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：稀疏表示分類(SRC)和核判別分析(KDA)是兩種人臉識別的好方法。SRC擅長處理遮擋，KDA則能很好的壓制類內變化。本文提出核擴充套件字典(KED)用於人臉識別，提供了結合SRC和KDA的一種有效的途徑。首先學習在核空間遮擋變化的前幾個主成分作為遮擋模型，使得可以有效地表達可能的遮擋變化。然後用KDA把遮擋模型進行投影以得到核擴充套件字典，這個過程和一般的核方法一樣可以不用顯式地使用非線性變換。最後，使用結構化SRC進行分類。因為只增加了少數的原子到基本字典，而且特徵維數很低，所以分類很快。我們還把KED擴充套件到多核空間，使得可以融合多個特徵。在幾個大規模的人臉資料庫中的實驗表明，KED不僅能夠對無遮擋樣本取得很高的識別率，而且能同時很好地處理遮擋而不會過擬合，甚至只用每人一個數據庫樣本。

原始碼及論文下載地址：

更快,更精確的人臉識別方法(ECAI 2016論文精選)摘要：典型相關分析（CCA）作為多元統計分析中的一大重要技術，已廣泛應用於臉部識別。但是現存基於CCA的臉部識別方法需要相同臉部臉樣本的兩種表達，而且在處理大樣本時，通常會受到較高的計算複雜度困擾。在本文中，我們提出了一種監督的方法，稱為隨機典型相關判別分析（RCCDA），它基於隨機非線性典型相關分析（RCCA）以彌補基於CCA臉部識別方法的不足。我們首先獲得基本向量大概的隨機特徵，而不是計算核心矩陣來提高計算的效率，然後，我們使用這些基礎向量來計算隨機最優判別特徵，它可以減少人臉特徵的維數，同時儘可能多的保留歧視性資訊。擴充套件Yale B，AR，ORL和FERET臉部資料庫的實驗結果顯示，我們方法的效能與一些最好的算相比法也毫不遜色。

　　第一作者簡介

　　Bo Ma

　　任職：中國計算機學會會員，IEEE會員，北京理工大學計算機學院副教授，博士生導師

　　研究方向:機器學習、影象處理、計算機視覺、模式識別、資訊融合。近期的研究重點包括影象目標跟蹤、壓縮感知、影象分類、基於變分法的影象處理等。

　　相關學術論文：

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

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

　　文章總結及應用場景

　　本文中，提出了一種有效的人臉識別方法-RCCDA。我們的方法提取區域性特徵，然後採用RCCDA減少維度並將區域性特徵對映到一個最佳的判別空間。該方法的主要優點是RCCDA保留儘可能多的歧視性資訊，而且通過隨機方法大大加快計算速度。擴充套件Yale B，AR，ORL和FERET臉部資料庫的實驗結果顯示，我們方法的效能與一些最好的算相比法也毫不遜色。

　　提出的RCCDA作為一種有效的特徵提取方法，也可以用於其他識別任務，如視覺跟蹤，影象檢索與影象分類。對於這些任務，特徵提取過程都可以用我們的方法取代。只需要少量的訓練樣本，就可以有效地獲得必要的區分資訊。我們未來的工作將專注於應用所提出的方法到其它的識別問題中，並優化區域性特徵組合，核心函式和其RCCDA編碼方法。