摘要: 近年来基于稀疏表示的分类方法SRC(sparse representation based classification)成为了一个新的热点问题,在人脸识别领域取得了很大的成功。但基于稀疏表示的方法在重建待测样本时,有可能会利用与待测样本相差较大的训练样本,并且没有考虑到表示系数的局部信息,从而导致分类结果不稳定。本文提出一种基于自步学习的加权稀疏表示算法SPL-WSRC(self-paced learning weight sparse representation based classification),在字典中有效剔除与待测样本相差较大的训练样本,避免重建待测样本时利用差距较大的训练样本,并利用加权手段考虑样本间的局部信息,以提高分类精度和稳定性。通过3个典型的人脸数据集中的实验,表明本文提出的算法优于原稀疏表示算法SRC,特别是当训练样本足够多时,效果更明显。
中图分类号: