一种基于近邻稀疏表示的人脸识别新方法

稀疏表示近些年来被广泛用于人脸识别。由于在现实中,同类图像之间往往不可避免存在光照、姿态、甚至遮挡等差异,如果使用这些有各种差异的图像样本去表示某一特定状态下的图像,则表示的效果势必会受到影响。为进一步提高稀疏表示在人脸识别中的性能,基于原始协同分类(CRC)算法,引入近邻思想,即在各类训练样本中分别寻找与测试样本相近的若干样本,以构建新的近邻样本集;在此基础上进行协同表示,并利用每类样本系数分别重构待测样本,最后基于重构样本集再次协同表示。这种基于近邻样本的二次稀疏重构表示法,使识别更精确,并在一定程度上提升了运行效率。在ORL,YALE,FERET及AR人脸数据库上通过仿真验证了该方法的有效性。
     

一种基于近邻稀疏表示的人脸识别新方法

稀疏表示近些年来被广泛用于人脸识别。由于在现实中,同类图像之间往往不可避免存在光照、姿态、甚至遮挡等差异,如果使用这些有各种差异的图像样本去表示某一特定状态下的图像,则表示的效果势必会受到影响。为进一步提高稀疏表示在人脸识别中的性能,基于原始协同分类(CRC)算法,引入近邻思想,即在各类训练样本中分别寻找与测试样本相近的若干样本,以构建新的近邻样本集;在此基础上进行协同表示,并利用每类样本系数分别重构待测样本,最后基于重构样本集再次协同表示。这种基于近邻样本的二次稀疏重构表示法,使识别更精确,并在一定程度上提升了运行效率。在ORL,YALE,FERET及AR人脸数据库上通过仿真验证了该方法的有效性。     

局部系数增强判别协同表示分类法

协同表示分类法(CRC)是一种基于表示理论的简单分类方法，它和它的许多扩展模型具有良好的分类性能.概率协同表示分类法(ProCRC)、判别稀疏表示分类法(DSRC)和判别协同表示分类法(DCRC)通过定义不同的判别信息项改进CRC.借鉴ProCRC、DSRC和DCRC,定义判别信息项增强表示系数的判别能力，基于近邻系数的相似性，定义局部系数强化项，增强近邻样本的协同表示能力，提出了局部系数增强判别协同表示分类法(LDCRC).在6个数据集上的实验表明LDCRC是有效的.     

特征空间中的拓展稀疏人脸识别

基于稀疏表示分类（SRC,sparse representation for classification）是近年来模式识别领域中备受关注的一个研究热点。当每类训练样本较少时,SRC的识别效果往往不理想。为解决此问题,人们提出了拓展的稀疏表示分类算法。它引入了训练样本的类内变量矩阵,来补充每类训练样本信息。但是,该方法很难获取普遍存在于复杂数据如图像中的非线性信息。为此,提出了特征空间中的拓展稀疏人脸识别算法。该算法将样本集非线性映射到新的特征空间中,计算每个训练样本在表示测试样本时所做的贡献。根据贡献大小,给每个训练样本赋予一定的权重。同时,利用类内变量矩阵,共同表示测试样本。实验表明所提出的算法优于其它经典稀疏表示分类算法。     

基于非负稀疏表示的标签繁殖算法

提出了一种基于非负稀疏表示(nonnegative sparse representation,NSR)的半监督学习标签传播算法.该算法首先构造一个稀疏概率图(sparse probability graph,SPG),其权重由非负稀疏表示算法计算的非负系数组成,自然地反映了各样本之间的聚类关系,避免了传统半监督学习算法中的邻居选择和参数设置过程;然后通过对未标记样本的标签进行迭代繁殖至收敛而获得所有样本的标签.在人脸识别、物体识别、UCI机器学习和TDT文本数据集上的实验结果表明采用非负稀疏表示的标签传播算法比典型的标签繁殖算法具有更好的分类准确率.     

