利用CNN和PCA约束优化模型实现稀疏表示分类

作     者：石亮 那天 宋晓宁 朱玉全 Shi Liang;Na Tian;Song Xiaoning;Zhu Yuquan

作者机构：江苏大学计算机科学与通信工程学院镇江212013 江苏科技大学计算机学院镇江212000 江南大学物联网工程学院无锡214122 

基　　金：国家自然科学基金项目(61876072 61702234) 国家重点研发计划子课题项目(2017YFC1601800) 中国博士后科学基金项目(2018T110441) 江苏省自然科学基金项目(BK20161135) 江苏省"六大人才高峰项目"(XYDXX-012) 江苏省普通高校学术学位研究生创新计划项目(KYZZ16_0337) 江苏省教育科学"十三五规划"2016年度课题项目(C-a/2016/01/22) 

出 版 物：《中国图象图形学报》 (Journal of Image and Graphics)

年 卷 期：2019年第24卷第4期

页      码：503-512页

摘      要：目的传统的稀疏表示分类方法运用高维数据提升算法的稀疏分类能力,早已引起了广泛关注,但其忽视了测试样本与训练样本间的信息冗余,导致了不确定性的决策分类问题。为此,本文提出一种基于卷积神经网络和PCA约束优化模型的稀疏表示分类方法(EPCNN-SRC)。方法首先通过深度卷积神经网络计算,在输出层提取对应的特征图像,用以表征原始样本的鲁棒人脸特征。然后在此特征基础上,构建一个PCA(principal component analysis)约束优化模型来线性表示测试样本,计算对应的PCA系数。最后使用稀疏表示分类算法重构测试样本与每类训练样本的PCA系数来完成分类。结果本文设计的分类模型与一些典型的稀疏分类方法相比,取得了更好的分类性能,在AR、FERET、FRGC和LFW人脸数据库上的实验结果显示,当每类仅有一个训练样本时,EPCNNSRC算法的识别率分别达到96. 92%、96. 15%、86. 94%和42. 44%,均高于传统的表示分类方法,充分验证了本文算法的有效性。同时,本文方法不仅提升了对测试样本稀疏表示的鲁棒性,而且在保证识别率的基础上,有效降低了算法的时间复杂度,在FERET数据库上的运行时间为4. 92 s,均低于一些传统方法的运行时间。结论基于卷积神经网络和PCA约束优化模型的稀疏表示分类方法,将深度学习特征与PCA方法相结合,不仅具有较好的识别准确度,而且对稀疏分类也具有很好的鲁棒性,尤其在小样本问题上优势显著。

主 题 词：稀疏表示 卷积神经网络 特征降维 主成分约束优化 人脸识别 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 081104[081104] 08[工学] 080203[080203] 0835[0835] 0802[工学-机械学] 0811[工学-水利类] 0812[工学-测绘类] 

核心收录：

D　O　I：10.11834/jig.180273

馆 藏 号：203631644...