双偏差双空间局部方向模式的人脸识别

针对局部方向数(Local Directional Number pattern,LDN)类方法的人脸识别通常仅利用梯度信息且信息提取不充分的问题,提出双偏差双空间局部方向模式(Double Variation and Double Space Local Directional Pattern,DVDSLDP)。该方法首先通过像素采样扩大关联邻域信息,再利用边缘响应算子和局部前后向差分获得的相对偏差和绝对偏差以构成双偏差信息,充分挖掘局部梯度空间信息;然后与所提取像素的灰度空间特征级联融合,以获得双空间特征,再进行模式编码得到特征图;最后依据信息熵加权级联各子块直方图获得人脸特征向量,使用最近邻分类器完成分类。针对ORL、Yale、AR人脸库和相关典型方法的对比结果表明:利用双空间特征的融合,获得了轮廓更清晰、纹理更丰富的编码特征图,在ORL和Yale库上分别达到了99.50%、94.44%的识别率,尤其是在训练样本较少时性能提升明显;该方法针对AR库的表情、光照、遮挡A和遮挡B子集分别达到了99.67%、100%、99.33%和97.33%的识别率,明显高于其他方法,表现出良好的鲁棒性。

基于隶属度函数的决策层融合算法

虹膜识别对所采集的样本图像较为苛刻的要求所造成的高采集失败率和注册失败率是阻碍它推向大规模应用的重要原因,也是目前虹膜识别研究的难点问题之一。在适当降低虹膜图像采集质量要求的条件下,能够大幅降低采集失败率和注册失败率,但同时也降低了识别的性能。采用数据融合的方法,在识别的决策层引入对应的脸像特征模板的相似度判据,根据所提出的基于隶属度函数的决策层融合算法实现融合决策。实验结果表明,这种多生物特征融合决策的方法既可以使得虹膜的采集失败率和注册失败率保持在实际应用可以接受的程度,又能够使得整体的识别性能达到目前虹膜识别技术的水平。

三维可视化的水声数据降噪算法

针对现有二维水声成像去噪算法不能同时有效抑制水声数据中加性噪声和乘性噪声的现状,提出结合模糊中值滤波和小波软阈值滤波的三维可视化水声数据降噪算法。根据复合噪声模型的特点,将三维水声数据分为多个相邻的二维切片数据,通过基于三维滤波窗口的模糊中值滤波、考虑相邻切片系数相关性与小波系数尺度间相关性的小波软阈值滤波,分层去除水声数据中的加性噪声和乘性噪声。实验结果表明,该算法能降低原始水声数据中的噪声,提高数据连续性和对比度,为观察与探测水下目标提供良好的视觉条件。

基于比特流的虹膜特征数据的隐藏算法

对生物特征数据的攻击是生物特征识别自身安全的主要威胁。为了提高虹膜特征数据的安全性,根据现有主要的虹膜识别方法中特征模板的数据特性和基于汉明距的比对方法,提出一种基于比特流的将虹膜特征模板数据嵌入人脸图像的数据隐藏算法。实验结果表明,该算法具有较强的隐蔽性,隐藏算法本身误码率为零,计算效率高,不会影响虹膜识别技术本身的性能,能够有效保护特征模板数据,增强虹膜识别系统自身的安全性。

三维FMF的HFCM水声数据分割

针对三维水声数据背景复杂、受噪声干扰严重等特点,提出一种结合三维FMF的HFCM水声数据分割算法,以提高水声数据分割的精度和效率。该算法首先选取三维滤波窗口,利用最大熵阈值法计算出模糊阈值;再结合半高斯模糊隶属度函数对水声数据进行模糊中值滤波;最后采用HFCM算法对滤波后的数据进行分割。对两组不同的三维水声数据进行分割处理的结果表明,该算法能够有效地降低噪声干扰,分割效果要优于未滤波的HFCM以及均衡FMF的HFCM分割算法,并且在分割效率上要明显优于传统的模糊C-均值算法。

基于“大T”型区域的AdaBoost人脸检测算法

针对AdaBoost人脸检测算法分类器训练时Haar特征数目过多,导致训练过程过于耗时的问题,提出了一种基于"大T"型区域的AdaBoost人脸检测算法。通过提取500张人脸样本中的主要特征区域,投影到20×20的模板中,对重叠区域取其并集求得"大T"型特征筛选区域,以此模板优化Haar特征,使用于分类器训练的Haar特征集中于人脸面部的关键区域。实验结果表明,在LFW、PKU数据库中进行人脸检测,在不降低原始AdaBoost算法检测率的同时,对PKU数据库中的多人脸检测算法的漏检率有所改善,同时优化了算法训练时间。

基于非凸低秩分解判别的叠加线性稀疏人脸识别

目的针对因采集的人脸图像样本受到污染而严重干扰人脸识别及训练样本较少(小样本)时会由于错误的稀疏系数导致性能急剧下降从而影响人脸识别的问题,提出了一种基于判别性非凸低秩矩阵分解的叠加线性稀疏表示算法。方法首先由γ范数取代传统核范数,克服了传统低秩矩阵分解方法求解核范数时因矩阵奇异值倍数缩放导致的识别误差问题;然后引入结构不相干判别项,以增加不同类低秩字典间的非相干性,达到抑制类内变化和去除类间相关性的目的;最后利用叠加线性稀疏表示方法完成分类。结果所提算法在AR人脸库中的识别率达到了98. 67±0. 57%,高于SRC(sparse representation-based classification)、ESRC(extended SRC)、RPCA(robust principal component analysis)+SRC、LRSI (low rank matrix decomposition with structural incoherence)、SLRC (superposed linear representation based classification)-l1等算法;同时,遮挡实验表明,算法对遮挡图像具有更好的鲁棒性,在不同遮挡比例下,相比其他算法均有更高的识别率。在CMU PIE人脸库中,对无遮挡图像添加0、10%、20%、30%、40%的椒盐噪声,算法识别率分别达到90. 1%、85. 5%、77. 8%、65. 3%和46. 1%,均高于其他算法。结论不同人脸库、不同比例遮挡和噪声的实验结果表明,所提算法针对人脸遮挡、表情和光照等噪声因素依然保持较高的识别率,鲁棒性更好。

图像场方向导数的局部区域重建

目的目前图像修复的研究是以人眼不能察觉为目标,注重视觉效果而不追求重建的准确性。本文提出一种能准确重建图像缺损边缘的重建算法。方法采用稳定场作为图像局部纹理的数学物理描述,提出基于点源影响函数的图像局部区域重建模型,该模型针对每一个缺损点,计算周围各已知点对它的影响,以期较为准确地重建该点;并根据该场中的方向导数,分析各已知点与缺损点的差异性及相似性,确定一种点源影响函数的计算方法,以实现该重建模型。结果实验结果表明所提算法与传统修复算法相比,对图像边缘及纹理细节的重建更加清晰,同时保持了较好的整体视觉效果;且重建过程无迭代计算,具有较高的效率。结论实验结果表明,该算法在重建效率和准确重建方面均取得了较好的成果。