复杂场景下声频传感器网络核稀疏表示车辆识别

提出一种基于核稀疏表示的声频传感器网络车辆识别方法.首先利用Mel频率倒谱系数提取车辆声音特征;然后采用核方法将其投影到高维特征空间以实现线性可分,将线性稀疏表示扩展到核域空间,构建过完备字典,求解核稀疏最优化问题对目标车辆进行分类.实验验证了该算法在声频数据集结构复杂的情况下,能有效地识别目标车辆,与传统的声频目标分类算法相比,提高了识别的准确率.

基于局部敏感核稀疏表示的视频跟踪

为了解决?1范数约束下的稀疏表示判别信息不足的问题,该文提出基于局部敏感核稀疏表示的视频目标跟踪算法。为了提高目标的线性可分性,首先将候选目标的SIFT特征通过高斯核函数映射到高维核空间,然后在高维核空间中求解局部敏感约束下的核稀疏表示,将核稀疏表示经过多尺度最大值池化得到候选目标的表示,最后将候选目标的表示代入在线的SVMs,选择分类器得分最大的候选目标作为目标的跟踪位置。实验结果表明,由于利用了核稀疏表示下数据的局部性信息,使得算法的鲁棒性得到一定程度的提高。

复杂场景下结合SIFT与核稀疏表示的交通目标分类识别

针对复杂场景下的交通目标分类识别难点,提出一种基于尺度不变特征转换(SIFT)与核稀疏表示的分类识别算法.该算法首先利用SIFT分别提取训练样本和待测目标局部特征信息,通过核方法将特征样本映射到核空间,构建过完备字典,最后通过待测目标在字典中的稀疏度与重构误差对交通目标类别进行判定.同时,分析了随机投影下的核稀疏表示分类与特征维数之间的关系.实验结果表明,与SVM、稀疏表示分类(SRC)相比,该方法增强了交通目标特征层的类判别能力,具有较好的识别率和鲁棒性.

基于稳健主成分分析与核稀疏表示的人脸识别

针对现有人脸识别方法难以有效抑制噪声和误差干扰(如光照、遮挡和表情等)的问题,提出一种基于稳健主成分分析的核稀疏表示分类算法。利用稳健主成分分析将各类训练样本转化为低秩矩阵和误差矩阵之和,并运用这2个矩阵构成稀疏表示的冗余字典。将核稀疏表示问题通过矩阵变换转化为常规的稀疏表示问题,采用正交匹配追踪算法求解该问题得到稀疏表示系数。通过稀疏表示系数计算每个类的重构误差,从而实现人脸识别。实验结果表明,与SRC,ESRC等算法相比,该算法具有较高的人脸识别率,且对噪声和误差干扰有较强的适应能力。

基于核稀疏表示的图像去噪算法

传统去噪算法去除噪声后仍有噪声残留,且噪声较大时的图像去噪效果不明显。针对该问题,提出一种新的图像去噪算法。将输入的噪声图像分成相互重叠的图像块,随机抽取适量的图像块学习得到自适应的冗余字典,给出核正则化正交匹配追踪技术,利用该技术得到稀疏表示系数,并使用稀疏表示系数恢复原图像。实验结果表明,与K-奇异值分解算法相比,该算法的峰值信噪比较高,且能较好地保持图像的细节和纹理信息。

基于核稀疏表示的人脸人耳融合识别算法的研究

针对人脸人耳融合识别算法对图像光照变化、表情变化、拍摄角度变化等鲁棒性不强的问题,将核稀疏表示理论引入到人脸人耳融合识别中,提出基于核稀疏表示的人脸人耳融合识别算法。新算法采用的是能有效降低样本维度的PCA特征提取算法,人脸人耳的特征融合层级选用既能实现冗余信息有效压缩,又能最大程度利用不同模态生物特征可区分性的特征级融合。考虑到不同模态生物特征对最终识别的贡献可能有所不同,该算法采用加权串联融合法,同时测试样本在训练样本中稀疏表示系数的求解采用的是迭代速度比较快的正交匹配追踪算法。与其他识别算法相比,该算法具有非常好的识别性能,并且对人脸人耳图像变化具有很强的鲁棒性。

基于稀疏字典学习和核稀疏表示的激光遥感图像超分辨重建

针对激光遥感图像的超分辨重建问题,提出了基于稀疏字典学习和核稀疏表示的单幅图像超分辨重建算法。该算法首先利用已有的高分辨图像,通过预处理得到高低分辨样本集;然后利用稀疏字典学习技术训练得到稀疏的高低分辨字典对;最后提出了核正交匹配追踪算法求解核稀疏表示问题得到稀疏表示系数,结合高分辨字典重建高分辨图像。相比较现有同类的超分辨重建算法,由于采用了稀疏字典学习技术,该算法训练字典时需要较少的样本数和计算量,同时由于核稀疏表示能够描述图像的细节信息,使得重建效果得到了进一步的提高。实验结果验证了算法的有效性。

