基于级联稀疏表示分类器的人脸识别算法

针对基于稀疏表示的分类器算法复杂度高、识别速度较慢的问题,提出了基于级联稀疏表示分类器的人脸识别算法。该算法采用级联的思想,通过多次重复使用基于稀疏表示的分类器,逐级精确确定待分类样本所在的类,降低了计算复杂度和识别难度,达到了识别率高、鲁棒性强、识别速度快的目标。

一种用于人脸识别的contourlet域稀疏表示分类器

超完备稀疏表示法可以有效解决人脸识别领域中由于光照、表情变化、遮挡和噪声问题等原因造成的性能瓶颈。基于超完备稀疏表示法,将人脸识别问题看作是为多个线性回归模型中的分类问题,提出了一种基于Contourlet域的稀疏表示分类器,改进了利用主成分分析进行数据预处理所造成的鉴别信息丢失,提升了稀疏表示分类器的鉴别能力。在ORL库、Yale库、扩展Yale库和PIE库上大量实验结果验证了算法的有效性。

基于稀疏表示分类器的和弦识别研究

和弦识别作为音乐信息标注的基础,在分析音乐结构和旋律方面具有非常重要的作用。结合音乐理论知识,提出一种基于稀疏表示分类器的和弦识别方法。与传统的基于帧的识别方法不同,以节拍作为和弦变化的最小时间间隔,利用CQT(Constant-Q Transform)变换对音乐信号进行时频分析,提取PCP(PitchClass Profile)特征,采用稀疏表示分类器(Sparse Representation-based Classification,SRC)进行和弦识别。实验结果表明,提出的特征和识别方法在识别率上均高于传统的方法。

一种新的稀疏分类融合方法及其在机车轴承故障诊断中的应用

针对高速列车轴箱轴承的健康状态监测中存在的故障数据不充分,单个分类器故障识别精度不高的问题,提出基于K-SVD重构残差的稀疏分类融合诊断方法。该方法利用K-SVD分解后的重构误差表征训练样本在每种故障模式下的分类趋势,根据样本的重构残差分布估计各K-SVD分类器的混淆矩阵并计算相应的可靠性矩阵,再结合D-S证据融合理论对测试样本在各K-SVD分类器下的故障识别结果进行融合分析,得到最终诊断结果。该方法在动车轴箱轴承故障试验中的应用结果表明,提出的新的稀疏分类融合方法较单一特征分类器、传统的投票融合法的识别精度有显著提高,即使是在小样本情况下其容错性、稳定性也较好,解决了高速列车轴箱轴承故障诊断中单传感器检测精度低、单一域特征信息不足即证据冲突情况下分类信息难以有效融合的问题。

利用稀疏表达分类器实现交通指示灯识别

主要利用稀疏表达分类器的相关理论,推导出稀疏表达分类器的相关解法,对基于稀疏表达分类器建立的红绿灯识别系统进行试验验证。试验结果表明,该方法识别效果较好。

稀疏链式多标记分类器

高阶多标记学习算法能够挖掘所有类别标记之间的关系或标记子集的关系,但在处理错误传播和冗余或错误的类别依赖关系这两个问题上存在弊端。针对此类问题,在链式分类器的基础上,提出稀疏链式多标记学习算法(Sparse Classifier Chains,SCC);为了验证所提出算法的有效性,将其与5种多标记学习算法进行对比,选取8个评价指标来评估算法的性能,在12个标准数据集上进行了实验验证,并利用秩和检验方法来分析所有对比算法之间的相对性能;实验结果表明:稀疏链式多标记学习算法优于所有对比算法,显著优于部分算法,并具有较强的泛化性能。

基于总体局域均值分解及稀疏表示分类的天然气管道泄漏孔径识别

针对天然气管道泄漏受孔径、传感器距离、管道内压力等多种因素影响,特征提取及识别算法较为复杂的问题,提出了基于总体局域均值分解-相对熵的特征提取算法并结合稀疏表示分类的泄漏孔径识别新方法。该方法采用总体局域均值分解方法对泄漏信号进行自适应分解,得到不同孔径泄漏信号的特征信息,并根据KL散度选择包含主要泄漏信息的PF分量,在此基础上提取多种时频特征参数,获取全面准确表征泄漏信号的特征向量;针对小样本复杂信号的分类,提出稀疏表示分类器实现泄漏孔径准确分类。该分类器采用过完备字典求得测试信号的最稀疏解,并以此解作为测试信号的稀疏重构系数,以获取测试信号在不同类别中的重构信号,最终通过判断测试信号与重构信号的残差值大小完成泄漏孔径分类。实验结果表明,所提出的算法比传统的SVM及BP分类算法识别准确率高。

