In this paper, a multi-resolution dictionary collaborative representation(MRDCR) method for face recognition is proposed. Unlike most of the traditional sparse learning methods, such as sparse representation-based classification(SRC) methods and dictionary learning(DL)-based methods, which concentrate only on a single resolution, we consider the fact that the resolutions of real-world face images are variable. We use multiple dictionaries each being related with a resolution to collaboratively represent the test image. Main advantages of this work are summarized as follows. First, we extend the traditional collaborative representation-based classification(CRC) method to the multi-resolution dictionary case, which obtains better recognition accuracy than traditional SRC/CRC methods. Second, comparing with conventional DL methods and recently proposed multi-resolution dictionary learning(MRDL) method, MRDCR still shows superior performance, even in the case of random baboon block occlusion. Third, on the small-scale face databases, our method has achieved better results than some deep learning methods. Last, MRDCR has a closed-form solution, which makes it more efficient than most of the traditional sparse learning methods. The experimental results on five benchmark face databases and a Virus database demonstrate that our proposed MRDCR method outperforms many state-of-the-art dictionary learning and sparse representation methods. The MATLAB code will be available at https://github.com/masterliuhzen/.

本文提出了一种用于人脸识别的多分辨率字典协同表示(MRDCR)方法。与大多数传统的稀疏学习方法不同，例如基于稀疏表示的分类（SRC）方法和基于字典学习（DL）的方法，它们只关注单个分辨率，我们考虑了现实世界人脸的分辨率图像是可变的。我们使用多个字典，每个字典都与一个分辨率相关，以协同表示测试图像。这项工作的主要优点总结如下。首先，我们将传统的基于协同表示的分类（CRC）方法扩展到多分辨率字典案例，获得了比传统 SRC/CRC 方法更好的识别精度。其次，与传统的 DL 方法和最近提出的多分辨率字典学习（MRDL）方法相比，即使在随机狒狒块遮挡的情况下，MRDCR 仍然表现出优越的性能。第三，在小规模的人脸数据库上，我们的方法比一些深度学习方法取得了更好的结果。最后，MRDCR 有一个封闭形式的解决方案，这使它比大多数传统的稀疏学习方法更有效。在五个基准人脸数据库和一个病毒数据库上的实验结果表明，我们提出的 MRDCR 方法优于许多最先进的字典学习和稀疏表示方法。MATLAB 代码将在 https://github.com/masterliuhzen/ 上提供。即使在随机狒狒块遮挡的情况下。第三，在小规模的人脸数据库上，我们的方法比一些深度学习方法取得了更好的结果。最后，MRDCR 有一个封闭形式的解决方案，这使它比大多数传统的稀疏学习方法更有效。在五个基准人脸数据库和一个病毒数据库上的实验结果表明，我们提出的 MRDCR 方法优于许多最先进的字典学习和稀疏表示方法。MATLAB 代码将在 https://github.com/masterliuhzen/ 上提供。即使在随机狒狒块遮挡的情况下。第三，在小规模的人脸数据库上，我们的方法比一些深度学习方法取得了更好的结果。最后，MRDCR 有一个封闭形式的解决方案，这使它比大多数传统的稀疏学习方法更有效。在五个基准人脸数据库和一个病毒数据库上的实验结果表明，我们提出的 MRDCR 方法优于许多最先进的字典学习和稀疏表示方法。MATLAB 代码将在 https://github.com/masterliuhzen/ 上提供。在五个基准人脸数据库和一个病毒数据库上的实验结果表明，我们提出的 MRDCR 方法优于许多最先进的字典学习和稀疏表示方法。MATLAB 代码将在 https://github.com/masterliuhzen/ 上提供。在五个基准人脸数据库和一个病毒数据库上的实验结果表明，我们提出的 MRDCR 方法优于许多最先进的字典学习和稀疏表示方法。MATLAB 代码将在 https://github.com/masterliuhzen/ 上提供。