شناسایی چهره مقاوم نسبت به انسداد و تخریب برمبنای نمایش مشارکتی و کورآنتروپی

مدل تُنُک مبتنی بر معیار شباهت کورآنتروپی، نوعی مدل طبقه‌بندی یا شناسایی چهره مبتنی بر روش نمایش تُنُک است که نسبت به نویز و انسداد در داده‌های آزمون، مقاوم است. در این مدل، ترکیبی خطی از تصاویر آموزشی، به نحوی تعیین می‌شود  که برمبنای معیار کورآنتروپی، بیشترین شباهت را با داده آزمون داشته باشد و نُرم1 بردار ضرایب این ترکیب خطی، حداقل باشد. نُرم1، مشتق‌ناپذیر است و لذا، نمی‌توان برای حل این مدل، از روش‌های کارآمد مبتنی بر گرادیان استفاده کرد. برای ساده‌سازی این مدل و حل سریعتر آن با روش‌های مبتنی بر گرادیان، ضرایب ترکیب خطی، نامنفی در نظر گرفته‌ شده است. قید نامنفی بودن ضرایب ترکیب خطی، قید محدودکننده‌ای است که در صحت طبقه‌بندی، تاثیر منفی می‌گذارد. در این مقاله، برای رفع این مشکل، بجای نُرم1 از نُرم2 بردار ضرایب ترکیب خطی، استفاده می‌شود و دو روش سریع برای حل مدل جدید ارائه می‌گردد. به تعبیر دیگر، مدل پیشنهادی، مدل شناسایی چهره مبتنی بر نمایش مشارکتی است که از مفهوم کورآنتروپی برای مقاوم شدن مدل در برابر نویز و انسداد استفاده کرده است. آزمایش‌های انجام شده نشان می‌دهد که مدل پیشنهادی، نرخ صحت طبقه‌بندی و زمان اجرای بهتری نسبت به مدل نمایش تُنُک مبتنی بر کورآنتروپی با ضرایب نامنفی دارد.

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

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 L1norm of coefficient vector of the linear combination is minimum. L1norm is not differentiable. Therefore, efficient gradientbased methods can not be used to solve the problem. Thus, to simplify the model to be solved fast, the coefficients were considered to be nonnegative. The nonnegativity constraint is restrictive which can decrease the accuracy of the model. In this paper, to fix this difficulty, L2norm instead of L1norm 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 nonnegative coefficients.