基于K近邻字典的协同表示高光谱图像分类方法

近年来基于协同表示的分类方法在高光谱图像分类领域取得很大的成功.但在重建测试样本时,由于用全部训练样本充当字典,导致一些差别较大的样本参与表示,不仅影响分类的精确度,还浪费分类时间.在实施空-谱联合后,用K近邻对重构字典做出二次选择,并参照最近正则子空间的做法提出基于K近邻字典的协同表示分类器.通过在两个基准HSI数据集上的实验证明,所提分类器既提高了分类精度,还节省了分类时间,特别对小样本类别的分类效果改善更明显.     

基于局部强化最小二乘回归分类法的人脸识别方法

为解决基于表示理论的分类法未考虑噪声样本对重构系数影响的不足,利用局部约束协同表示法改进最小二乘回归分类法,提出局部强化最小二乘回归分类法.该方法通过非负稀疏表示自适应选择近邻样本,并利用近邻样本的协同作用强化重构系数使得局部强化最小二乘回归分类法具有较好的鲁棒性和容噪性.该方法可以克服传统分类方法存在的过拟合问题.在4个人脸图像数据集上的实验结果表明该方法可以提高人脸识别准确率.     

高光谱图像半监督局部稀疏嵌入降维算法

针对目前高光谱图像半监督降维算法中基于流形学习的开放性选择近邻参数问题,以及利用传统算法不能有效地获取标签数据的局部信息,提出了一种无需考虑近邻参数的半监督局部稀疏嵌入（SELSE）算法.该算法基于稀疏表示理论,通过求解范数优化问题构建稀疏系数图,并且利用有限的标签数据最大化类间信息,提取高光谱图像的特征.在AVIRIS高光谱遥感图像的Indian Pine数据集上进行仿真实验,结果表明所提出算法在分类精度和计算效率上都有所提高.     

基于稀疏表示和最小二乘回归的基因表达数据分类方法

提出基于稀疏表示和最小二乘回归的分类方法:用训练样本重构测试样本,先利用稀疏表示剔除噪声样本,接着用最小二乘回归和最近邻子空间准则对样本分类,可以克服传统分类方法存在的过拟合问题.在6个基因表达数据上的实验结果表明,该方法可以提高分类准确率.     

局部保持的稀疏表示字典学习

稀疏表示分类中的字典选择至关重要,为了用较少的字典原子更好地表示原始训练样本的局部信息,并且使学习出的字典更加具有判别信息,提出了一种基于局部保持准则的稀疏表示字典学习方法.该方法将局部保持准则强加在编码系数上,使得学习出的字典具有相近数据点的编码系数也保持近邻关系的特性,从而保持原始训练样本的局部信息.在扩展YaleB、AR和COIL20数据库上的实验结果表明,文中方法的分类识别结果优于其他方法,说明该方法是有效的.     

一种新的模糊稀疏表示人脸识别算法

稀疏表示人脸识别算法的主要思想是:一个未知的测试图像可以近似表示为所有与其隶属同类的训练样本的一个线性组合.然而,人脸之间存在着极大的相似性,同时易受到外部环境的影响,人脸分类的本身存在着一定的不确定性.针对这种不确定性,结合模糊集合理论,提出了一种新的模糊稀疏表示人脸识别算法.首先,引入一个非线性函数描述人脸的相似性程度.然后,基于该相似性度量以及最近邻分类器思想,定义一个自适应的模糊隶属度函数来分配人脸对类的隶属程度.而这一过程恰使得这些隶属度是稀疏化的.最后,将稀疏化的模糊隶属度作为训练样本表示测试样本的权值系数,进而重构测试图像.采用MATLAB在ORL和Yale人脸数据库上进行仿真实验,验证了该算法的有效性和稳定性.     

基于二维图像矩阵的稀疏表示分类方法

利用稀疏表示对图像分类时,需要将二维图像转换为一维特征向量,这大大增加了计算复杂度和忽略了图像矩阵中固有的局部结构信息.为了解决上述问题,设计了完全基于二维特征矩阵的稀疏表示人脸分类方法.首先将二维图像转为2D Fisherface矩阵,然后直接利用二维矩阵求解稀疏表示和进行分类.整个识别过程中,不需要将二维图像转换为一维向量.实验结果表明,二维特征矩阵在稀疏表示分类中是十分有效的,设计的方法可以更快的运算速度达到更高的识别率.在ORL人脸数据库和Extended Yale B人脸数据库上的识别率分别达到97.5%和99.3%.     

