Resumen

El método de clasificación basado en la representación (RBCM) ha mostrado un enorme potencial para el reconocimiento facial desde que apareció por primera vez. El método de clasificación de regresión lineal (LRC) y el método de clasificación de representación colaborativa (CRC) son dos RBCM muy conocidos. LRC y CRC explotan muestras de entrenamiento de cada clase y todas las muestras de entrenamiento para representar la muestra de prueba, respectivamente, y posteriormente llevan a cabo la clasificación sobre la base de la representación residual. El método LRC puede considerarse un método de "representación de localidad" porque sólo utiliza las muestras de entrenamiento de cada clase para representar la muestra de prueba y no puede encarnar la eficacia de la "representación de globalidad". Por el contrario, parece que el método CRC no puede poseer el beneficio de la localidad del RBCM general. Así pues, proponemos integrar CRC y LRC para realizar una clasificación basada en la representación más robusta. Los resultados experimentales sobre bases de datos de rostros de referencia demuestran sustancialmente que el método propuesto alcanza una elevada precisión de clasificación.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería
• Subjects:mathematics Mathematical Analysis Algebra Engineering
• Palabras claves:muestras de entrenamiento, método, crc, lrc, muestra de prueba, clasificación de regresión lineal, bases de datos de rostros de referencia, clasificación de representación colaborativa, alta precisión de clasificación, clase
• Keywords:training samples, method, crc, lrc, testing sample, linear regression classification, benchmark face databases, collaborative representation classification, high classification accuracy, class