Resumen

El reconocimiento facial (FR) es una tarea importante en el reconocimiento de patrones y la visión por ordenador. Se ha demostrado que la representación dispersa (SR) es un marco potente para el reconocimiento facial. En general, un algoritmo de SR trata cada cara de un conjunto de datos de entrenamiento como una función base e intenta encontrar una representación dispersa de una cara de prueba bajo estas funciones base. A continuación, los coeficientes de la representación dispersa proporcionan una pista de reconocimiento. Los primeros algoritmos de SR se basan en un modelo disperso básico. Recientemente, se ha descubierto que los algoritmos basados en un modelo disperso en bloques pueden lograr mejores tasas de reconocimiento. Basándonos en este modelo, en este estudio utilizamos el aprendizaje bayesiano de bloques dispersos (BSBL) para encontrar una representación dispersa de un rostro de prueba para su reconocimiento. BSBL es un marco propuesto recientemente, que tiene muchas ventajas sobre los algoritmos existentes basados en modelos de bloques dispersos. Los resultados experimentales en las bases de datos de rostros Extended Yale B, AR y CMU PIE muestran que el uso de BSBL puede lograr mejores tasas de reconocimiento y mayor robustez que los algoritmos más avanzados en la mayoría de los casos.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:mejores tasas de reconocimiento, bsbl, bloque, representación dispersa, cara de prueba, algoritmos tempranos de sr, yale b ampliado, modelo disperso básico, aprendizaje bayesiano disperso, coeficientes de representación dispersa
• Keywords:better recognition rates, bsbl, block, sparse representation, test face, early sr algorithms, extended yale b, basic sparse model, sparse bayesian learning, sparse representation coefficients