一种基于产生式分数空间的单样本人脸识别方法

上海交通大学学报（自然版） ›› 2017, Vol. 51 ›› Issue (2): 202-.

• 无线电电子学、电信技术 • 上一篇下一篇

一种基于产生式分数空间的单样本人脸识别方法

王斌1，刘允才2，茅红伟1

1. 上海师范大学信息与机电工程学院，上海 200234；
2. 上海交通大学电子信息与电气工程学院，上海 200240

出版日期:2017-02-28 发布日期:2017-02-28
基金资助:
国家自然科学基金资助项目（61503251）

Single Sample Face Identification Based on Generative Score Space

WANG Bin1,LIU Yuncai2,MAO Hongwei1

1. College of Information, Mechanical and Electrical Engineering, Shanghai Normal University,
Shanghai 200234, China; 2. School of Electronic Information and Electrical Engineering,
Shanghai Jiao Tong University, Shanghai 200240, China

Online:2017-02-28 Published:2017-02-28

摘要/Abstract

摘要：

提出一种基于产生式分数空间的单样本人脸识别方法.首先设计了适用于人脸表示的概率产生式模型，并有效地结合了分部式方法的灵活性和稀疏成分分析的稳健性.然后基于该模型导出分数函数（特征映射），并构建了本质上是观测数据、隐变量和模型参数函数的概率相似度.最后，基于2个标准人脸数据库进行了仿真实验，验证了所提出方法的有效性.

关键词: 产生式分数空间, 单样本人脸识别, 概率相似度

Abstract:

In this paper, a generativescorespace model was proposed, based on which a face recognition approach was derived. First, the proposed approach designed a probabilistic generative model for face representation, which effectively combined the flexibility of partsbased paradigm with the robustness of sparse component analysis. Then, a score function (i.e. feature mapping) was derived based on the model. Besides, a similarity measure was constructed for single sample face identification, which is essentially the function over observed variables, hidden variables and model parameters. The proposed approach was evaluated on two standard face databases to validate its effectiveness.

Key words: generative score space, single sample face identification, probabilistic similarity measure

中图分类号:

TP 391.4

王斌1，刘允才2，茅红伟1. 一种基于产生式分数空间的单样本人脸识别方法[J]. 上海交通大学学报（自然版）, 2017, 51(2): 202-.

WANG Bin1,LIU Yuncai2,MAO Hongwei1. Single Sample Face Identification Based on Generative Score Space[J]. Journal of Shanghai Jiaotong University, 2017, 51(2): 202-.

参考文献

［1］王科俊，段胜利，冯伟兴. 单训练样本人脸识别技术综述［J］. 模式识别与人工智能，2008，21(5)：635-642.
WANG Kejun, DUAN Shengli, FENG Weixing. A survey of face recognition using single training sample ［J］. Pattern Recognition and Artificial Intelligence, 2008, 21(5): 635-642.
［2］PERINA A, CRISTANI M, CASTELLANI U, et al. Free energy score spaces: Using generative information in discriminative classifiers ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(7): 1249-1262.
［3］LI X, LEE T, LIU Y. Hybrid generativediscriminative classification using posterior divergence ［C］//IEEE Conference on Computer Vision and Pattern Recognition. Colorado Springs, USA: IEEE, 2011: 2713-2720.
［4］WANG H, ZHENG W. Robust sparsitypreserved learning with application to image visualization ［J］. Knowledge and Information Systems, 2014, 39(2): 287-304.
［5］HINTON G H. Training products of experts by minimizing contrastive divergence ［J］. Neural Computation, 2002, 14(8): 1771-1800.
［6］GREG C, WEI G, TANNER M A. A Monte Carlo implementation of the EM algorithm and the poor man’s data augmentation algorithms ［J］. Journal of the American Statistical Association, 1990, 85(411): 699-704.
［7］GILKS W R, WILD P. Adaptive rejection sampling for Gibbs sampling ［J］. Applied Statistics, 1992, 41(2): 337-348.
［8］ZHANG G, WANG Y. Robust 3D face recognition based on resolution invariant features ［J］. Pattern Recognition Letters, 2011, 32(7): 1009-1019.
［9］SHANG F, JIAO L C, WANG F. Graph dual regularization nonnegative matrix factorization for coclustering ［J］. Pattern Recognition, 2012, 45(6): 2237-2250.
［10］SIM T, BAKER S, BSAT M. The CMU pose, illumination, and expression (PIE) database［C］//IEEE International Conference on Automatic Face and Gesture Recognition. Seoul, Korea: IEEE, 2002, 25(12): 46-51.
［11］DU B, ZHANG L. A discriminative metric learning based anomaly detection method ［J］. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(11): 6844-6857.
［12］CAI D, HE X, HAN J, et al. Graph regularized nonnegative matrix factorization for data representation ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 33(8): 1548-1560.
［13］ROWEIS S, SAUL L. Nonlinear dimensionality reduction by locally linear embedding ［J］. Science, 2000, 290(5500): 2323-2326.
［14］BELHUMEUR P N, HESPANHA J P, KRIGMAN D J. Eigenfaces vs. fisherfaces: Recognition using class specific linear projection ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997，19(7)： 711-720.
［15］ZHANG Y, YRUNG D Y. Semisupervised generalized discriminant analysis ［J］. IEEE Transactions on Neural Networks, 2011, 22(8): 1207-1217.