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。

RRA-InceptionV3结合鲁棒稀疏表示的表情识别方法

针对现实场景中人脸局部遮挡导致的表情识别准确度较低的问题,提出一种RRA-InceptionV3结合鲁棒稀疏表示的表情识别方法。将人脸图像通过多支路卷积运算和空洞卷积模块来获取丰富的表情特征,基于Asm-CBAM卷积注意力机制划分人脸表情特征的权重并进行多特征融合,随后堆叠密集残差模块,从多通道中自适应提取人脸特征信息,通过Asm-CBAM卷积注意力机制提高网络对人脸关键特征的注意力。在此基础上,利用鲁棒稀疏表示分类器方法对表情进行分类。在人脸数据集FER2013和CK+上的实验结果表明,该方法的人脸表情平均识别精度分别达到79.86%和98.74%,与OAD Net算法相比,分别高出7.50和3.14个百分点,能够高效提取人脸表情特征。此外,在人脸被遮挡的情况下具有较强的鲁棒性,有效提高了在人脸遮挡情况下表情识别的准确度。

基于自适应协同稀疏表示的多工况故障诊断方法

针对设备故障诊断中多工况与环境扰动对故障特征表征能力的影响问题,以及故障特征的个体差异性对稀疏分类精度的影响问题,提出基于自适应协同稀疏表示的多工况故障诊断方法。该方法通过各个故障特征在K-SVD稀疏表示中的重构残差构建特征稀疏分类性能的评分矩阵,以评分矩阵迭代优化后得到的权值矩阵对输入特征进行协同稀疏表示,更新字典原子与稀疏系数,使得同类故障模式下的稀疏重构误差最小化,不同类故障模式下的稀疏重构误差最大化,以增强每个样本特征的协同稀疏分类性能。该方法避免了多工况故障诊断中敏感特征筛选及特征高维映射的繁琐步骤,无需大量历史故障数据支撑,通过故障特征的自适应协同稀疏表征与稀疏分类器的加权迭代优化,建立最能表征设备故障状态的稀疏字典,有效提升了稀疏分类器对多工况设备故障的鉴别能力。滚动轴承与齿轮箱故障诊断实验结果表明,提出方法比现有的稀疏分类算法与传统的神经网络分类算法,具有更高的故障辨识精度与工况环境鲁棒性。

基于蜂群单阈值分割的SRC板材缺陷分类方法

针对传统单阈值板材缺陷分割算法易陷入局部最优、早熟以及收敛速度慢等缺点,提出了一种基于改进蜂群算法的单阈值分割算法.为了提高缺陷分类准确率并减少运算量,将稀疏表达分类器(SRC)运用到板材缺陷分类过程中.改进算法每次迭代都会同时进行全局和局部搜索,且侦查蜂随机全局选取蜜源以加快收敛速度,搜索半径可以根据时变搜索参数进行自适应调整,SRC可将缺陷分类问题转换为求最稀疏系数解的过程.结果表明,本文算法可以准确快速地计算出最佳分割阈值,并将分类准确率提高到90%以上,具有一定的可靠性与可行性.

基于多尺度单层自编码器的医学图像分类

计算复杂度和时间的限制,如何快速准确地对医学图像分类依旧是个挑战。本文提出了一种基于多尺度单层自编码器的医学图像自动分类方法。实验结果表明该系统提取到的特征的描述力和最终的识别率明显优于传统方法。

基于改进LTP算子和稀疏表示的人脸表情识别

为了提高实际应用中的人脸表情识别率,本文提出了改进局部三值模式算法(ILTP),并结合稀疏表达分类器(SRC)组成新的算法应用于人脸表情识别.该算法首先利用ILTP算法对人脸表情图像进行特征提取,然后将得到的图像顶层特征数据和图像底层特征数据作为SRC的输入,从而完成人脸表情分类.基于JAFFE数据的实验结果表明:改进算法的人脸表情识别率达70.48%,具有较高的可行性.

基于迭代剔除稀疏表示的人脸识别方法

近年来,人脸识别得到了广泛应用和快速发展。以协作表示分类(CRC)算法为代表的基于稀疏表示的分类方法取得了重大突破。然而,CRC因不能有效区分相似样本,从而非常容易分类错误。作为CRC的改进方法,两阶段测试样本稀疏表示方法(TPTSSR)剔除了那些对描述测试样本贡献不大的训练样本。但在TPTSSR中,仅进行一次剔除操作是远远不够的,因为某些无用样本仍可能被保留下来,同时那些有用样本可能会被随机删除。本文提出一种新的基于迭代剔除判别稀疏表示(DSP)方法,DSP利用稀疏参数直接度量训练样本的表示能力,同时通过多次迭代把大部分不相关的样本逐步剔除,从而避免误删有效样本。再通过在不同姿态、表情和噪声下的代表性人脸数据集进行实验,以评估DSP的性能。大量实验结果表明,在大部分情况下DSP比典型的SRC、CRC、RRC、RCR、SRMVS、RFSR和TPTSSR等算法具有更好的人脸识别效果。

