特征加权组稀疏判别投影分析算法

近来,稀疏表示分类算法已经在模式识别和特征提取领域获得了广泛的关注.受最近提出的稀疏表示判别投影算法启发,本文提出了一种新的特征加权组稀疏判别投影算法(Feature weighted group sparse classification steered discriminative projection,FWGSDP).首先,提出特征加权组稀疏分类算法(Feature weighted group sparsebased classification,FWGSC)进行稀疏系数编码,该算法采用带特征加权约束的保局性信息,能够鲁棒地重构给定的输入数据;其次,通过类内重构散度最小、类间重构散度最大为目标计算最优投影判别矩阵,使得输入数据具有最佳的模式分类效果;最后,提出迭代重约束稀疏编码方法并结合特征分解操作进行FWGSDP模型高效求解.在Ex Yale B,PIE和AR三个人脸数据库的实验验证了所提算法在普通数据和带噪数据中的分类效果都优于现存的算法.

面向视频语义分析的局部敏感的可鉴别稀疏表示

视频语义分析已经成为人们研究的热点。在传统稀疏表示方法中,相似视频特征未必能产生相近稀疏表示结果。在基于稀疏表示的视频语义分析中,假定相似的视频数据样本的稀疏表示也相似,即两个相似视频特征的稀疏系数之间的距离较小。为了提高视频语义分析的准确性,基于该假设提出一种面向视频语义分析的局部敏感的可鉴别稀疏表示方法。该方法在局部敏感稀疏表示中引入基于稀疏系数的鉴别损失函数,优化构建稀疏表示的字典,使稀疏表示特征满足类内离散度小、类间离散度大的Fisher准则,并建立可鉴别稀疏模型。为验证所提方法的有效性,在相关视频数据库中将其与多种算法进行对比,实验结果表明,该方法显著地提高了视频特征稀疏表示的鉴别性,有效地提高了视频语义分析的准确性。

基于局部敏感可鉴别组稀疏表示的视频语义分析

视频语义分析已经成为计算机领域的研究热点之一.为了提高基于稀疏表示的视频语义分析的准确性,文中结合基于稀疏系数的可鉴别函数和组稀疏模型,分析目前已有的局部敏感稀疏表示字典学习模型,提出一种基于局部敏感可鉴别组稀疏表示.该方法利用组稀疏模型和可鉴别损失函数,在保持数据局部结构的基础上实现样本变量组水平上的稀疏性.所提方法首先构建局部敏感组稀疏字典,然后进行稀疏表示分类.为了验证上述方法的有效性,在TRECVID 2012和OV视频库上,将上述方法与多种算法进行对比,实验结果表明,基于局部敏感的可鉴别组稀疏表示方法能够有效提高视频语义分析的准确率.

基于局部敏感和分组稀疏的鲁棒人脸识别

目的为了提升人脸识别的性能,提出一种将局部敏感性稀疏和分组稀疏相结合的人脸识别方法。方法同时学习人脸图像分组稀疏性和数据局部性,不仅考虑了训练数据字典的分组结构信息,也整合了数据的局部性,学习更多的可判别稀疏表示系数用以人脸识别。实验在ORL,AR和Extended Yale B数据库上进行仿真测试。结果仿真结果表明,在ORL数据库上,提出方法在50%训练百分比设置下实现了98.000%的识别性能,在AR数据库上,提出方法在不同PCA降维设置下最高可以实现优于SRC算法5.008%的识别性能,在Extended Yale B数据库上,提出方法在特征维数为130时可以实现96.626%识别性能。结论采用该方法能够对不同姿态、光照、表情变化具有较强鲁棒性,提升人脸识别的性能,实际应用效果好。