基于正则化协同表示的鲁棒PCA人脸识别

针对人脸图像复杂环境变化,提出了一种基于正则化协同表示的鲁棒PCA人脸识别算法。算法首先通过协同表示计算重构样本与测试样本之间的残差,根据残差选取与测试样本临近的训练样本组成新的字典;然后在该字典上通过鲁棒PCA依次进行低秩误差分解,并计算误差矩阵的平滑性、稀疏性;最后联合协同表示的残差以及低秩分解中的平滑性和稀疏性构建判别准则进行人脸图像的分类识别;在ORL、AR等人脸库的实验表明:基于正则化协同表示的鲁棒PCA人脸识别算法不仅能够在复杂环境变化下取得良好的识别性能,而且保持了协同表示的优势,大大减少运行时间。     

基于RPCA的群稀疏表示人脸识别方法

针对训练样本图像和测试样本图像均存在光照、污染、遮挡等情况下的人脸识别问题,提出一种基于鲁棒主成分分析的群稀疏表示人脸识别方法(group sparse representation face recognition method based on robust principal component analysis, GSR-RPCA)。该方法将人脸图像由空域变换到对数域,增强人脸图像的对比度,并通过结构非相关鲁棒主成分分析算法从训练样本图像矩阵D中分解出干净的低秩部分人脸图像矩阵A和误差图像矩阵E,以增强恢复数据的鉴别力;学习A与D之间的低秩映射关系矩阵P,并用P将存在遮挡的测试样本映射到其潜在的子空间下,得到干净的测试样本y;计算y在A上的群稀疏表示系数,并利用类关联重构残差对测试人脸进行识别,获得测试人脸的所属类别。在CMU PIE,Extended Yale B和AR数据库上的实验结果显示,提出方法具有较高的识别率和较强的鲁棒性。     

基于结构化局部约束低秩表示的人脸识别

针对传统的基于低秩表示的方法需要重新在字典矩阵上计算测试样本的表示系数,会导致计算复杂度升高,降低训练和测试样本表示系数之间的相关性等问题,提出了一种结构化局部约束低秩表示算法用于人脸识别的方法.在原始低秩表示中引入理想编码系数矩阵正则项,使训练样本的表示系数矩阵具有块对角结构;为保持数据的流形结构,引入局部约束项,使相似样本具有相似的表示系数;使用简单的线性分类器对测试样本进行分类.在AR,Extended Yale B,ORL和LFW这4个标准数据集上进行了试验结果验证.结果表明:该算法可以同时得到训练和测试样本的表示系数,对人脸图像中的遮挡、像素破坏和光照变化等具有鲁棒性.     

基于张量分解的鲁棒核低秩表示算法研究

低秩表示算法,如低秩表示（Low-Rank Representation, LRR）,鲁棒核低秩表示（Robust Kernel Low-Rank Representation, LRRRKLRR）,在处理高维数据方面展现了广阔的应用前景,然而这些方法并不适合高阶数据,传统的低秩表示算法通常只对数据的某一特征属性进行降维。在本文中,我们提出了基于张量分解的鲁棒核低秩表示算法（Kernel Low-Rank Representation by Robust Tensor Decomposition, RTDKLRR）,该算法能够处理高阶非线性的张量数据,对噪声更加鲁棒。本文首先对RTDKLRR算法设计目标函数并给出约束条件,其次,设计迭代规则对目标函数进行优化。在合成数据集和真实数据集上的实验结果表明,我们的算法优于同类算法。     

基于Metaface字典学习与核稀疏表示的人脸识别方法

完备的稀疏表示方法近年来应用在人脸识别中并取得较好的结果,它可以仅利用样本的随机投影完成对测试样本的识别。在实际应用中,由于受光照、遮挡等因素的影响,测试样本并不能通过训练样本的线性组合得到很好的稀疏重构。本文提出了基于Metaface字典学习与核稀疏表示的人脸识别方法,借助核技巧,将数据样本和字典集映射到高维的未知空间,以解决特征的非线性相似问题。在核空间对数据样本进行稀疏重构,得到数据在核空间的一种简洁的稀疏表达方式从而提高识别率,而Metaface字典学习框架的引入可以得到更加精炼的字典,从全局上提高识别率。通过在ORL人脸库、Yale人脸库和AR人脸库的实验表明,同等情况下,本文提出的方法优于PCA,SVM,SRC等方法,进一步提高了人脸识别率,具有较好的应用价值。     

