基于自适应权重的多重稀疏表示分类算法

提出了一种基于多特征字典的稀疏表示算法。该算法针对SRC的单特征鉴别性较弱这一不足,对样本提出多个不同特征并分别进行相应的稀疏表示。并根据SRC算法计算各个特征的鉴别性,自适应地学习出稀疏权重并进行线性加权,从而提高分类的性能。实验表明,基于自适应权重的多重稀疏表示分类算法,具有更好的分类效果。

快速稀疏表示分类的人脸识别算法

经典的稀疏表示分类(Sparse Representation for Classification,SRC)算法是一种基于L_1范数最小化问题,它在很多应用场合都能取得很好的分类效果,是目前备受关注的一类识别算法。然而,传统的SRC算法在求解L_1范数最小化问题时,往往计算效率比较低。为有效解决这个问题,提出了一种快速有效的分类算法,它利用坐标下降方法来实现SRC算法。该方法既可以显著地提高计算效率,又可取得较好的分类结果。在不同人脸库上的实验表明,所提的算法具有良好的应用前景。

基于多重核的稀疏表示分类

稀疏表示分类(SRC)及核方法在模式识别的很多问题中都得到了成功的运用.为了提高其分类精度,提出多重核稀疏表示及其分类(MKSRC)方法.提出一种快速求解稀疏系数的优化迭代方法并给出了其收敛到全局最优解的证明.对于多重核的权重给出了两种自动更新方式并进行了分析与比较.在不同的人脸图像库上的分类实验显示了所提出的多重核稀疏表示分类的优越性.

改进稀疏表示算法在人脸识别中的应用

人脸识别的主要难度在于,受到光照变化、表情变化以及遮挡的影响,会使得采集的不同人的人脸图像具有相似性。为有效解决基于稀疏表示的分类算法(Sparse Representation-based Classification,SRC)在人脸训练样本不足时会导致识别率降低和稀疏表示求解效率较低的问题,提出了基于判别性低秩分解与快速稀疏表示分类(LowRank Recovery Fast Sparse Representation-based Classification,LRR_FSRC)的人脸识别算法。利用低秩分解理论得到低秩恢复字典以及稀疏误差字典,结合低秩分解和结构不相干理论,训练出判别性低秩类字典和稀疏误差字典,并把它们结合作为测试时所用的字典;用坐标下降法来求解稀疏系数以提高了计算效率;根据重构误差实现测试样本的分类。在YALE和ORL数据库上的实验结果表明,提出的基于LRR_FSRC的人脸识别方法具有较高的识别率和计算效率。

基于稀疏重构残差和随机森林的集成分类算法

传统的基于稀疏表示的图像分类算法,通常根据稀疏重构后类残差向量的l2范数得到分类判决.在复杂情况下,各类残差向量l2的范数差别可能并不明显,从而导致分类器作出错误判决.提出了一种基于稀疏表示和随机森林的集成分类方法,通过稀疏表达字典对图像进行重构,提取各类残差图像的l2范数组成特征向量,并引入随机森林进行分类判决,有效地提升了算法基于类残差向量的判决能力.在手写数字数据库MNIST上的实验结果表明,在训练样本数较少的情况下,提出的基于稀疏表示和随机森林的集成学习分类方法与目前主流的SVM分类方法及随机森林方法进行比较,识别率有较为明显的提高,具有良好的鲁棒性.

多相似测度稀疏表示的高光谱影像分类

针对当前高光谱影像稀疏分类模型中光谱重构方法单一性的问题,该文将稀疏分类模型中光谱的线性重构理解为光谱间的相似性度量,进而引入其他相似性测度指标,提出多相似测度稀疏表示的高光谱影像分类模型,并给出模型的统一解算方法——一般正交匹配追踪算法;随后,考虑地物空间连续性和一致性,将多相似测度稀疏分类模型扩展到空间联合的多相似测度稀疏分类模型,提出了一般联合匹配追踪算法;最后,利用两幅标准高光谱影像数据验证了所提出的多相似测度稀疏分类模型对于高光谱影像分类的有效性和实用性。

基于K-PSO稀疏表示的故障分类方法研究

针对现代复杂生产过程中不能准确识别、分类多种故障的问题,提出一种改进的稀疏表示故障分类方法。该方法依据信号的稀疏表示来判断故障所属类别。其具体实现过程首先是利用K-均值奇异值分解(K-SVD)算法构造过完备字典,使其包含原信息的主要特征,再通过粒子群(PSO)算法有效地搜索并寻找稀疏分解中产生的在过完备字典范围中的最匹配原子,最后利用以该匹配原子为基础的稀疏表示结果实现对多故障问题的分类识别。运用数值仿真验证了该算法的可行性和有效性。同时,针对柴油机燃油系统的故障分类,将该方法与基于BP神经网络和SVM的分类识别方法进行比较,实验表明该算法在故障分类上具有更好的效果。

基于Gabor特征与协同表示的人脸识别算法

基于稀疏表示的分类识别算法(SRC)在进行人脸识别处理时需要求解基于l1范数最小化问题,导致SRC方法的计算复杂度较高。基于协同表示和规则最小二乘的分类识别方法 (CRC-RLS),提出SRC算法对于分类的有效性不是取决于基于l1范数的稀疏性,而是由其内在的协同表示性所决定的,因此将基于l1范数的稀疏性约束条件简化为最小二乘约束问题,算法复杂度得到大幅降低。由于SRC和CRC-RLS算法均采用特征脸作为分类识别的特征矢量,导致识别鲁棒性不强。以人脸图像的规则化扩展Gabor特征作为特征矢量,结合协同表示的方法,提出了一种新的基于Gabor特征与协同表示的人脸识别算法(Gabor-CRC)。实验结果表明,该方法对于人脸图像的光照、表情和姿态等变化具备较强鲁棒性,算法运行速度较快。

基于稀疏表示的手势识别方法

为提高传统手势识别方法在手势偏转情况下的识别率与识别速度,提出一种改进的SRC手势识别算法。采用YCrCb自适应阈值分割模型对原始图像进行肤色分割,利用主成分分析法(PCA)提取其主要特征,采用K-最近邻方法从样本集中选取K个样本构成新的超完备冗余字典,通过求解l1范数最小化的问题完成分类识别。实验结果表明,采用的KNN-SRC算法相对传统手势识别算法拥有更高的识别率,降低了SRC算法的时间复杂度,当K取值为20时识别速度为普通SRC算法的4倍。

基于SVM的高维不平衡数据集分类算法

由于数据量的不断增长,出现了大量的不平衡高维数据,传统的数据挖掘分类算法在处理这些数据时,易受到样本分布和维数的影响,存在分类性能不佳的问题.提出一种针对不平衡高维数据集的改进支持向量机(Supported Vector Machine,SVM)分类算法,首先通过核函数将数据集映射到特征空间中,再引入改进的核SMOTE(Kernel Synthetic Minority Over-sampling Technique)算法而得到正类样本,使两类样本数目平衡化;然后将维数高的数据集通过稀疏表示的方法投影到低维的空间中,实现降维;最后根据空间的距离关系来确定在输入空间中合成样本的原像,再对得到的平衡样本集通过SVM来分类,通过仿真实验验证了该算法对于高维不平衡数据集有较优的分类性能.

整合原始人脸图像和其虚拟样本的人脸分类算法

人脸识别作为最具吸引力的生物识别技术之一,由于会受到不同的照明条件、面部表情、姿态和环境的影响,仍然是一个具有挑战性的任务。众所周知,一幅人脸图像是对人脸的一次采样,它不应该被看作是脸部的绝对精确表示。然而在实际应用中很难获得足够多的人脸样本。随着稀疏表示方法在图像重建问题中的成功应用,研究人员提出了一种特殊的分类方法,即基于稀疏表示的分类方法。受此启发,提出了在稀疏表示框架下的整合原始人脸图像和虚拟样本的人脸分类算法。首先,通过合成虚拟训练样本来减少面部表示的不确定性。然后,在原始训练样本和虚拟样本组成的混合样本中通过计算来消除对分类影响较小的类别和单个样本,在系数分解的过程中采用最小误差正交匹配追踪(Error-Constrained Orthogonal Matching Pursuit,OMP)方法,进而选出贡献程度大的类别样本并进行分类。实验结果表明,提出的方法不仅能获得较高的人脸识别的精度,而且还具有更低的计算复杂性。

基于PCA和SRC算法的人脸识别储物柜系统的设计与实现

该文设计研究了人脸识别储物柜系统,针对影响识别率的因素,采用了压缩感知即结合主成分特征提取的稀疏表示分类算法(SRC)。阐述了主成分分析法(PCA)提取特征向量的工作原理和稀疏表示分类算法的实现,以及人脸识别储物柜的硬件实现和软件流程。试验结果表明,与传统的识别算法比对,结合压缩感知理论的人脸识别方法,识别率高,对噪声、有部分遮挡物情况的识别效果较好。

包含非连通组的动态组结构稀疏人脸识别方法

针对稀疏分类模型中存在着非连通的组结构,为提高模型的表示能力,提出一种非连通的动态组结构稀疏人脸识别方法.该方法采用组合方式搜索所有可能的基块,包括非连通基块,通过基块的联合构造动态组结构;将高维数据按类别分块,在小的分块内进行组合搜索,避免了组合爆炸;采用编码复杂度来衡量数据的结构稀疏度,给出各种结构的编码复杂度计算方法;基于结构贪婪算法实现非连通的动态组结构稀疏重构.最后在AR,Extended Yale B和CMU-PIE人脸库上进行实验,验证了文中方法的有效性及稳定性.

基于L_0稀疏约束的近似稀疏解人耳识别

传统的人耳识别算法在人耳图像遮挡、噪声和人耳多姿态变化中表现出低识别率,近年来稀疏表示在模式识别领域中取得了很好的成果。决定稀疏分类器识别精确度的因素主要是稀疏解的稀疏度,而稀疏度的估计就是稀疏向量中非0元素的估计,即向量L_0范数。因此在人耳稀疏分类算法的研究中引入L_0范数稀疏约束。采取基于SRC(sparse representation-based classification)稀疏模型,选取对人耳姿态变化具有强鲁棒性的特征逼近过完备字典,然后使用OMP(orthogonal matching pursuit)算法直接解L_0问题,并加入稀疏约束,从优化稀疏解的角度对人耳稀疏分类算法进行改进,提高了人耳识别效率。

基于块分类和字典优化的K-SVD图像去噪研究

基于K-奇异值分解(K-SVD)的图像去噪方法使用K-SVD算法训练得到的过完备字典对图像进行稀疏表示去噪,能够在去除噪声的同时较好地保持原始图像信息。但该方法缺少对图像结构特征的考虑;此外,K-SVD算法训练得到的字典中往往含有噪声原子,从而导致该方法在强噪声下去噪性能欠佳。针对这些局限性,提出一种新的去噪方法:基于块分类和字典优化的K-SVD去噪方法。首先通过图像块的分类训练得到与图像结构相适应的字典,能够更为稀疏地表示图像;然后通过噪声原子检测将字典原子分为噪声原子和非噪声原子,并对噪声原子进行替换,减弱噪声原子对去噪性能的影响,得到优化字典;利用优化字典对图像进行稀疏表示去噪。仿真实验表明,与非局部均值去噪、曲波去噪以及经典K-SVD去噪等算法相比,新方法能够取得更好的去噪结果。

