基于自步学习的加权稀疏表示人脸识别方法

摘要 近年来基于稀疏表示的分类方法（SRC）成为了一个新的热点问题，在人脸识别领域取得了很大的成功。但基于稀疏表示的方法在重建待测样本时，有可能会利用与待测样本相差较大的训练样本，并且没有考虑到表示系数的局部信息，从而导致分类结果不稳定。提出一种基于自步学习的加权稀疏表示算法SPL-WSRC，在字典中有效剔除与待测样本相差较大的训练样本，并利用加权手段考虑样本间的局部信息，以提高分类精度和稳定性。通过3个典型的人脸数据集中的实验，实验结果表明，所提算法优于原稀疏表示算法SRC，特别是当训练样本足够多时，效果更明显