SRC-RSC遮挡人脸识别实验报告(共10页).doc

精选优质文档-----倾情为你奉上
精选优质文档-----倾情为你奉上
专心---专注---专业
专心---专注---专业
精选优质文档-----倾情为你奉上
专心---专注---专业
模式识别课程报告
——基实现则是通过迭代估计学****得到。该方法基于这样一个事实：被遮挡或噪声干扰的像素点赋予较小的权重，而其它像素点的权重相对较大。具体迭代算法采用经典的迭代重加权算法框架，当然内部嵌入的稀疏编码的求解过程。此算法在50%遮挡面积的情况下取得的更好更满意的结果。但是文中没有比较计算时间上的优略而直说和SRC框架差不多。

SRC算法步骤
具体的SRC算法步骤如Spare Representation-based Classification(SRC)所示
RSC算法步骤
稀疏编码模型等同于求解LASSO问题，LASSO问题模型如公式1所示
（1）
σ > 0，是一个常数，表示被编码的信号，表示含有m个dj 列向量的字典集，α 是编码系数向量，在我们人脸识别问题中，dj 表示训练人脸样本，字典集D表示训练集。
加权Lasso问题的目标函数描述如公式2所示
精选优质文档-----倾情为你奉上
精选优质文档-----倾情为你奉上
专心---专注---专业
专心---专注---专业
精选优质文档-----倾情为你奉上
专心---专注---专业
（2）
具体的RSC的算法步骤可以用LRSC（Iteratively Reweighted Sparse Coding）算法步骤表示如下
精选优质文档-----倾情为你奉上
精选优质文档-----倾情为你奉上
专心---专注---专业
专心---专注---专业
精选优质文档-----倾情为你奉上
专心---专注---专业

SRC算法MATLAB代码表示
function pre_label=SRC(train_sample,train_label,test_sample,ClassNum)
I=eye(size(train_sample,1));
et_train=[train_sample I];
test_tol=size(test_sample,2);
train_tol=length(train_label);
pre_label=zeros(1,test_tol);
for i=1:test_tol
y=test_sample(:,i);
xp = l1_ls(et_train,y,1e-3,[],'quiet',true);
train_x=xp(1:train_tol,:);
err=xp(train_tol+1:end,:);
test_clean=y-err;

%构造sparse矩阵，大小为train_tol*ClassNum，最多有length(train_x)个非零值
W=sparse([],[],[],train_tol,ClassNum,length(train_x));

%得到每类对应的系数
for j=1:ClassNum