基于KPCA和投影字典对学习的人脸识别算法

相比基于稀疏约束的字典学习算法和识别方法,投影字典对学习(projective Dictionary Pair Learning,DPL)具有更快的学习速度和更高的识别率.为了进一步提高DPL的识别能力,本文提出了改进DPL算法K-DPL,即将核主成分分析KPCA与DPL相结合的识别方法.在K-DPL算法中,利用核方法,将样本映射到高维空间以解决非线性问题,再进行DPL训练,得到更具判别性的字典.ORL库上实验表明,不同训练比下K-DPL相比DPL识别率至少提高了1.5%且识别速度提高了约20倍.在扩展Yale B和AR库上,K-DPL相比DPL识别率分别提高0.3%和0.4%,且识别速度有所提高,表明K-DPL对光照和遮挡具有较好的鲁棒性.

融合Gabor特征与投影字典对学习的人脸识别算法

为了获得更好的人脸特征,有效地提高算法的识别率,提出了一种联合Gabor特征与投影字典对学习的人脸识别算法G-DPL。算法使用Gabor小波提取人脸图像的局部特征,对特征向量使用PCA与LDA的方法进行降维。将投影字典对学习算法与降维后的Gabor特征融合,然后进行分类识别。提出的G-DPL算法在ORL库上整体识别率达到99.00%,特征维数为39维。在AR库上识别率达到96.14%,特征维数为99维。提出的G-DPL算法在占用较少空间的同时能够获得更高的识别率,对实际应用具有一定的参考价值。

具有判别能力的低秩投影字典对学习

与传统字典学习算法相比,新的投影字典对学习(DPL)算法在字典学习过程中引入了投影字典,利用投影编码替代目标样本在字典上的稀疏编码,有效降低了模式识别算法的计算量,但是原始的DPL算法对遮挡和噪声干扰较为敏感。为了解决这一问题,提出了一种具有判别能力的低秩投影字典对学习(DLPL)算法,该算法在模型中增加了对字典的低秩约束并利用最小二乘估计法对标签样本投影编码的分类误差进行约束,待求字典和投影字典都具有封闭形式的解,通过交替优化方法进行快速求解。不同数据库中的实验结果表明,DLPL算法不仅可以改善字典在遮挡和噪声干扰下的性能,提高模式识别正确率,而且可有效缩短模型的训练时间和测试时间。

基于联合投影字典学习的辐射源调制识别

针对字典学习用于辐射源识别时原子表征能力有限和复杂环境适应性不足问题,提出一种基于联合投影字典学习的辐射源识别方法。利用时频变换提取辐射源信号初始特征,并通过降维、降噪实现特征预处理;采用核空间投影和降维投影学习方式优化字典原子结构,基于数据集训练获取联合投影字典;通过分类测试完成了有效性验证。仿真结果表明:该方法所提取字典原子具备较强表征能力,能够适应参数多变的复杂环境;较常规有监督字典学习方式更易区分多类型、高相似度信号,-6 dB时单载频信号、线性调频信号、非线性调频信号、二相编码信号、四相编码信号、Frank信号、二相频率编码信号、四相频率编码信号、非线性调频-二相编码复合调制信号、二相频率编码-二相编码复合调制信号10类辐射源信号的整体平均识别率为94.4%.

在线判别双字典学习的目标跟踪算法

传统目标跟踪算法的模板更新方法易导致目标模型漂移,为此提出一种在线判别双字典学习算法更新目标模板.双字典由目标字典和投影字典组成,其中目标字典表示目标模板.根据目标和背景样本在线迭代学习双字典,保证获其对目标维持高度描述性.通过判别函数的约束,不但降低背景信息更新到目标字典中的概率,而且保证真实目标在投影近字典上的投影近似于在目标字典上的稀疏系数,背景在投影字典上的投影近似零.因为投影的运算量较低,所以利用投影字典选择与目标字典相近的候选目标可以降低算法整体运算量.实验表明,在各种复杂环境中,算法都具有较高的稳定性.