, 多尺度

Abstract: The difficulty in sparse representation of facial images based on over-complete dictionary is the dictionary generation. This paper first introduced the Double-Density Dual-Tree Complex Wavelet Transform (DD-DT CWT) for filtering the high-frequency sub-bands and the principle of energy distribution for selecting some sub-bands as the feature of a facial image to form multi-scale dictionaries, then viewed the similar feature of a test sample as the linear combination of some atoms in the overcomplete dictionary, finally got the recognition results via ensembling sparse representations on these dictionaries. The experimental results on AR face database demonstrate the efficiency of the proposed algorithm.

Key words: overcomplete dictionary, sparse representation, Double-Density Dual-Tree Complex Wavelet Transform (DD-DT CWT), feature extraction, multi-scale

中图分类号:

TP391.413

王成语李伟红. 基于双密度双树复小波变换多字典的人脸特征稀疏分类方法[J]. 计算机应用, 2011, 31(08): 2115-2118.

Cheng-yu WANG Wei-hong LI. Sparse representation of face feature recognition based on multiple dictionaries of double-density dual-tree complex wavelet transform[J]. Journal of Computer Applications, 2011, 31(08): 2115-2118.

参考文献

[1] 辜小花,龚卫国,杨利平,等.核保局鉴别分析人脸识别算法[J].仪器仪表学报,2010,31(9):2016-2021.

[2] 李伟红,陈伟民,龚卫国.一种人脸特征选择新方法的研究[J].电子测量与仪器学报,2006,20(2):16-20.

[3] 龚卫国.《人脸识别技术》专题文章导读[J].光学精密工程,2008,16(8):1452-1452.

[4] CAI D, HE X F, HU Y X, et al. Learning a spatially smooth subspace for face recognition [C]// 2007 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington, DC: IEEE Computer Society, 2007: 1-7.

[5] OJALA T, PIETIKAINEN M, HARWOOD D. A comparative study of texture measures with classification based on feature distributions [J]. Pattern Recognition, 1996, 29(1): 51-59.

[6] OLSHAUSEN B A, FIELD D J. Sparse coding with an overcomplete basis set: A strategy employed by V1? [J]. Vision Research, 1997, 37(23): 3311-3325.

[7] 邓承志.图像稀疏表示理论及其应用研究[D].武汉:华中科技大学,2008.

[8] CANDES E J. Ridgelets: Theory and applications [D]. Stanford, CA: Stanford University, 1998.

[9] CANDES E J, DONOHO D L. Curvelets: A surprisingly effective nonadaptive representation for objects with edges [R]. Stanford, CA: Stanford University, 1999.

[10] DO M N, VETTERLI M. The contourlet transform: An efficient directional multiresolution image representation [J]. IEEE Transactions on Image Processing, 2005, 14(12): 2091-2106.

[11] WRIGHT J, YANG Y, GANESH A, et al. Robust face recognition via sparse representation [J]. Pattern Analysis and Machine Intelligence, 2009, 31(2): 210-227.

[12] SELESNICK I W. The double-density dual-tree DWT [J]. IEEE Transactions on Signal Processing, 2004, 52(5): 1304-1314.

[13] JAYAWARDENA A. Design of double density wavelet filter banks [C]// Proceedings of the 7th International Symposium on Signal Processing and Its Applications. Piscataway, NJ: IEEE Press, 2003: 463-466.

[14] MUTCH J, LOWE D G. Multiclass object recognition with sparse, localized features [C]// 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington, DC: IEEE Computer Society, 2006: 11-18.

[1]	郑志强, 胡鑫, 翁智, 王雨禾, 程曦. 基于改进DenseNet的牛眼图像特征提取方法[J]. 计算机应用, 2021, 41(9): 2780-2784.
[2]	裴春阳, 樊宽刚, 马政. 基于边缘保留分解和改进稀疏表示的医学图像融合[J]. 计算机应用, 2021, 41(7): 2092-2099.
[3]	牛康力, 谌雨章, 沈君凤, 曾张帆, 潘永才, 王绎冲. 基于深度学习的双通道夜视图像复原方法[J]. 计算机应用, 2021, 41(6): 1775-1784.
[4]	曹建芳, 田晓东, 贾一鸣, 闫敏敏. 改进DeepLabV3+模型在壁画分割中的应用[J]. 计算机应用, 2021, 41(5): 1471-1476.
[5]	任晓奎, 刘鹏飞, 陶志勇, 刘影, 白立春. 基于单快拍信号到达角估计算法的室内入侵检测[J]. 计算机应用, 2021, 41(4): 1153-1159.
[6]	蒋丽, 黄仕建, 严文娟. 基于低秩行为信息和多尺度卷积神经网络的人体行为识别方法[J]. 计算机应用, 2021, 41(3): 721-726.
[7]	杜培德, 严华. 基于多尺度空间注意力特征融合的人群计数网络[J]. 计算机应用, 2021, 41(2): 537-543.
[8]	佘玉龙, 张晓龙, 程若勤, 邓春华. 基于边缘关注模型的语义分割方法[J]. 计算机应用, 2021, 41(2): 343-349.
[9]	赵津, 宋文爱, 邰隽, 杨吉江, 王青, 李晓丹, 雷毅, 邱悦. 儿童阻塞性睡眠呼吸暂停计算机人脸辅助诊断综述[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3394-3401.
[10]	韩建栋, 李晓宇. 基于多尺度特征融合的行人重识别方法[J]. 计算机应用, 2021, 41(10): 2991-2996.
[11]	朱新成, 何坤金, 倪娜, 郝博. 基于改进迭代最近点算法的接骨板贴合性快捷计算方法[J]. 计算机应用, 2021, 41(10): 3033-3039.
[12]	王丽娟, 陈少敏, 尹明, 许跃颖, 郝志峰, 蔡瑞初, 温雯. 基于近邻图改进的块对角子空间聚类算法[J]. 计算机应用, 2021, 41(1): 36-42.
[13]	肖勇, 郑楷洪, 郑镇境, 钱斌, 李森, 马千里. 基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测[J]. 计算机应用, 2021, 41(1): 231-236.
[14]	温静, 宋建伟. 基于多级全局信息传递模型的视觉显著性检测[J]. 计算机应用, 2021, 41(1): 208-214.
[15]	张永宏, 刘昊, 田伟, 王剑庚. 基于DeepLab v3的西藏地区降雨云团分割方法[J]. 计算机应用, 2020, 40(9): 2781-2788.

基于双密度双树复小波变换多字典的人脸特征稀疏分类方法

Sparse representation of face feature recognition based on multiple dictionaries of double-density dual-tree complex wavelet transform

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics