基于局部稀疏表示的三维模型识别算法

为了对未知分类信息的三维模型进行分类,提出三维模型分类识别算法.首先以改进的形状直径函数(shape diameter function,SDF)特征描述符为基础对所有三维模型提取特征向量,并将未知分类信息的三维模型作为测试模型,在已知分类的三维模型数据库中找到与测试模型最相似的k个模型;然后在这k个模型中利用稀疏表示分类方法对测试模型进行识别;最后确定测试模型在三维模型数据库中的分类信息.实验结果表明,该算法简单且易于实现,具有较高的识别准确率及较强的鲁棒性.

改进的局部稀疏表示分类算法及其在人脸识别中的应用

近年来,稀疏表示分类(Sparse Representation Based Classification,SRC)方法在人脸识别中受到越来越多的关注。原始SRC方法使用所有的训练样本组成字典矩阵,当训练样本比较多时,稀疏系数的求解会变得非常耗时。为了解决这一问题,提出一种新的局部稀疏表示分类(Local SRC,LSRC)方法。该方法针对每个测试样本,根据测试样本和训练样本稀疏系数之间的相似性来选择部分训练样本,由这些训练样本组成字典,然后在这个字典上对测试样本进行稀疏分解。该方法性能相比于原始LSRC方法更稳定。在ORL、Yale和AR人脸库上的实验结果表明,该方法的效果优于SRC和LSRC。

基于局部稀疏表示的目标跟踪算法

根据局部稀疏表示的特点,文章提出了一种基于局部稀疏表示的目标跟踪算法,该算法利用图像的局部稀疏系数作为训练样本,在贝叶斯分类器的框架下完成跟踪任务。首先,使用字典来提取局部图像块的稀疏系数,作为图像特征;然后通过训练简单的贝叶斯分类器来区分目标与背景;最后使用两步搜索策略对目标进行准确跟踪;此外,该算法还使用了一种能够去除遮挡干扰的鲁棒性更新策略。对比实验结果表明,该算法具有较为稳定的跟踪效果。

基于局部稀疏表示的多帧图像特征目标跟踪方法

多帧图像中存在的噪声相较于单帧图像中的噪声更多,因此,为了准确跟踪多帧图像目标,提出了基于局部稀疏表示的多帧图像特征目标跟踪方法。采用局部稀疏表示方法将多帧图像目标进行分块,跟踪子块的移动轨迹与当前状态,基于当前状态构建目标函数,将经目标函数处理后的分块按照一定的顺序进行排列得到初始检测结果,在此基础上,对图像仿射变换,实现多帧图像特征目标跟踪。实验结果表明,所提方法目标跟踪时的中心误差较低,不超过5%。在10 min目标遮挡和模糊视频中,可以在2 s之内完成目标跟踪。在定性评价上,所提方法能够准确跟踪目标,有效提高图像特征目标跟踪效果。

局部稀疏表示的鲁棒PCA人脸识别

近来提出了一种基于误差分析的鲁棒PCA人脸识别算法,然而当字典增大时,低秩分解就变得很复杂。针对此问题提出了一种局部稀疏表示的鲁棒PCA人脸识别算法。根据稀疏表示系数之间的相似性,选取邻近样本组成新的字典,然后通过鲁棒PCA进行低秩人脸识别。通过Yale、ORL人脸数据的实验,表明该算法对光照、遮挡仍具有较好的鲁棒性,同时大大减少计算成本。另一方面也说明通过稀疏表示选取邻近样本的可行性。

基于局部稀疏表示的多示例学习跟踪方法研究

针对目标纹理变化、光照和位置变化较大时,跟踪不稳定、易丢失目标的问题,提出通过多示例学习的训练数据生成局部稀疏编码,建立对象的外观模型。首先,目标对象的局部图像块由过完备字典结合稀疏编码表示;其次,分类器学习稀疏编码进而识别背景中的目标;最后,将训练分类器得到的结果输入粒子滤波框架,进而预测目标状态随时间的变化。此外,为了减少字典更新和分类器累积误差形成的视觉漂移,采用弱分类器结合强分类器进行目标跟踪。

自适应融合局部和全局稀疏表示的图像显著性检测

针对基于局部或全局稀疏表示的图像显著性检测方法频繁出现提取对象不完整、边界不光滑及噪声消除不干净等问题,提出自适应融合局部和全局稀疏表示的图像显著性检测方法。首先,对原始图像进行分块处理,利用图像块代替像素操作,降低算法复杂度;其次,对分块后的图像进行局部稀疏表示,即:针对每一个图像块,选取其周围的若干图像块生成过完备字典,基于该字典对图像块进行稀疏重构,得到原始图像的初始局部显著图,该显著图能够有效提取显著性目标的边缘信息;接着,对分块后的图像进行全局稀疏表示,与局部稀疏表示过程类似,不同的是针对每一个图像块所生成的字典来源于图像四周边界处的图像块,这样可以得到能有效检测出显著性目标内部区域的初始全局显著图;最后,将初始局部和全局显著图进行自适应融合,生成最终显著图。实验结果表明,提出算法在查准率(precision)、查全率(recall)及F-measure等指标上优于几种经典的图像显著性检测方法。

基于局部稀疏表示和线性鉴别分析的典型相关分析

为在特征融合中综合利用数据的类别信息和数据结构中所蕴含的自然鉴别信息,提出一种基于局部稀疏表示和线性鉴别分析的典型相关分析算法.首先利用局部稀疏表示模型,以较小的计算复杂度获取局部稀疏重构矩阵;然后在典型相关分析的框架中实现对局部稀疏结构保持、线性鉴别分析和组合特征相关性的联合优化,增强了融合特征的鉴别能力.在人工数据、多特征手写字数据、人脸数据上的实验表明了所提出方法的有效性.

改进稀疏表示的人脸识别在高校管理中的应用

为了提高高校管理的效率和质量,实现对全天时的人员监测十分重要。由此,论文提出结合全局和局部字典稀疏表示的人脸识别方法并将其应用于高校信息化管理中。全局字典上的稀疏表示体现了测试样本与各训练类别的相似性的相对大小。局部字典的稀疏表示则体现了测试样本与某一类的绝对相似性。通过线性加权融合的方法结合全局和局部稀疏表示的结果,有效提升了人脸识别的稳健性。在AR和Yale-B人脸库上的实验证明了提出方法的有效性。

先验采样约束结合扩展遮挡字典的细化稀疏人脸识别技术研究

为解决可能存在遮挡环境下的模式识别问题,提出先验采样约束结合扩展遮挡字典的细化稀疏人脸识别算法。针对训练样本无法包含测试样本遮挡变化的情况,首先需要构造遮挡字典(墨镜、围巾等),进而利用先验局部采样子模块稀疏表示分类方法判断测试样本可能存在的遮挡模式;然后对未被遮挡的局部子模块利用Borda计数投票,依据每类残差大小分配给不同的票数,计算样本类别信息;其次根据遮挡模式结果,利用全局稀疏表示通过构造样本遮挡扩展字典对测试样本进行全局分类投票;最后将两次分类投票结果进行融合,最终实现是否存在遮挡环境下的精细模式判别。实验结果表明,本文算法不仅能够给出准确的模式类别,还能给出遮挡类别信息,可得到精细化识别结果。

基于局部差别性分析的目标跟踪算法

在复杂场景下,为了更好地提升跟踪的鲁棒性,基于局部的相似度测量得到了广泛应用。然而,局部遮挡,形变和光照变化等场景的复杂性,基于传统局部相似度测量的目标跟踪存在很大缺点,例如,在跟踪过程中,仅仅依靠目标和模板的匹配度容易造成跟踪的偏移现象。鉴于此,该文提出一种基于局部差别性相似度测量的目标跟踪算法。首先,以目标-背景的差异性,形成相似性和差异性相结合的局部判别性相似度测量;其次,基于子块在视频序列中的差异性,对子块进行差异性学习,以提高跟踪的准确性。最后,在粒子滤波框架下,基于差别性局部区域测量构建了一种有效的目标跟踪算法。实验结果表明,在复杂图像序列中,该算法实现了目标的准确跟踪,并在光照变化、旋转、缩放和遮挡等方面具有较好的效果。

基于子空间联合模型的视觉跟踪

目标跟踪是计算机视觉的重要组成部分,其鲁棒性一直受到目标遮挡,光照变化,目标姿态变化等因素的制约。针对这个问题,提出了基于子空间联合模型的视觉跟踪算法。算法为了克服遮挡对目标跟踪的影响,采用局部动态稀疏表示进行遮挡检测,根据遮挡检测结果来修正增量子空间误差。此外,在稀疏子空间基础上计算目标模板和候选模板的相似性。在粒子滤波框架下,联合候选目标增量误差和相似性实现目标跟踪。通过在多个具有挑战性的视频序列上进行实验,表明该算法具有较好的鲁棒性。

Single frame super-resolution reconstruction based on sparse representation

In order to effectively improve the quality of recovered images, a single frame super-resolution reconstruction method based on sparse representation is proposed. The combination method of local orientation estimation-based image patch clustering and principal component analysis is used to obtain a series of geometric dictionaries of different orientations in the dictionary learning process. Subsequently, the dictionary of the nearest orientation is adaptively assigned to each of the input patches that need to be represented in the sparse coding process. Moreover, the consistency of gradients is further incorporated into the basic framework to make more substantial progress in preserving more fine edges and producing sharper results. Two groups of experiments on different types of natural images indicate that the proposed method outperforms some state-of- the-art counterparts in terms of both numerical indicators and visual quality.

多传感器NCSR红外图像超分辨率算法

提出一种新的多传感器红外图像超分辨率算法。算法将一种非局部集中稀疏表示模型与红外图像的高频估计图像相结合:首先根据相位一致算法提取可见光图像和红外图像的边缘;然后将提取的图像边缘按照相关和非相关边缘分类,分类后依据可见光图像与红外图像的二次仿射变换关系模型,得出相关边缘红外图像块的高频估计;最后将高频估计与非局部集中稀疏表示模型的字典训练过程结合起来,得到新的正则化模型,由此模型重建高分辨率红外图像。实验结果证明本文算法在主观视觉效果和客观评价指标方面均优于传统算法。

基于联合LLE和SSR的滚动轴承故障诊断方法

针对滚动轴承振动信号具有较强的非线性,且包含较多冗余和无关特征,导致提取本质特征和故障识别困难,提出一种基于联合局部线性嵌入和稀疏自表示(joint locally linear embedding and sparse self-rep-resentation,JLLESSR)与参数优化支持向量机的滚动轴承故障诊断方法.该方法构造了一个统一的特征提取框架,依靠局部线性嵌入(locally linear embedding,LLE)挖掘高维数据的局部几何结构,同时通过稀疏自表示(self-representation)在低维空间挖掘高维数据的全局几何结构,得到表征滚动轴承运行状态的嵌入特征.然后,将得到的特征输入至交叉优化支持向量机(cross-validation support vector machine,CV-SVM)中进行故障识别.最后,在常见滚动轴承故障数据集上对所提出的方法进行测试,实验结果表明提出的方法能有效识别出滚动轴承不同类型的故障,并且故障诊断精度可达98.5%.