第2期 狄岚，等：稀疏综合字典学习的小样本人脸识别 ·223· 为所有光照变化图片；集合S3为所有眼镜遮挡图 片；集合S4为所有围巾遮挡图片。 (a)训练样本 (a)训练样本 (b)测试样本 图5AR人脸数据库样本(2) (d)S. (e)S Fig.5 Cropped face samples of AR database(2) 图4AR人脸数据库样本(1) 将数据集下采样为60×80，采用PCA将数据 Fig.4 Cropped face samples of AR database(1) 降为{50,150,250,350.4501维。如图6所示，本文 在具体实现过程中，随机选取80人用于训练 算法在不同维度下皆取得最高识别率，在面对遮 扩充干扰字典和混合特色字典，其余20个人用于 挡等异常情况时表现最佳。 训练低秩字典。首先将数据集下采样为60×80， 90 并采用PCA降至100维。各算法在AR数据库的 识别率如表1所示。 80 表1算法在AR库上的实验结果 70 Table 1 Accuracy of different methods on Experi- 60 法 SDI mentl of AR database % CSSVDL FDDLLCSRC 50 FDDL 算法 S S2 S3 S4 40 CRC 78.96 91.86 40.21 35.21 30 0100150200250300350400450 SRC 83.13 61.46 42.08 33.54 维数 FDDL 84.79 87.70 48.75 35.83 图6AR人脸数据库识别率 Fig.6 Accuracy of different methods on Experiment1 of ESRC 86.04 89.17 48.95 40.56 AR database SVGDL 82.90 92.50 51.80 45.80 3.3 YaleB数据库实验 CSSVDL 86.25 99.38 79.16 55.39 本文在The extended Yale B人脸数据库上设 SCSDL 84.46 99.38 77.34 54.29 计两个实验。实验1中，每人随机选取5图片训 FDDLLCSRC 86.25 99.38 69.75 51.75 练，其余图片进行测试。图7表示其中一个训练 IKCFDDL 86.17 98.88 74.08 53.21 样本和部分测试样本。 本文算法 86.46 99.38 84.38 67.29 从表1可知，FDDL算法识别率高于SRC、 CRC算法，说明提取数据特殊性的重要性， (a)训练图片 FDDLLCSRC、IKCFDDL算法在面对光照、表情 变化时实验效果良好，然而对数据存在遮挡异常 时处理效果欠缺。而CSICVDL、SCSDL、本文算 法识别率高于FDDL、LKCFDDL等，说明了在提 取特殊性之外，捕捉数据共性的必要性。本文算 法性能较稳定，混合特色字典提取了数据共性和 b)测试图片 特殊性，低秩字典、扩充干扰字典增强算法鲁棒 性和容错能力，在所有集合都能达到最高识 图7 YaleB人脸数据库样本 别率。 Fig.7 Cropped face samples of YaleB database 为探究本文算法对遮挡、光照、异常等情况 在具体实验时.选取30个人训练扩充干扰字 的综合处理能力，如图5所示，实验2选取每人两 典和混合特色字典，其余8个人用于训练低秩字 张正常状态下的人脸图片作为训练集，将围巾遮 典。将数据分别降维至{150,250,350,450,5501维， 挡、墨镜遮挡作为测试集合。 各算法在各维度上的识别率如表2所示。S 3 S 4 为所有光照变化图片；集合 为所有眼镜遮挡图 片；集合 为所有围巾遮挡图片。 (a) 训练样本 (b) S1 (c) S2 (d) S3 (e) S4 图 4 AR 人脸数据库样本 (1) Fig. 4 Cropped face samples of AR database (1) 60×80 在具体实现过程中，随机选取 80 人用于训练 扩充干扰字典和混合特色字典，其余 20 个人用于 训练低秩字典。首先将数据集下采样为 ， 并采用 PCA 降至 100 维。各算法在 AR 数据库的 识别率如表 1 所示。 表 1 算法在 AR 库上的实验结果 Table 1 Accuracy of different methods on Experi￾ment1 of AR database % 算法 S 1 S 2 S 3 S 4 CRC 78.96 91.86 40.21 35.21 SRC 83.13 61.46 42.08 33.54 FDDL 84.79 87.70 48.75 35.83 ESRC 86.04 89.17 48.95 40.56 SVGDL 82.90 92.50 51.80 45.80 CSSVDL 86.25 99.38 79.16 55.39 SCSDL 84.46 99.38 77.34 54.29 FDDLLCSRC 86.25 99.38 69.75 51.75 IKCFDDL 86.17 98.88 74.08 53.21 本文算法 86.46 99.38 84.38 67.29 从表 1 可知，FDDL 算法识别率高于 SRC、 C RC 算法，说明提取数据特殊性的重要性， FDDLLCSRC、IKCFDDL 算法在面对光照、表情 变化时实验效果良好，然而对数据存在遮挡异常 时处理效果欠缺。而 CSICVDL、SCSDL、本文算 法识别率高于 FDDL、LKCFDDL 等，说明了在提 取特殊性之外，捕捉数据共性的必要性。本文算 法性能较稳定，混合特色字典提取了数据共性和 特殊性，低秩字典、扩充干扰字典增强算法鲁棒 性和容错能力，在所有集合都能达到最高识 别率。 为探究本文算法对遮挡、光照、异常等情况 的综合处理能力，如图 5 所示，实验 2 选取每人两 张正常状态下的人脸图片作为训练集，将围巾遮 挡、墨镜遮挡作为测试集合。 (a) 训练样本 (b) 测试样本 图 5 AR 人脸数据库样本 (2) Fig. 5 Cropped face samples of AR database(2) 60×80 {50,150,250,350,450} 将数据集下采样为 ，采用 PCA 将数据 降为 维。如图 6 所示，本文 算法在不同维度下皆取得最高识别率，在面对遮 挡等异常情况时表现最佳。 本文算法 SVGDL CSSVDL ESRC FDDL SRC SCSDL FDDLLCSRC LKCFDDL 90 70 80 50 60 40 30 0 100 150 250 400 200 450 300 350 AR 识别率/% 维数 图 6 AR 人脸数据库识别率 Fig. 6 Accuracy of different methods on Experiment1 of AR database 3.3 YaleB 数据库实验 本文在 The extended Yale B 人脸数据库上设 计两个实验。实验 1 中，每人随机选取 5 图片训 练，其余图片进行测试。图 7 表示其中一个训练 样本和部分测试样本。 (a) 训练图片 (b) 测试图片 图 7 YaleB 人脸数据库样本 Fig. 7 Cropped face samples of YaleB database {150,250,350,450,550} 在具体实验时，选取 30 个人训练扩充干扰字 典和混合特色字典，其余 8 个人用于训练低秩字 典。将数据分别降维至 维， 各算法在各维度上的识别率如表 2 所示。 第 2 期 狄岚，等：稀疏综合字典学习的小样本人脸识别 ·223·