稀疏表示和贪婪搜索的人脸分类

目的随着稀疏表示方法在图像重建问题中的巨大成功,研究人员提出了一种特殊的分类方法,即基于稀疏表示的分类方法。为了加强样本间的协作表示能力以及减弱稀疏分解时的强L1约束,提出了一种在稀疏分类框架下的迭代剔除机制和贪婪搜索策略的人脸识别方法。方法将测试样本表示成训练样本线性组合的方式,并在所有训练样本中通过迭代计算来消除对分类影响较小的类别和单个样本,在系数分解的过程中采用最小误差正交匹配追踪(Ec OMP)算法,进而选择出贡献程度大的类别样本并进行分类。结果在迭代更新样本字典的过程中,强化了真实类别的表示能力,并弱化了分解系数的强L1约束。在所有的实验中,正则化参数λ的取值为0.001,在ORL、FERET和AR 3个人脸数据库上,本文算法的识别率可分别达到97.88%、67.95%和94.50%,进而验证了本文算法的有效性。结论提出的在稀疏分类框架下的迭代剔除机制和贪婪搜索策略的人脸识别方法,在动态迭代的机制中完成了样本字典的更新,平衡了协作表示和稀疏约束的关系,相比较原始的稀疏分类模型有更好的准确性和稳定性。

基于联合稀疏表示与形态特征提取的高光谱图像分类

为了进一步提高稀疏表示分类能力,提出了基于联合稀疏表示算法与形态学特征的高光谱图像(HSI)分类算法。该算法对高光谱图像提取主成分特征图,并利用结构元素对主成分特征图进行多维的空间结构特征提取,结合提取的形态学特征与原始光谱特征,利用联合稀疏表示算法将同一空间区域中的像元联合进行稀疏系数矩阵的求解,最终通过最小残差判断准则确定像元类别。在AVIRIS与ROSIS HSI上的实验结果表明,该算法在分类效果和分类总精度上都有显著提高。

基于稀疏表示和HOG特征的掌纹识别方法

针对掌纹识别过程中,采集图象易受到外界光照等物理因素的影响,传统重构方法中稀疏表示算法计算复杂度高等缺陷,提出基于稀疏表示(SR)和梯度方向直方图(HOG)特征的掌纹识别方法,将分类正交匹配追踪算法(COMP)稀疏表示方法与HOG特征相融合,以降低复杂度。该算法首先利用HOG算法提取掌纹训练与测试样本图像的特征矩阵,将训练样本图像的HOG特征矩阵作为稀疏表示的过完备字典;然后运用COMP算法求解掌纹图像在过完备字典上的稀疏表示,将所得的最佳稀疏表示系数对测试图像进行重构;最后通过计算测试样本图像HOG特征矩阵与得到的每类重构图像最小残差的数值确定图像的类别。实验结果表明,该方法有效地降低了计算的复杂度,具有良好的掌纹识别性能。

基于镜像图的LRC和CRC偏差结合的人脸识别

为了提高人脸识别率及更好地显示人脸特征,本文提出了一种基于镜像图的LRC和CRC偏差结合的人脸识别方法.该方法首先生成一种镜像人脸,再通过融合原始人脸和镜像人脸形成新的混合训练样本,最后利用LRC和CRC偏差结合进行人脸识别.新方法增加了训练样本的数目,克服了由于光照和姿态等外部因素带来的影响.实验结果表明,镜像图与LRC和CRC偏差结合的人脸识别方法提高了人脸识别的准确性.

基于结构划分字典学习的雷达目标识别

在使用高分辨距离像进行雷达目标识别时,有时必须面对大样本问题,可实际上雷达在某一时刻观测到的物理过程是很少的,传统的方法在识别过程中从未考虑过距离像信号的稀疏性。为此,文中提出了一种基于结构划分冗余字典完成雷达一维距离像稀疏表示,进而实现目标识别的算法。该算法首先依据字典原子的结构特点划分冗余字典,简化字典表述的同时减少原子数据存储量;随后,采用改进的遗传匹配追踪算法(IGAMP)对一维距离像训练样本进行稀疏分解以获得各类目标的类别字典;最后,根据类别字典分析测试样本的重构误差实现目标识别。仿真实验证明,文中算法简捷、识别率高,即便受到噪声干扰依然能稳健地识别目标。