شناسايي چهره مقاوم نسبت به انسداد و تخريب برمبناي نمايش مشاركتي و كورآنتروپي

Robust face recognition with respect to noise and occlusion on the basis of collaborative representation and correntropy

مدل تُنُك مبتني بر معيار شباهت كورآنتروپي، نوعي مدل طبقه‌بندي يا شناسايي چهره مبتني بر روش نمايش تُنُك است كه نسبت به نويز و انسداد در داده‌هاي آزمون، مقاوم است. در اين مدل، تركيبي خطي از تصاوير آموزشي، به نحوي تعيين مي‌شود كه برمبناي معيار كورآنتروپي، بيشترين شباهت را با داده آزمون داشته باشد و نُرم1 بردار ضرايب اين تركيب خطي، حداقل باشد. نُرم1، مشتق‌ناپذير است و لذا، نمي‌توان براي حل اين مدل، از روش‌هاي كارآمد مبتني بر گراديان استفاده كرد. براي ساده‌سازي اين مدل و حل سريعتر آن با روش‌هاي مبتني بر گراديان، ضرايب تركيب خطي، نامنفي در نظر گرفته‌ شده است. قيد نامنفي بودن ضرايب تركيب خطي، قيد محدودكننده‌اي است كه در صحت طبقه‌بندي، تاثير منفي مي‌گذارد. در اين مقاله، براي رفع اين مشكل، بجاي نُرم1 از نُرم2 بردار ضرايب تركيب خطي، استفاده مي‌شود و دو روش سريع براي حل مدل جديد ارائه مي‌گردد. به تعبير ديگر، مدل پيشنهادي، مدل شناسايي چهره مبتني بر نمايش مشاركتي است كه از مفهوم كورآنتروپي براي مقاوم شدن مدل در برابر نويز و انسداد استفاده كرده است. آزمايش‌هاي انجام شده نشان مي‌دهد كه مدل پيشنهادي، نرخ صحت طبقه‌بندي و زمان اجراي بهتري نسبت به مدل نمايش تُنُك مبتني بر كورآنتروپي با ضرايب نامنفي دارد. كليدواژه‌ها

Sparse correntropy model is a face recognition model on the bases of sparse representation which is robust to noise and occlusion. In this mode, a linear combination of training data is determined such that, on the basis correntropy criterion, is as similar as possible to the test data, and L1-norm of coefficient vector of the linear combination is minimum. L1-norm is not differentiable. Therefore, efficient gradient-based methods can not be used to solve the problem. Thus, to simplify the model to be solved fast, the coefficients were considered to be non-negative. The non-negativity constraint is restrictive which can decrease the accuracy of the model. In this paper, to fix this difficulty, L2-norm instead of L1-norm of the linear combination is minimized. Then, a fast algorithm is proposed to solve the novel model. ٍExperimental results confirm that the runtime and accuracy of our proposed method is better than that of sparse correntropy model with non-negative coefficients.