采用遗传算法的分层贪婪字典训练算法

针对稀疏表示残差过大的问题,提出了采用遗传算法的分层贪婪字典训练算法.该算法首先将数据样本变成一维信号,然后将问题划分为若干个子问题,采用贪婪算法思想分层训练字典.为了以一定概率寻找到每一层字典的最优值,使用遗传算法来训练每一层字典,最后将每层字典级联作为最终的字典.在训练每一层字典时,先采用号码矩阵对样本的分类进行表示,然后以平均低秩逼近的残差能量作为衡量适应度的参数,以联赛选择的方式选出优胜个体,通过单点交叉和变异方法产生新的个体.对二值序列的稀疏表示信号重建的实验结果表明,该算法在训练样本量较小的情况下,与传统的核奇异值分解算法相比,训练得到的字典在同样的稀疏度约束下重建信噪比提高了10倍以上.     

低秩鲁棒性主成分分析的遮挡人脸识别

为了提高遮挡人脸的识别效果,提出了低秩鲁棒性主成分分析的遮挡人脸识别算法。首先采集人脸图像,并进行相应的预处理,然后采用鲁棒性主成分分析对人脸样本进行分解,并建立人脸图像训练样本和测试样本的低秩矩阵和误差矩阵,最后根据误差矩阵对人脸识别进行加权和识别,并采用经典人脸数据库进行仿真实验,结果表明,低秩鲁棒性主成分分析的遮挡人脸识别率得到显著提高,降低了遮挡人脸的误识率,具有更优的鲁棒性。     

基于稀疏表示和低秩矩阵逼近的图像去噪算法的研究

提出了一种基于稀疏表示和低秩矩阵逼近的图像去噪算法:首先,通过对图像块的数据矩阵进行奇异值分解和全局子空间分析,确定信号子空间和噪声子空间;其次,利用图像块与信号子空间的距离寻找相似块,并将相似块分组为训练样本;再次,对相似块矩阵进行奇异值分解,并确定表示相似块的奇异向量;最后,去除表示噪声的基.实验结果表明,该算法能...     

基于联合动态稀疏表示方法的多图像人脸识别算法

采用联合动态稀疏表示方法构造一种新型的多图像人脸识别模型.该模型在多张人脸图像的稀疏表示矩阵上,利用动态数集得到联合动态稀疏表示矩阵,识别多图像的人脸.在多张人脸图像作为测试样本的情况下,利用多图像之间的关联性提高人脸图像识别的准确率.最后利用CMU人脸图像库对该算法进行仿真,结果表明其识别率较其他算法有很大的提高.     

基于低秩投影与稀疏表示的人脸识别算法

当训练和测试图像同时受到污损时,人脸识别的性能会急剧下降。为了解决这一问题,提出了一种新的人脸识别算法。首先利用鲁棒主成分分析(robust principal component analysis,RPCA)方法得到训练样本的低秩部分;然后基于原始训练样本及其低秩部分得到低秩投影矩阵,该矩阵可以对存在污损的测试图像进行恢复;最后使用稀疏表示分类(sparse representation based classification,SRC)算法对恢复后的测试图像进行分类。在两个公开数据库上进行实验,实验结果证明了本文算法的有效性,同时识别性能优于SRC及线性回归分类(linear regression classification,LRC)方法,能在一定程度上处理样本数据受到污损的情况。     

频域下稀疏表示的大数据库人脸分类算法

人脸识别的识别率受众多因素影响,目前已有很多成形的高识别率算法,然而,随着数据库中人脸图像的增加,识别率下降很快。鉴于该特点,采用频域下的稀疏表示分类算法能有效解决上述问题,先使用快速傅里叶变换(FFT)将人脸数据从时域变换到频域,再通过l1范数最优化稀疏表示算法,把所有训练样本作为基向量,稀疏表示出测试样本,最后使用最近邻子空间算法分类。在扩展的Yale B人脸库中实验结果表明,该算法具有有效性。     

