G-KSVD字典及其在滚动轴承故障信号稀疏表示中的应用

针对传统学习字典中缺少原子相干性分析的问题和最优原子选择问题,提出了一种基于有效奇异分量的G-K奇异值分解(G-KSVD)字典学习方法。基于信号相干性提出自相关函数脉冲能量比(ACFPER),并以此为指标对奇异分量进行筛选,实现信号的降噪,利用包含故障信息较多的分量对字典原子进行更新和系数求解,从而达到增强信号中冲击成分的目的,并通过减少反馈层来降低时间成本。利用仿真信号和实际轴承信号对所提方法进行有效性及重复性的验证,结果表明,G-KSVD算法在有效区间内具有良好的去噪效果和较低的时间成本。

基于LC-KSVD字典学习的变化光照下人脸识别方法

为了克服光照强度和方向等变化带来的误差干扰,提出了一种基于标签一致K-SVD(LC-KSVD)字典学习的人脸识别方法。首先对训练样本进行直方图均衡和小波去噪相结合的图像预处理;然后利用主成分分析对图像进行降维及特征提取,构建初始字典;接下来在字典学习过程中引入约束项,得到有判别能力的新字典;进而,计算测试样本在新字典下的稀疏系数,并进行类关联重构;最后根据重构误差,完成分类识别。实验结果验证了改进算法的有效性。

改进标签一致KSVD字典学习的人脸识别算法

针对噪声污染、光照变化等复杂环境下人脸图像识别问题,提出一种改进标签一致KSVD字典学习的人脸识别算法。该算法通过改变标签一致KSVD算法的字典更新方式,用主成分分析算法分解误差项,用最大特征值对应的特征向量修改字典原子。通过字典学习过程得到原子与类别标签对应的判别性字典。目标函数综合了重建误差、稀疏编码误差和分类误差。最后,在分类阶段利用学习到的字典和分类器参数对测试样本进行分类。在有光照变化的Extend Yale B人脸库、表情变化以及遮挡影响的AR人脸库上分别取得了99.01%和97.94%的平均识别率。同时,在有噪声存在的情况下,该算法具有较好的鲁棒性。

基于协作低秩分层稀疏和LC-KSVD的人脸表情识别

为了降低人脸表情识别对待识别个体的依赖程度,控制识别字典规模,增加识别准确度,提出了一种基于协作低秩和分层稀疏的表情识别字典构建方法。通过协作低秩和分层稀疏表示(C-Hi SLR)有效分离与待识别个体相关部分,保留表情变化部分,并结合标签一致区分字典学习(LC-KSVD)算法,进行相应待训练表情序列的重构识别和对应类别字典的区分程度的优化学习。该方法在CK+数据集上进行验证,识别效果较一般基于稀疏表示模型算法有明显的提升。

基于毫米波雷达的舱内儿童遗留检测系统设计和验证

为了保护儿童避免被单独遗留在舱内,提出了基于毫米波雷达的传感器的检测方法。本方法采集毫米波多普勒效应产生的时域和频域信息,在LC-KSVD算法中加入主成分分析和随机森林的降维方法提取特征,对特征最组合。将组合的特征用SVM做分类,区分出存在和不存在儿童的场景。实验部分根据用车习惯,收集设计了正样本的采集和负样本的采集。实验表明,与同类的研究相比,本方法有更好的环境适应性可以避免相机等传统方法的局限性。

基于凸集投影的计算机图像重建优化算法

移动互联网的发展以及社交信息技术的不断涌现使得大量的数据信息充斥在生产和生活过程中,其中图像作为事物的直观呈现方式之一,其应用范围得到较大程度的扩展。但图像融合质量、成像噪声、像素分辨率等因素使得当前计算机图像重建质量难以得到较好的保证。基于凸集投影算法,考虑到迭代次数和松弛因子对算法的影响,对其进行全变分处理以保证图像的边缘信息。同时为减少算法步长对收敛性能的干扰,在全变分凸集投影算法基础上引入Armijo法则和KSVD分解以实现目标图像训练和稀疏表达。结果表明,所提算法MSE均值为355.28,平均SNR为21.44,信息熵值基本低于8.5,其性能结果均优于其他四种对比算法,图像重建信息质量效果较好,能有效为计算机图像信息的处理和伪影消除提供新的改进思路。

改进稀疏超完备词典方法识别奶牛跛足行为

监测与发现奶牛异常行为是实现疾病早期防控的关键,其中尤以跛足行为发现与识别较为典型,但是当前家畜异常行为识别仍然存在在线性能较差的问题。针对这一问题,该文提出2种改进策略。首先提出一种基于共轭梯度追踪算法的稀疏超完备词典学习算法(conjugate gradient pursuit-KSVD,CGP-KSVD)用于跛足行为特征的语义级描述和表示,即在稀疏编码构建阶段引入共轭梯度追踪算法寻找优化搜索方向,同时避免存储和计算大规模Hessen矩阵带来的计算负载,从而提升稀疏超完备词典学习算法的收敛速度。其次通过时空兴趣点与稠密轨迹图二次提取时空兴趣点相融合实现视频底层特征提取和表示,在保留丰富细节特征信息的基础上减少冗余特征降低计算负载。在1 200个时长10 s的标注视频样本集上测试结果显示:该文提出的算法识别准确率达到100%,识别平均响应时间为0.043 s,对比基于基追踪算法(basis pursuit-KSVD,BP-KSVD)和正交匹配追踪算法(orthogonal matching pursuit-KSVD,OMP-KSVD)稀疏编码序列优化策略算法在识别平均响应时间分别提升1.11和0.199 s,在90 h回放视频和在线测试视频上跛足行为识别准确率分别为93.3%和92.7%,明显优于对比算法。试验结果表明该文提出的跛足行为识别算法框架具有较高的识别准确率和较好的在线响应时间,可以为相关研究工作提供借鉴意义,相关技术可以成为接触式传感器监测及其他技术的必要补充。

基于集成深度学习的玻璃缺陷识别方法

针对玻璃缺陷形态复杂多变,难以准确识别其所属类型的特点,文章提出了一种集成深度学习模型对玻璃缺陷进行识别,该模型本质上是一种稀疏编码分类器与深度卷积神经网络的结合;该模型在自编码器的基础上引进了KL距离和L_1范数作为稀疏项,构成新的稀疏自编码器;并在次通过稀疏自编码器学习输入样本特征,将训练好的权值作为卷积神经网络的卷积核从而提高了识别速度;在稀疏编码阶段用L_1-L_2范数代替L_0范数,并在KSVD上添加了判别分类能力使其更好地进行分类运算,以此提高识别准确率;实验结果表明,该方法识别准确率达到了95%,满足了工程上的应用,并有很好的鲁棒性。