小样本下多稀疏表示分类器的决策融合方法

针对稀疏表示分类器的分类性能评估受样本数量影响较大,特别是在小样本情况下其分类精度低导致的强烈证据冲突问题,提出一种基于稀疏表示分类倾向性的决策融合方法.该方法采用稀疏分解重构残差的相对大小对样本在各个类别间的分类倾向性进行量化表征;通过求解残差异同概率,对稀疏分类器的混淆矩阵进行修正,提高了稀疏表示分类器分类性能评估的准确性;利用修正后的混淆矩阵对各个证据源进行加权融合,解决了小样本情况下的辨识精度低导致的高度证据冲突问题.在轴承故障融合诊断实验中,采用提出的方法对不同传感器信号的不同特征向量获得的稀疏表示分类器进行决策融合,达到了轴承故障状态准确辨识的目的,有效验证了所提出方法在小样本情况下进行目标分类识别的有效性与优势性.

基于辅助训练的半监督稀疏表示分类器用于脑电图分类

脑机接口(BCI)脑电图(EEG)分类能实现人脑直接与外部环境的信息交互。提出了基于辅助训练思想的半监督稀疏表示分类器方法在BCI EEG分类中的应用。首先采用稀疏表示分类器从未标记样本中选择部分相关度较高的样本。其次采用Fisher线性分类器作为判别分类器得到已选样本的边界信息。通过距离大小和方向判别条件进一步选出高置信度样本。本文对三组基准数据集BCIⅠ、BCIⅡ_Ⅳ和USPS分别进行仿真实验,分类正确率分别为97%、82%和84.7%,运算速度最快的仅需约0.2s。在分类正确率和运算效率两个方面,均优于自训练半监督SVM、有导师SVM两种方法。

基于多视图和注意力推荐网络的三维物体识别方法

传统物体识别方法是从单一图像中通过人工提取图像特征,存在成本高、质量低等问题。针对上述问题,提出一种基于多视图和注意力推荐网络的三维物体识别方法,多视图很好地保留了物体在局部和全局上的特征;注意力模块可以有效地对视图上关键的特征聚焦,忽略无关或干扰特征。该方法利用一组多视图作为输入数据,通过卷积神经网络端到端提取物体特征,在卷积层加入注意力模块,实现视图关键区域的定位和剪裁,将处理后的视图送入另外一个卷积层,两个相同卷积操作提取的特征在池化层聚合,利用稀疏表示分类器对特征描述子进行分类识别。通过两个公开数据集的实验表明,所提算法对物体图像的识别准确度优于传统算法。

最小二乘支持向量机的一个快速近似算法

最小二乘支持向量机(LeastSquares Support Vector Machine,LS-SVM)已成功地应用于许多分类问题上,但由于其解不具有稀疏性,该方法无法应用到大数据集的学习与测试上.提出了LS-SVM的一个快速近似HBILS-SVM算法.该算法结合Backfitting与Invfitting法则迭代增加或减少一个支持向量,这一过程重复直到满足给定的停止条件,从而构建出最终的分类决策函数.对比已有的稀疏化算法,HBILS-SVM算法的计算复杂度低,解更加稀疏,且支持向量更具有全局最优性.数值模拟试验表明:HBILS-SVM算法能在取得同样的泛化性能的前提下使得分类器更加稀疏.

一种基于分块的虹膜识别方法

为了解决低质量虹膜图片识别效果不好的问题,提出一种基于分块的虹膜识别算法。该方法并不像常规算法一样对整个图片进行识别,首先将虹膜区域均等地分割为无重叠的分块,对每一个分块提取低秩矩阵作为特征,使用稀疏分类器进行分类,依据稀疏浓度指数,将各分块识别结果进行贝叶斯融合。由于虹膜图片不同区域的质量不一样,该方法能够降低质量不好的虹膜区域对最终识别结果的影响。在标准虹膜数据库CASIA-Iris-Interval和IIT Delhi V1上的实验结果显示该算法拥有较高的正确识别率,且对于低质量的虹膜图片具有较强的鲁棒性。对分块和训练图片数量的研究表明,将虹膜区域分为8个分块较为合适,使用7张训练图片就能够很好地表示一类。

一种基于RGB-D特征融合的人体行为识别框架

人体行为识别是计算机视觉和模式识别领域内一个重要的研究方向。人体行为的复杂性和不同人执行同一动作的差异性,使得行为识别仍然是一个具有挑战性的课题。采用新一代传感技术的RGB-D相机能够同时记录RGB图像和深度图像,并能够实时提取骨骼点信息。充分利用以上信息,成为行为识别领域的研究热点和突破点。文中提出了一种新的基于高斯加权金字塔式梯度方向直方图的RGB图像特征提取方法,并构建了一种多模特征融合的行为识别框架。在UTKinect-Action3D,MSR-Action 3D和Florence 3DActions 3个数据库上对本研究所提特征和框架进行实验,结果表明,所提框架在3个行为数据库上的识别正确率分别达到了97.5%,93.1%,91.7%,从而证明了该行为识别框架的有效性。