第14卷第3期 智能系统学报 Vol.14 No.3 2019年5月 CAAI Transactions on Intelligent Systems May 2019 D0:10.11992/tis.201711026 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.tp.20180428.1122.002.html 结构化加权稀疏低秩恢复算法在人脸识别中的应用 吴小艺，吴小俊 (江南大学物联网工程学院，江苏无锡214122) 摘要：针对训练样本或测试样本存在污损的情况，提出一种结构化加权稀疏低秩恢复算法(structured and weighted-sparse low rank representation,SWLRR)。SWLRR对低秩表示进行加权稀疏约束和结构化约束，使得低 秩表示系数更加趋近于块对角结构，进而可获得具有判别性的低秩表示。SWLRR将训练样本恢复成干净训练 样本后，再根据原始训练样本和恢复后的训练样本学习到低秩投影矩阵，把测试样本投影到相应的低秩子空 间，即可有效地去除测试样本中的污损部分。在几个人脸数据库上的实验结果验证了SWLRR在不同情况下 的有效性和鲁棒性。 关键词：人脸识别；结构化：加权稀疏；低秩表示；子空间投影 中图分类号：TP391 文献标志码：A文章编号：1673-4785(2019)03-0455-09 中文引用格式：吴小艺，吴小俊，结构化加权稀疏低秩恢复算法在人脸识别中的应用J.智能系统学报，2019,14(3)： 455-463. 英文引用格式：VU Xiaoyi,,WU Xiaojun.A low rank recovery algorithm for face recognition with structured and weighted sparse constraint[J].CAAI transactions on intelligent systems,2019,14(3):455-463. A low rank recovery algorithm for face recognition with structured and weighted sparse constraint WU Xiaoyi,WU Xiaojun (School of Internet of Things Engineering,Jiangnan University,Wuxi 214122,China) Abstract:Herein,a structured and weighted sparse low-rank recovery algorithm(SWLRR)is proposed to deal with trained or tested samples that are corrupt.The SWLRR constrains the low-rank representation by incorporating the struc- tured and weighted sparse constraints,enabling the low-rank representation coefficient matrix to be closer to the block diagonal.Then,a discriminative structured representation can be obtained.After recovering the clean training samples from the corrupted training samples using SWLRR,the low-rank projection matrix is learnt by the low-rank projection matrix according to the original and recovered training samples,whereas the test samples are projected into the corres- ponding low-rank subspaces.In this way,the corrupted regions can be removed efficiently from the test samples.The experimental results on several face databases validate the effectiveness and robustness of the SWLRR under different situations. Keywords:face recognition;structured;weighted sparse;low-rank representation;subspace projection 作为计算机视觉和模式识别中最具挑战性的 交互技术等。随着研究的深入，目前无污损情况 研究课题之一，人脸识别(FR)在近几年一直是 下的人脸识别已经达到理想的效果。但在面部有 研究的热点课题。在实际生活中，人脸识别也被 遮挡和伪装的情况下进行人脸识别和分类仍然是 广泛应用，比如视频监控、安全相关访问和人机 一个具有挑战性的难题。 收稿日期：2017-11-21.网络出版日期：2018-05-02 1低秩稀疏表示理论 基金项目：国家自然科学基金项目(61672265,61373055)：江苏 省教育厅科技成果产业化推进项日10-28)：江苏 省产学研创新项目(BY2012059). 近年来，基于稀疏表示的方法在人脸识别领 通信作者：吴小俊.E-mail:xiaojun_wu_jnu(@163.com 域内被广泛使用。Wright等提出基于稀疏表示DOI: 10.11992/tis.201711026 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.tp.20180428.1122.002.html 结构化加权稀疏低秩恢复算法在人脸识别中的应用 吴小艺，吴小俊 （江南大学 物联网工程学院，江苏 无锡 214122） 摘 要：针对训练样本或测试样本存在污损的情况，提出一种结构化加权稀疏低秩恢复算法 (structured and weighted-sparse low rank representation，SWLRR)。SWLRR 对低秩表示进行加权稀疏约束和结构化约束，使得低 秩表示系数更加趋近于块对角结构，进而可获得具有判别性的低秩表示。SWLRR 将训练样本恢复成干净训练 样本后，再根据原始训练样本和恢复后的训练样本学习到低秩投影矩阵，把测试样本投影到相应的低秩子空 间，即可有效地去除测试样本中的污损部分。在几个人脸数据库上的实验结果验证了 SWLRR 在不同情况下 的有效性和鲁棒性。 关键词：人脸识别；结构化；加权稀疏；低秩表示；子空间投影 中图分类号：TP391 文献标志码：A 文章编号：1673−4785(2019)03−0455−09 中文引用格式：吴小艺, 吴小俊. 结构化加权稀疏低秩恢复算法在人脸识别中的应用 [J]. 智能系统学报, 2019, 14(3): 455–463. 英文引用格式：WU Xiaoyi, WU Xiaojun. A low rank recovery algorithm for face recognition with structured and weighted sparse constraint[J]. CAAI transactions on intelligent systems, 2019, 14(3): 455–463. A low rank recovery algorithm for face recognition with structured and weighted sparse constraint WU Xiaoyi，WU Xiaojun (School of Internet of Things Engineering, Jiangnan University, Wuxi 214122, China) Abstract: Herein, a structured and weighted sparse low-rank recovery algorithm (SWLRR) is proposed to deal with trained or tested samples that are corrupt. The SWLRR constrains the low-rank representation by incorporating the struc￾tured and weighted sparse constraints, enabling the low-rank representation coefficient matrix to be closer to the block diagonal. Then, a discriminative structured representation can be obtained. After recovering the clean training samples from the corrupted training samples using SWLRR, the low-rank projection matrix is learnt by the low-rank projection matrix according to the original and recovered training samples, whereas the test samples are projected into the corres￾ponding low-rank subspaces. In this way, the corrupted regions can be removed efficiently from the test samples. The experimental results on several face databases validate the effectiveness and robustness of the SWLRR under different situations. Keywords: face recognition; structured; weighted sparse; low-rank representation; subspace projection 作为计算机视觉和模式识别中最具挑战性的 研究课题之一，人脸识别 (FR)[1-8] 在近几年一直是 研究的热点课题。在实际生活中，人脸识别也被 广泛应用，比如视频监控、安全相关访问和人机 交互技术等。随着研究的深入，目前无污损情况 下的人脸识别已经达到理想的效果。但在面部有 遮挡和伪装的情况下进行人脸识别和分类仍然是 一个具有挑战性的难题。 1 低秩稀疏表示理论 近年来，基于稀疏表示的方法在人脸识别领 域内被广泛使用。Wright 等 [5] 提出基于稀疏表示 收稿日期：2017−11−21. 网络出版日期：2018−05−02. 基金项目：国家自然科学基金项目 (61672265，61373055)；江苏 省教育厅科技成果产业化推进项目 (JH10-28)；江苏 省产学研创新项目 (BY2012059). 通信作者：吴小俊. E-mail：xiaojun_wu_jnu@163.com. 第 14 卷第 3 期 智 能 系 统 学 报 Vol.14 No.3 2019 年 5 月 CAAI Transactions on Intelligent Systems May 2019