变化字典学习与显著特征提取的单样本人脸识别

针对单样本问题,基于不同的人脸区域在识别过程中的重要性不同这一事实,提出将能显著区分其它类的人脸区域作为提取的显著特征,并视为有较大区分度的块,剩下的区域视为普通块;再根据不同组中每块的稀疏表示重构残差给予不同的权重,以抑制普通块的影响同时保持有区分度的块的作用.为了减小人脸之间未对齐的影响,将每块训练图像对应的8邻域增加到训练集中,以实现样本的扩充;同时提出新的类内变化字典学习方法,学习得到共享的类内变化字典,以减小测试人脸未知变化的影响.文章的方法可以有效减小人脸局部信息缺失造成的影响,使得在AR、Extended Yale B、CMU-PIE人脸库上的表现超过其它单样本识别相关的方法,取得了最好的识别效果.

基于方差估计的快速稀疏表示目标跟踪算法研究

针对粒子滤波框架下稀疏表示跟踪算法存在的粒子规模大以及复杂的L1范数最小化计算等问题,提出一种基于方差估计的快速稀疏表示目标跟踪算法。该算法首先在运动估计阶段应用方差估计优化采样粒子的分布;然后利用L2范数代替L1范数对判别目标函数进行稀疏求解计算,并进一步从重构误差的度量形式做出改进来增强L2范数的稀疏性;最后利用在线字典学习(ODL)算法对模板字典进行在线更新。实验结果表明,该算法能够克服干扰实现稳定快速跟踪,提高跟踪效率。

后朝鲜时期所存“新制字”考——以《新字典》“朝鲜俗字部”为例

为了满足记录异域语言和文化的需要,汉字在传播到朝鲜后在形音义上发生了变异,这种变异程度不一。本文逐一考察后朝鲜时期字书《新字典》＂朝鲜俗字部＂所收107个＂新制字＂与韩汉字及中国汉字形音义的关系,得出后朝鲜时期汉字的变异程度从大到小依次为国字〉国音字〉国义字〉韩汉字,同时本文重新定义了国音字和国义字。

基于总体平均经验模态分解和一步式字典学习联合去噪的语音端点检测算法

针对复杂环境下语音端点检测准确率低且检测耗时过长的问题,提出一种基于总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)和一步式字典学习(one-stage dictionary learning,OS-DL)联合去噪的语音端点检测算法。首先利用EEMD算法对输入语音进行分解得到本征模式分量(intrinsic mode function,IMF),然后使用OS-DL算法分别对纯净语音信号与噪声信号进行训练,得到纯净语音信号和噪声信号的幅度谱字典,进而对幅度谱进行稀疏表示,利用得到的系数矩阵重新构建出语音信号频谱,将重构出的语音信号频谱经过傅里叶逆变换得到降噪后的语音信号,最后对降噪后的语音信号利用均匀子带频带方差法进行端点检测。实验结果表明,该算法在复杂环境信噪比低于-10 dB情况下检测准确率仍可达到85%以上,且平均检测时间缩短至传统端点检测算法的1/3。

基于MOF准则的原子钟噪声分离研究

按照MOF(the Method of Frame)准则,对原子钟信号进行噪声分离,并应用阿伦方差对基于不同小波字典的噪声分离结果进行评价。试验结果表明,应用余弦(DCT)字典、余弦包(CP)字典、Sym8小波包(WP)字典进行噪声分离后的阿伦方差分别从原始信号的4.5538e-15提高到2.2100e-15,3.3125e-15,8.2848e-16,说明MOF准则下,选取适当的小波字典对原子钟信号进行噪声分离,能够获得很好的稳定度。

基于特征化字典的低秩表示人脸识别

针对现有低秩表示（LRR）算法中全局与局部人脸特征信息融合不足的问题，提出了一种新的人脸识别算法——基于特征化字典的低秩表示（LRR-CD）。首先，将每张人脸照片表示成一个个特征化字典的集合，然后同时最小化基于训练样本的低秩重构特征系数以及与之相对应的类内特征差异。为了获得高效且具有高判别性的人脸图像的特征块重构系数矩阵，提出了一种新的数学公式模型，通过同时求解训练样本中相对应的特征块以及对应的类内特征差异词典的低秩约束问题，尽可能完整地保留原始高维人脸图像中的全局和局部信息，尤其是局部类内差异特征。另外，由于对特征块中信息的充分挖掘，所提算法对于一般程度上的面部遮挡和光照等噪声影响具有良好的鲁棒性。在AR、CMU-PIE和ExtendedYaleB人脸数据库进行多项对比实验，由实验结果可知LRR-CD相较于对比的稀疏表示（SRC）、协从表示（CRC）、低秩表示正规切（LRR-NCUT）和低秩递归最小二乘（LRR-RLS）算法在平均识别率上有2．58—17．24个百分点的提高。实验结果表明LRR-CD性能优于与之对比的算法，可以更高效地用于人脸全局和局部特征信息的融合，且具有优良的识别率。

最小类内方差支持向量引导的字典学习

支持向量引导的字典学习算法依据大间隔分类原则,仅考虑每类编码向量边界条件建立决策超平面,未利用数据的分布信息,在一定程度上限制了模型的泛化能力.为解决该问题,提出最小类内方差支持向量引导的字典学习算法.将融合Fisher线性鉴别分析和支持向量机大间隔分类准则的最小类内方差支持向量机作为鉴别条件,在模型分类器的交替优化过程中,充分考虑编码向量的分布信息,保障同类编码向量总体一致的同时降低向量间的耦合度并修正分类矢量,从而挖掘编码向量鉴别信息,使其更好地引导字典学习以提高算法分类性能.在人脸、物体和手写数字识别数据集上的实验结果表明,在大部分样本和原子数量条件下,该算法的识别率和原子鲁棒性均优于K奇异值分解、局部特征和类标嵌入约束等经典字典学习算法.