·224· 智能系统学报 第16卷 表2算法在Yale B database库上的实验结果 余为测试集。将数据分别将至{50,100,150,200， Table 2 Accuracy of different methods on Experi- 250;维，各算法在各维度上的识别率如表3所示。 mentl of Yale B database % 算法 150维 250维 350维 450维 550维 SRC 52.05 57.99 59.04 58.82 58.57 CRC 51.94 57.10 59.66 61.82 62.26 FDDL 57.88 59.32 59.82 59.82 59.76 SVGDL 59.10 59.66 62.04 67.41 69.63 CSSVDL 60.63 61.59 65.82 69.73 70.57 ESRC 60.10 59.04 62.04 66.94 67.83 SCSDL 60.88 62.10 64.57 68.85 70.57 FDDLLCSRC 59.70 60.66 62.58 64.10 67.89 图9校正LFW人脸数据库 LKCFDDL 64.46 67.10 69.38 70.53 71.46 Fig.9 Correction of LFW Face Database 本文算法 65.6569.5371.8173.3674.41 从表2可以看出，本文算法识别率高于其他 算法，并随着维数增多而增高。 a)训练样本 为探究各算法鲁棒性，实验2赋予算法不同 的参数值，参数1与参数2分别取值{0.001,0.005， (b)测试样本 0.01,0.05},参数1限制正则化项对识别率的影 响，参数2限制稀疏编码对识别率的影响，实验结 图10LFW人脸数据库样本 果如图8所示，本文算法与FDDL算法识别率随 Fig.10 Cropped face samples of LFW database 参数1、2的取值增大而增大，并最终达到稳定， 表3算法在LFW database库上的实验结果 本文算法识别率随参数改变的波动小，趋于平 Table 3 Accuracy of different methods on Experi- mentl of LFW database % 缓，鲁棒性强。 算法 50维 100维 150维 200维250维 72 8 70 SRC 54.90 63.92 61.18 42.74 21.18 。-文本.参数1 68 ·FDDL-参数1 CRC 45.88 60.78 61.96 59.61 59.21 。文本.参数2 .FDDL.参数2 FDDL 45.10 61.57 63.53 70.20 71.76 62 SVGDL 49.10 61.96 64.04 71.18 71.63 CSSVDL 50.63 62.53 66.82 70.73 70.57 54 ESRC 49.92 60.04 63.53 70.14 67.38 0 0.01 0.020.03 0.040.05 参数取值 SCSDL 50.17 59.98 63.92 68.21 68.88 图8参数对YaleB人脸数据库识别率的影响 FDDLLCSRC 49.17 60.71 62.59 65.43 69.94 Fig.8 The parameter analysis on the YaleB database LKCFDDL 53.46 68.79 70.63 71.14 72.21 3.4LFW数据库实验 本文算法 54.5169.80 70.59 72.16 73.33 本文在非受限人脸数据库LFW设计两次实 验，如图9所示，利用3d校正补齐因转向、遮挡 如表3所示，多数情况下算法的识别率随维 而缺失的特征信息。 数增多而升高，本文算法优于其他算法，但识别 实验一，选取单人图片数量大于10张的 率整体不高，这可能是因为前期校正造成的信息 158人作为实验数据。在具体实验时，选取 损失。 148个人训练扩充干扰字典和混合特色字典，其 为验证低秩字典对算法影响，实验2随机挑 余10个人用于训练低秩字典。如图10所示，随 选19、39、59、79个人作为低秩字典训练数据及 机选取每人10张图片，5张图片作为训练集，其 CSSVDL类内差异字典辅助数据，与基础FDDL表 2 算法在 Yale B database 库上的实验结果 Table 2 Accuracy of different methods on Experi￾ment1 of Yale B database % 算法 150维 250维 350维 450维 550维 SRC 52.05 57.99 59.04 58.82 58.57 CRC 51.94 57.10 59.66 61.82 62.26 FDDL 57.88 59.32 59.82 59.82 59.76 SVGDL 59.10 59.66 62.04 67.41 69.63 CSSVDL 60.63 61.59 65.82 69.73 70.57 ESRC 60.10 59.04 62.04 66.94 67.83 SCSDL 60.88 62.10 64.57 68.85 70.57 FDDLLCSRC 59.70 60.66 62.58 64.10 67.89 LKCFDDL 64.46 67.10 69.38 70.53 71.46 本文算法 65.65 69.53 71.81 73.36 74.41 从表 2 可以看出，本文算法识别率高于其他 算法，并随着维数增多而增高。 为探究各算法鲁棒性，实验 2 赋予算法不同 的参数值，参数 1 与参数 2 分别取值{0.001, 0.005, 0.01, 0.05}，参数 1 限制正则化项对识别率的影 响，参数 2 限制稀疏编码对识别率的影响，实验结 果如图 8 所示，本文算法与 FDDL 算法识别率随 参数 1、2 的取值增大而增大，并最终达到稳定， 本文算法识别率随参数改变的波动小，趋于平 缓，鲁棒性强。 文本-参数1 FDDL-参数1 文本-参数2 FDDL-参数2 72 68 70 64 66 60 62 56 58 54 0 0.01 0.02 0.03 0.04 0.05 识别率/% 参数取值 图 8 参数对 YaleB 人脸数据库识别率的影响 Fig. 8 The parameter analysis on the YaleB database 3.4 LFW 数据库实验 本文在非受限人脸数据库 LFW 设计两次实 验，如图 9 所示，利用 3d 校正补齐因转向、遮挡 而缺失的特征信息。 实验一，选取单人图片数量大 于 1 0 张 的 1 5 8 人作为实验数据。在具体实验时，选 取 148 个人训练扩充干扰字典和混合特色字典，其 余 10 个人用于训练低秩字典。如图 10 所示，随 机选取每人 10 张图片，5 张图片作为训练集，其 余为测试集。将数据分别将至{50, 100, 150, 200, 250}维，各算法在各维度上的识别率如表 3 所示。 图 9 校正 LFW 人脸数据库 Fig. 9 Correction of LFW Face Database (a) 训练样本 (b) 测试样本 图 10 LFW 人脸数据库样本 Fig. 10 Cropped face samples of LFW database 表 3 算法在 LFW database 库上的实验结果 Table 3 Accuracy of different methods on Experi￾ment1 of LFW database % 算法 50维 100维 150维 200维 250维 SRC 54.90 63.92 61.18 42.74 21.18 CRC 45.88 60.78 61.96 59.61 59.21 FDDL 45.10 61.57 63.53 70.20 71.76 SVGDL 49.10 61.96 64.04 71.18 71.63 CSSVDL 50.63 62.53 66.82 70.73 70.57 ESRC 49.92 60.04 63.53 70.14 67.38 SCSDL 50.17 59.98 63.92 68.21 68.88 FDDLLCSRC 49.17 60.71 62.59 65.43 69.94 LKCFDDL 53.46 68.79 70.63 71.14 72.21 本文算法 54.51 69.80 70.59 72.16 73.33 如表 3 所示，多数情况下算法的识别率随维 数增多而升高，本文算法优于其他算法，但识别 率整体不高，这可能是因为前期校正造成的信息 损失。 为验证低秩字典对算法影响，实验 2 随机挑 选 19、39、59、79 个人作为低秩字典训练数据及 CSSVDL 类内差异字典辅助数据，与基础 FDDL ·224· 智 能 系 统 学 报 第 16 卷