Распознавание лиц по совместным изображениям инфракрасного и видимого диапазонов на основе расширенных разреженных представлений и локальных бинарных паттернов

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Z. Xie, S. Zhang, X. Yu, G. Liu Infrared and visible face fusion recognition based on extend sparse representation classification and local binary patterns for single sample problem (Распознавание лиц по совместным изображениям инфракрасного и видимого диапазонов на основе расширенных разреженных представлений и локальных бинарных паттернов) [на англ. яз.] // Оптический журнал. 2019. Т. 86. № 7. С. 19–26. http://doi.org/10.17586/1023-5086-2019-86-07-19-26

Z. Xie, S. Zhang, X. Yu, G. Liu Infrared and visible face fusion recognition based on extend sparse representation classification and local binary patterns for single sample problem (Распознавание лиц по совместным изображениям инфракрасного и видимого диапазонов на основе расширенных разреженных представлений и локальных бинарных паттернов) [in English] // Opticheskii Zhurnal. 2019. V. 86. № 7. P. 19–26. http://doi.org/10.17586/1023-5086-2019-86-07-19-26

Ссылка на англоязычную версию:

Z. Xie, S. Zhang, X. Yu, and G. Liu, "Infrared and visible face fusion recognition based on extended sparse representation classification and local binary patterns for the single sample problem," Journal of Optical Technology. 86(7), 408-413 (2019). https://doi.org/10.1364/JOT.86.000408

Аннотация:

Хотя в последнее время распознавание совместных изображений инфракрасного и видимого диапазонов является объектом активных исследований, большинство теоретических результатов и алгоритмов используют обширные наборы обучающих образцов. Непосредственное использование подобных алгоритмов при наличии единственного образца приводит к неоптимальным решениям.
В статье рассматривается объединенный метод, обобщенный для случая недостаточной обучающей выборки, включающей единственную пару изображений лица в инфракрасном и видимом свете. В отличие от существующих методов, предложенный способ не требует ни большого числа обучающих изображений, ни стадии обучения. При применении единственной пары обучающих изображений для построения робастной и быстродействующей модели объединения при распознавании среди неограниченного набора лиц предложены две модели объединения дескрипторов, основанных на локальных бинарных паттернах, и классификации на основе разреженных представлений. Первая модель непосредственно выполняет объединение ошибок представления, тогда как вторая является ускоренной версией с обучением кросс-спектрального словаря. Эксперименты, выполненные с использованием базы данных HITSZ LAB2, показали, что предложенная модель объединения извлекает дополнительные характеристики изображений, полученных в инфракрасном и видимом диапазонах, а объединенный метод распознавания лиц превосходит по возможностям существующие методы.

Ключевые слова:

локальные бинарные паттерны, классификации на основе разреженных представлений, объединение на уровне ошибки, объединенное кросс-спектральное словарное представление, распознавание объединения изображений

Благодарность:

Работа выполнена при поддержке Национального фонда естественных наук Китая (№ 61861020), Фонда естественных наук провинции Цзянси (№ 20171BAB202006), проекта по науке и технологиям бюро образования провинции Цзянси (№ GJJ160767) и проекта естественных наук университета науки и технологий провинции Цзянси (№ 2013QNBJRC005).

Коды OCIS: 100.0010

Список источников:

1. Lu G., Wang Y. Feature extraction using a fast null space based linear discriminant analysis algorithm // Information Sci. 2012. V.193. № 1.P. 72–80
2. Tian G., Zhang C., Sun Q. FFT Consolidated sparse and collaborative representation for image classification // Arabian J. Sci. and Eng. 2018. V. 43. № 2. P. 741–758.

3. Bebis G., Pavlidis I. Infrared and visible image fusion for face recognition // Proc. SPIE. 2004. V. 5404. P. 585–596.
4. Desa S.M., Hati S. IR and visible face recognition using fusion of kernel based features // Proc. 19th Internat. Conf. Pattern Recognition. 2008. V. 1. P. 1–4.
5. Raghavendra R., Dorizzi B., Rao A., Kumar H. Particle swarm optimization based fusion of near infrared and visible images for improved face verification // Pattern Recognition. 2011. V. 44. № 2. P. 401–411.
6. Ma Z., Wen J., Liu Q., Tuo G. Near-infrared and visible light image fusion algorithm for face recognition // J. Modern Opt. 2015. V. 62. № 9. P. 745–753.
7. Guo K., Wu S., Xu Y. Face recognition using both visible light image and near-infrared image and a deep network // CAAI Trans. Intelligence Technol. 2017. V. 2. № 1. P. 39–47.
8. Wright J., Yang A.Y., Ganesh A. Robust face recognition via sparse representation // IEEE Trans. Pattern Analysis and Machine Intelligence. 2009. V. 31. № 2. P. 210–227.
9. He R., Zheng W., Hu B. Maximum correntropy criterion for robust face recognition // IEEE Trans. Pattern Analysis and Machine Intelligence. 2011. V. 33. № 8. P. 1561–1576.
10. Lai Z., Dai D., Ren C. Discriminative and compact coding for robust face recognition // IEEE Trans. Cybernetics. 2015. V. 45. № 9. P. 1900–1912.
11. Yang M., Zhang L., Yang J. Robust sparse coding for face recognition // Proc. 24th IEEE Conf. Computer Vision and Pattern Recognition. 2011. V. 1. P. 625–632.
12. Yang M., Zhang L., Yang J. Regularized robust coding for face recognition // IEEE Trans. Image Proc. 2013. V. 22. № 5. P. 1753–1766.
13. Li X., Dai D., Zhang X. Structured sparse error coding for face recognition with occlusion // IEEE Trans. Image Proc. 2013. V. 22. № 5. P. 1889–1900.
14. Deng W., Hu J., Guo J. Extended SRC: Under-sampled face recognition via intra-class variant dictionary // IEEE Trans. Pattern Analysis and Machine Intelligence. 2012. V. 34. № 9. P. 1864–1870.
15. Yu Y., Dai D., Ren C. Discriminative multi-scale sparse coding for single-sample face recognition with occlusion // Pattern Recognition. 2017. V. 66. № 2. P. 302–312.
16. Ahonen T., Hadid A., Pietikäinen M. Face recognition with local binary patterns // Proc. 8th European Conf. Computer Vision. 2004. V. 1. P. 476–481.
17. Ojala T., Pietikinen M., Menp T. Multi-resolution gray-scale and rotation invariant texture classification with local binary patterns // IEEE Trans. Pattern Analysis and Machine Intelligence. 2002. V. 24. № 6. P. 971–987.
18. Xu Y., Zhong A., Yang J., Zhang D. Bimodal biometrics based on a representation and recognition approach // Opt. Eng. 2011. V. 50. № 3. P. 0372021–0372027.