应用一种多核稀疏表示模型实现掌纹分类

与稀疏表示(SR)模型相比,基于单个核函数的SR(KSR)模型可以有效减少数据维数、降低学习模型的计算复杂度并提高特征分类精度;但这种模型对核函数及其参数的选择通常不能包含恰当的、完整的分类信息。为了满足更高的特征分类精度需求,提出了一种基于多个核函数的SR(M-KSR)模型及其快速稀疏优化方法,并将其应用于掌纹图像的分类。测试结果证明了基于M-KSR模型的掌纹分类方法的有效性和实用性。

基于空间特征联合核稀疏表示的脑肿瘤提取方法

为了提高融合多序列MR图像应用于脑肿瘤提取时分割区域的准确性,基于核稀疏表示分类方法,联合多序列MR图像中的空间结构和灰度特征信息,提出一种空间特征联合的脑肿瘤核稀疏表示分类方法.首先构建各个类别的子字典,再用邻域滤波核稀疏表示方法对多序列脑MR图像进行分类,该邻域滤波核可以有效地将灰度特征与空间结构结合起来提高脑肿瘤提取的准确性.对国际数据库MICCAI Bra TS提供的临床和仿真数据进行分割.结果表明:与稀疏表示分类方法相比,所提出的基于空间特征联合核稀疏表示的脑肿瘤提取方法由于增加了空间结构信息,所得的提取准确率提高了5%~6%.

基于核稀疏表示的多模身份识别算法

针对训练样本与测试样本非线性可分问题,借助核算法,将样本特征向量映射到易实现线性可分的核空间,进而在高维核空间内运用核稀疏表示对所提取的特征进行分类表达。该算法受益于将核稀疏表示理论同多模生物识别技术相结合,使其对生物特征图像有较强的鲁棒性。实验证明基于核稀疏表示的多模身份识别算法在遮挡、含噪声的情况下具有较好的识别准确率,相较于其他同类算法在性能上有一定程度的提高。

基于核稀疏表示的多流形判别分析

针对单样本人脸识别中非线性可分性的问题,提出了一种基于核稀疏表示的多流形判别分析(KSRMMDA)算法。首先,对数据图像进行分块,构建多流形模型;其次,运用核稀疏表示方法刻画各流形数据点之间的关系,学习流形内部图和流形间图;再次,在每个流形空间中分别寻找最佳的投影来保持流形内部图的特征,同时抑制流形外部图的特征;最后,通过计算测试样本流形到训练样本流形的距离进行分类识别。在extended Yale B和CMU PIE数据集上的实验研究表明,与其他同类算法相比,所提算法对光照、遮挡变化具有更强的鲁棒性。

基于Metaface字典学习与核稀疏表示的人脸识别方法

完备的稀疏表示方法近年来应用在人脸识别中并取得较好的结果,它可以仅利用样本的随机投影完成对测试样本的识别。在实际应用中,由于受光照、遮挡等因素的影响,测试样本并不能通过训练样本的线性组合得到很好的稀疏重构。本文提出了基于Metaface字典学习与核稀疏表示的人脸识别方法,借助核技巧,将数据样本和字典集映射到高维的未知空间,以解决特征的非线性相似问题。在核空间对数据样本进行稀疏重构,得到数据在核空间的一种简洁的稀疏表达方式从而提高识别率,而Metaface字典学习框架的引入可以得到更加精炼的字典,从全局上提高识别率。通过在ORL人脸库、Yale人脸库和AR人脸库的实验表明,同等情况下,本文提出的方法优于PCA,SVM,SRC等方法,进一步提高了人脸识别率,具有较好的应用价值。

基于核稀疏表示和AdaBoost算法的自然场景识别

为了提升自然场景图像的识别精度,结合bag-of-visual word模型,提出了一种基于核稀疏表示的图像识别方法。该方法的图像描述部分主要利用核稀疏表示在高维度空间进行图像特征的匹配表示,识别部分采用AdaBoost分类器,对各个类别编码并在对应的核矩阵上进行划分,从而实现多类场景图像的识别能力。实验结果表明,该方法有效的提升了图像描述的准确度与对自然场景图像识别的精度。

基于核稀疏表示的多业务规划终端可视化系统设计

受到数据与图像转换能力的限制,导致传统终端可视化系统存在可视化效果不佳、兼容性能低的问题,为此利用核稀疏表示算法,从硬件和软件两个方面实现对多业务规划终端可视化系统的优化设计。在硬件方面主要改装无线通信网络、液晶显示设备以及数据处理与存储设备,并调整硬件电路的连接结构。在硬件设备的支持下,将电网的业务规划数据导入到数据存储器中,并利用核稀疏表示算法实现数据与图像的转化,通过对视图图形的配置,分别从GIS地图设备分布、设备信息搜索查询详情和规划项目与指标监控3个方面,实现多业务规划终端的可视化。通过与传统可视化系统的对比测试,发现设计的可视化系统的有效信息量提高了3.0%,同时清晰度也有所提高,即可视化效果更好,兼容性能也更高。

基于自适应矩阵的核联合稀疏表示高光谱图像分类

针对高光谱图像丰富的空间信息和光谱信息未充分利用的问题,提出了基于自适应矩阵的核联合稀疏表示高光谱图像分类的方法。在特征表示阶段,定义了自适应矩阵特征,通过结合自适应邻域块策略与非线性相关熵度量构成的特征来描述原始光谱像素,充分融合了形状可变的空间信息与非线性光谱信息。在分类阶段,考虑自适应矩阵和高光谱图像非线性,采用对数欧式核函数,构建了核联合稀疏表示模型,以获得重构误差。同时利用字典空间信息构建了矩阵相关性,引入平衡参数实现了稀疏重构误差与矩阵相关性的联合分类。在两个数据集上的实验结果表明,该算法充分利用了高光谱图像的空间信息、光谱信息,能够有效提高分类精度。

基于核空间联合稀疏表示和指数平滑的多基地水下小目标识别

针对多基地水下小目标分类识别问题,本文提出了一种基于核空间联合稀疏表示和指数平滑的多基地水下小目标识别方法 .对水下目标多角度散射信号提取6种典型的具有信息互补性和关联性的特征,提出一种随机森林(Random Forest,RF)和最小冗余最大相关(minimum Redundancy and Maximum Relevance,mRMR)相结合的特征选择方法(RF-mRMR),得出综合的特征重要性排序结果 .通过实验得出分类模型所需的最优特征子集,达到降低数据处理复杂度和提高目标分类结果的目的 .为了捕捉到数据中的高阶结构,在联合稀疏表示模型的基础上,使用核函数将线性不可分的特征数据映射到高维核特征空间.为了充分挖掘稀疏重构后包含在残差波段中的有用信息,使用指数平滑公式对具有一定意义的残差信息进行再利用,最后由核特征空间下的最小误差准则判定目标的类别.应用本文提出的方法对4类目标的海试数据进行识别,结果表明,相较于其他7种对比算法,本文提出的改进方法具有更好的分类性能,而且大多数情况下,本文提出的算法在双基地声呐模式下具有比单基地声呐更高的识别准确率和更低的虚警率.

一种局部敏感的核稀疏表示分类算法

为了克服核稀疏表示分类(KSRC)算法无法获取数据的局部性信息从而导致获取的稀疏表示系数判别性受到限制的不足,提出一种局部敏感的KSRC(LS-KSRC)算法用于人脸识别。通过在核特征空间中同时集成稀疏性和数据局部性信息,从而获取具有良好判别性的用于分类的稀疏表示系数。在标准的ORL人脸数据库和Extended Yale B人脸数据库的试验结果表明,本文方法的分类性能优于传统的(KSRC)算法、稀疏表示分类(SRC)算法、局部线性约束编码(LLC)、支持向量机(SVM)、最近邻法(NN)以及最近邻子空间法(NS),用于人脸识别能够取得优越的分类性能。

基于改进核联合稀疏表示的高光谱图像分类算法

为了解决高光谱图像分类时邻域信息、噪声和区域边界对分类效果影响较大这一问题,提出一种基于改进核联合稀疏表示的高光谱图像分类算法。首先,从递归滤波处理后的高光谱图像中提取光谱空间特征,将邻域像元集与超像素分割的像元集合并,通过谱聚类算法筛选出优质像元集,再进行核联合稀疏表示获取残差;然后,利用KNN算法计算超像素分割像元集中测试样本与各类训练样本之间的距离;最后,通过决策函数对待测像元进行分类。数值实验结果表明:分类效果得到有效提升,验证了该方法的有效性和实用性。

基于张量投影的多特征非局部动态核稀疏表示的SAR图像分类

为了解决多特征空间非线性不可分问题,充分考虑不同类型特征局部信息的共性和个性,以及非局部信息差异性,提出一种基于张量投影的多特征非局部动态核稀疏表示方法。在SAR图像多特征基础上,将核变换、张量投影理论和动态核稀疏表示进行融合,实现SAR图像分类,并在SAR数据集上验证了所提方法有效性。

基于核的两阶段稀疏表示的人脸识别研究

为了提高人脸识别的分类正确率,提出了一种基于核的两阶段稀疏表示(KBTPSR)的人脸识别方法。该方法首先利用一个非线性函数将原始数据空间映射到特征空间;然后,在该特征空间中将待测样本表示为所有训练样本的一个线性组合,接下来根据每个训练样本的表示贡献选出待测样本的M个最近邻;最后,将待测样本表示为上述M个最近邻的一个线性组合并且利用每一类训练样本对待测样本的表示贡献来完成分类。大量的实验结果表明,该方法可以获得很好的识别效果。