一种结合稀疏表示和切比雪夫矩的人脸识别算法

在基于稀疏表示的人脸识别算法的基础上,利用切比雪夫矩在图像重建及抗噪声方面的良好性能,提出了一种结合稀疏表示和切比雪夫矩的人脸识别算法,对有无加性噪声干扰的人脸图像进行识别.给出了详细的数学推导过程和算法实现步骤,并通过实验对算法进行了验证.针对扩展的Yale B人脸库和AR人脸库的识别结果表明,当特征空间维数为496时,该算法在不同光照条件和不同表情条件下的识别率分别为98.33%和88.72%,在添加椒盐噪声后像素破坏比例小于60%的条件下识别率为100%.与基于随机脸的最近邻分类法、最近子空间分类法及传统SRC算法相比,该算法在抵抗图像的细节信息变化方面具有更好的鲁棒性.     

稀疏表示的图像分类研究综述

良好的特征提取方法能减轻后续图像分类与识别的工作量。针对具体的分类问题提出了不同的特征提取方法,并在图像分类和识别任务上取得了较好的效果。然而,已有的基于传统方法的特征提取存在一些明显不足,即随着视觉任务规模的增大,直接利用这些传统方法进行特征分类,效果并不理想。提出的特征表达方法,在图像最基本特征基础上进行矢量量化、稀疏编码或其它表达以形成一幅图像最后的特征。着重介绍基于稀疏表示的特征分类算法并对其进行分析,最后探讨存在的问题和今后研究的方向。     

改进的基于残差加权的稀疏表示人脸识别

为进一步有效提升稀疏表示人脸识别系统的识别率和可靠性,在分析人脸图像稀疏表示系数分类能力的基础上,提出了一种基于残差加权的稀疏表示人脸识别新方法.该方法通过对类残差图像关于所属类稀疏表示系数的l2范数进行归一化加权,有效提升了原始基于类残差判决的识别能力.仿真实验结果表明：改进的基于残差加权的稀疏表示方法能够有效提高系统的识别性能.     

Robust Hierarchical Framework for Image Classification via Sparse Representation

The sparse representation-based classification algorithm has been used for human face recognition.But an image database was restricted to human frontal faces with only slight illumination and expression changes.Cropping and normalization of the face needs to be done beforehand.This paper uses a sparse representation-based algorithm for generic image classification with some intra-class variations and background clutter.A hierarchical framework based on the sparse representation is developed which flexibly combines different global and local features.Experiments with the hierarchical framework on 25 object categories selected from the Caltech101 dataset show that exploiting the advantage of local features with the hierarchical framework improves the classification performance and that the framework is robust to image occlusions,background clutter,and viewpoint changes.     

姿态鲁棒的分块稀疏表示人脸识别算法

针对稀疏表示人脸识别算法对姿态变化敏感的问题,提出一种姿态鲁棒的分块稀疏表示人脸识别算法,通过对人脸进行分块表示并利用仿射变换模型对姿态变化建模,提高稀疏表示人脸识别算法对姿态变化的鲁棒性.同时,通过最小化图像分块重构误差来估计仿射变换参数初值,有效提高仿射变换参数估计精度,进而提升人脸识别算法的性能.实验结果表明,本文算法可在一定程度上克服姿态变化造成的对齐误差,比现有相关算法具有更好的姿态鲁棒性和识别性能.     

基于K最近邻的L2,1范数稀疏回归分类器

在模式分类中．基于旋转不变范数的回归分类器（RRC）最近得到广泛的应用．然而RRC的稀疏重构是建立在全体训练样本之上．当训练样本的数量很大时,计算的时耗比较大．同时,对稀疏程度的过度追求也在一定程度上影响了分类性能．基于K最近邻分类器提出了一类局部的基于K最近邻的L2,1范数稀疏回归分类器（KNN—SRC）,该分类器比全局的RRC计算速度快,同时。利用K最近邻点代替全体训练样本,在一定程上避免了非同类的相似样本对测试样本的过度稀疏表示,从而提高分类性能．KNN—SRC的分类性能在UCI的Wine数据集和Yale人脸数据库上作了检测．测试结果表明KNN—SRC分类性能优于RRC．