2016TNNLS发表的一篇人脸识别论文的matlab源代码

The matlab code written by the authors for the paper: Ke-Kun Huang, Dao-Qing Dai, Chuan-Xian Ren, Zhao-Rong Lai. Learning Kernel Extended Dictionary for Face Recognition. IEEE Transactions on Neural Networks and Learning Systems, 2016, Accepted. http://dx.doi.org/10.1109/TNNLS.2016.2522431

Abstract: Sparse Representation Classifier (SRC) and Kernel Discriminant Analysis (KDA) are two successful methods for face recognition. SRC is good at dealing with occlusion while KDA does well in suppressing intra-class variations. In this paper, we propose Kernel Extended Dictionary (KED) for face recognition, which provides an efficient way for combining KDA and SRC. We first learn several kernel principal components of occlusion variations as an occlusion model, which can represent the possible occlusion variations efficiently. Then the occlusion model is projected by KDA to get the kernel extended dictionary, which can be computed via the same “kernel trick” as new testing samples. Finally, we use structured SRC for classification, which is fast as only a small number of atoms are appended to the basic dictionary and the feature dimension is low. We also extend KED to multi-kernel space to fuse different types of features at kernel level. Experiments are done on several large-scale datasets, demonstrating that not only does KED get impressive results for non-occluded samples, but it also handles occlusion well without overfitting, even with a single gallery sample per subject.

摘要：稀疏表示分类(SRC)和核判别分析(KDA)是两种人脸识别的好方法。SRC擅长处理遮挡，KDA则能很好的压制类内变化。本文提出核扩展字典(KED)用于人脸识别，提供了结合SRC和KDA的一种有效的途径。首先学习在核空间遮挡变化的前几个主成分作为遮挡模型，使得可以有效地表达可能的遮挡变化。然后用KDA把遮挡模型进行投影以得到核扩展字典，这个过程和一般的核方法一样可以不用显式地使用非线性变换。最后，使用结构化SRC进行分类。因为只增加了少数的原子到基本字典，而且特征维数很低，所以分类很快。我们还把KED扩展到多核空间，使得可以融合多个特征。在几个大规模的人脸数据库中的实验表明，KED不仅能够对无遮挡样本取得很高的识别率，而且能同时很好地处理遮挡而不会过拟合，甚至只用每人一个数据库样本。

源代码及论文下载地址：

http://cn.mathworks.com/matlabcentral/profile/authors/5133554-ke-kun-huang

更快,更精确的人脸识别方法(ECAI 2016论文精选)摘要：典型相关分析（CCA）作为多元统计分析中的一大重要技术，已广泛应用于脸部识别。但是现存基于CCA的脸部识别方法需要相同脸部脸样本的两种表达，而且在处理大样本时，通常会受到较高的计算复杂度困扰。在本文中，我们提出了一种监督的方法，称为随机典型相关判别分析（RCCDA），它基于随机非线性典型相关分析（RCCA）以弥补基于CCA脸部识别方法的不足。我们首先获得基本向量大概的随机特征，而不是计算核心矩阵来提高计算的效率，然后，我们使用这些基础向量来计算随机最优判别特征，它可以减少人脸特征的维数，同时尽可能多的保留歧视性信息。扩展Yale B，AR，ORL和FERET脸部数据库的实验结果显示，我们方法的性能与一些最好的算相比法也毫不逊色。

　　第一作者简介

　　Bo Ma

　　任职：中国计算机学会会员，IEEE会员，北京理工大学计算机学院副教授，博士生导师

　　研究方向:机器学习、图像处理、计算机视觉、模式识别、信息融合。近期的研究重点包括图像目标跟踪、压缩感知、图像分类、基于变分法的图像处理等。

　　相关学术论文：

　　·“Linearization to Nonlinear Learning for Visual Tracking”（ICCV2015）

　　·“Discriminative Visual Tracking Using Tensor Pooling”（2015）

　　文章总结及应用场景

　　本文中，提出了一种有效的人脸识别方法-RCCDA。我们的方法提取局部特征，然后采用RCCDA减少维度并将局部特征映射到一个最佳的判别空间。该方法的主要优点是RCCDA保留尽可能多的歧视性信息，而且通过随机方法大大加快计算速度。扩展Yale B，AR，ORL和FERET脸部数据库的实验结果显示，我们方法的性能与一些最好的算相比法也毫不逊色。

　　提出的RCCDA作为一种有效的特征提取方法，也可以用于其他识别任务，如视觉跟踪，图像检索与图像分类。对于这些任务，特征提取过程都可以用我们的方法取代。只需要少量的训练样本，就可以有效地获得必要的区分信息。我们未来的工作将专注于应用所提出的方法到其它的识别问题中，并优化局部特征组合，核心函数和其RCCDA编码方法。