[1]	叶仙，胡洁，田畔，戚进，车大钿，丁颖. 基于精细复合多尺度熵与支持向量机的睡眠分期[J]. 上海交通大学学报（自然版）, 2019, 53(3): 321-326.
[2]	孙一奇，吴爱国，董娜，邵一哲. 基于粒子滤波与改进GVF Snake的人手跟踪算法[J]. 上海交通大学学报（自然版）, 2018, 52(7): 801-807.
[3]	杨森，何卫平，王月，郭改放. 金属零件微小数据矩阵码快速精定位[J]. 上海交通大学学报（自然版）, 2018, 52(7): 816-824.
[4]	戚明旭a,b，杨明a,b，王春香c，王冰a,b. 基于重力约束正态分布变换的室内3维地图重建方法[J]. 上海交通大学学报（自然版）, 2018, 52(1): 26-32.
[5]	王月，张树生，何卫平，白晓亮. 基于模型的增强现实无标识三维注册追踪方法[J]. 上海交通大学学报（自然版）, 2018, 52(1): 83-89.
[6]	陈苏婷，王卓，王奇. 基于非线性尺度空间的航拍场景分类[J]. 上海交通大学学报（自然版）, 2017, 51(10): 1228-1234.
[7]	闵永智1，肖本郁1，党建武1，殷超1，岳彪1，马宏锋2. 轨道扣件缺失的机器视觉快速检测方法[J]. 上海交通大学学报（自然版）, 2017, 51(10): 1268-1272.
[8]	薛梦霞,刘士荣,王坚. 基于机器视觉的动态多目标识别[J]. 上海交通大学学报（自然版）, 2017, 51(6): 727-733.
[9]	郭改放,何卫平,李夏霜,王健,吴振芳. 基于边缘和水平集的复杂背景金属零件二维条码精确定位方法[J]. 上海交通大学学报（自然版）, 2017, 51(1): 90-.
[10]	刘宇，江宏毅，王仕亮，王伊冰，陈燕苹. 基于加速度时域特征的实时人体行为模式识别[J]. 上海交通大学学报（自然版）, 2015, 49(02): 169-172.
[11]	王佳婧1，2，张树生1，何卫平1. 基于多信息融合的失效DPM码识别[J]. 上海交通大学学报（自然版）, 2014, 48(12): 1675-1680.
[12]	赵洪伟，谢永芳，曹斌芳，蒋朝辉. 基于Gabor小波和LPP的浮选过程泡沫纹理特征提取及应用[J]. 上海交通大学学报（自然版）, 2014, 48(07): 942-947.
[13]	贾松敏1,王爽1,王丽佳1,2,李秀智1. CTF定位策略下基于多特征的智能机器人目标跟踪[J]. 上海交通大学学报（自然版）, 2014, 48(07): 1039-1045.
[14]	王佳婧1,2，张树生1，何卫平1. 金属零件上二维条码高光区域的恢复[J]. 上海交通大学学报（自然版）, 2013, 47(12): 1836-1841.
[15]	方挺，董冲，胡兴柳，王彦. 航拍图像中绝缘子串的轮廓提取和故障检测[J]. 上海交通大学学报（自然版）, 2013, 47(12): 1818-1822.

一种基于产生式分数空间的单样本人脸识别方法

Single Sample Face Identification Based on Generative Score Space

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

本文评价