結(jié)合彈性網(wǎng)絡(luò)的稀疏分解方法的人臉識(shí)別

　　由于稀疏表示方法在人臉?lè)诸?a target='_blank' class='arckwlink_none'>算法中的成功使用，在此基礎(chǔ)上提出了一種更為有效的基于稀疏表示（SRC）和彈性網(wǎng)絡(luò)相結(jié)合的分類方法。為了加強(qiáng)樣本間的協(xié)作表示能力以及增強(qiáng)處理強(qiáng)相關(guān)性變量數(shù)據(jù)的能力，基于迭代動(dòng)態(tài)剔除機(jī)制，提出一種結(jié)合彈性網(wǎng)絡(luò)的稀疏分解方法。通過(guò)采用訓(xùn)練樣本的線性組合來(lái)表示測(cè)試樣本，并運(yùn)用迭代機(jī)制從所有樣本中剔除對(duì)分類貢獻(xiàn)度較小的類別和樣本，采用Elastic Net算法來(lái)進(jìn)行系數(shù)分解，從而選擇出對(duì)分類貢獻(xiàn)度較大的樣本和類別，最后根據(jù)計(jì)算相似度對(duì)測(cè)試樣本進(jìn)行分類。在ORL、FERET和AR三個(gè)數(shù)據(jù)集進(jìn)行了許多實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果顯示算法識(shí)別率分別達(dá)到了98. 75%、86. 620-/0、99. 720-/0，表明了所提算法的有效性。所提算法相比LASSO和SRC-GS等方法，在系數(shù)分解過(guò)程中增強(qiáng)了處理高維小樣本和強(qiáng)相關(guān)性變量數(shù)據(jù)的能力，突出了稀疏約束在該算法中的重要性，具有更高的準(zhǔn)確性和穩(wěn)定性，能夠更加有效地適用于人臉?lè)诸悺?/p>