改进的两阶段协作稀疏表示分类器

稀疏表示的分类器(Sparse Representation-based Classifier,SRC)利用全部的训练集进行训练来得到一个完备基,这使其时间复杂度增长,同时,稀疏表示算法过分强调稀疏项对于分类的作用而忽略了类别之间的协作稀疏表示对于分类的影响。针对这个问题,本文在徐勇等人提出的TPTSR(Two-Phase Test Sample Sparse Representation)算法的基础上提出了一种改进算法,即改进的两阶段协作稀疏表示分类器(Improved Two-Phase Collaborative Sparse Representation Classifier,ITPCSRC),该算法尝试通过寻找一个具有与测试样本关联性最大而且又满足SRC关于训练样本基本假设的完备基来对测试样本进行协作的稀疏表示。本方法在ORL人脸库、Yale人脸库和AR人脸库上进行实验,并与目前最新的基于稀疏表示改进的分类器算法相比,ITPCSRC算法识别率得到了显著提高。     

基于低秩矩阵分解和稀疏表达的人脸识别方法

为了提高稀疏表达在人脸识别过程中的精度,对采集到的人脸图像进行低秩矩阵分解,得到低秩矩阵和稀疏矩阵.通过去除稀疏矩阵,得要一个高度相关性的低秩矩阵样本,对样本稀疏表达后进行人脸识别.与传统的基于稀疏表达的人脸识别方法相比,该方法在识别精度上得到一定程度的提高,并在Yale和ORL人脸数据库的实验验证中取得了较好的识别效果.     

基于特征融合与稀疏表示的肝病识别

由于肝脏超声图像具有回声不均匀、边缘模糊等缺点,肝脏疾病的无创诊断易受到影响,考虑到单个特征的局限性,提出了一种基于HOG-LBP特征融合和稀疏表示的肝病识别算法。首先使用HOG-LBP特征融合方法将肝脏超声图像中相应区域的图像特征提取出来,并将训练样本集所提取的特征构建字典,然后使用字典学习算法对测试样本特征矩阵构成稀疏表示,最后根据稀疏表示分类原理进行分类识别。通过对取自青岛大学附属医院肝胆科的包括正常肝脏、肝硬化和脂肪肝的共900个样本进行分类,平均识别率达到85.76%,实验结果表明,所提方法的准确率高于传统方法,有助于临床诊断。     

基于局部正脸合成和两阶段表示的三阶段人脸识别算法

基于两阶段表示的人脸识别算法（TPTSR）识别率高,并且对遮挡、噪声等干扰鲁棒,但是当人脸姿态有较大变化时,TPTSR算法的识别率会明显下降.针对这一问题,提出基于局部正脸合成和TPTSR的三阶段人脸识别算法:第一个阶段,正脸合成阶段,利用提出的正脸合成算法和视点库,将偏转角度较大的测试样本合成相应的正脸,作为新的测试样本;第二个阶段,样本筛选阶段,选择出对最新的测试样本最具表示能力的M个训练样本;第三个阶段,决策识别阶段,用这M个训练样本做人脸识别.通过与经典算法的对比实验证明,提出的3PTSR人脸识别算法能有效解决多姿态人脸识别问题.      

基于主元分析和线性判别分析降维的稀疏表示分类

为解决传统的稀疏表示分类(SRC)算法在小样本人脸识别过程中的过大时间开销问题,该文提出2种基于降维的SRC算法。扩展主元分析(EPCA)算法利用PCA算法构造约束优化稀疏模型,对测试样本进行线性表示,通过比较测试样本和每类训练样本的重构PCA系数进行决策分类。EPCA+线性判别分析(EPCA+LDA)算法在EPCA算法的基础上增加LDA约束模型,提高重构样本的稀疏表示的鉴别性。将该文算法应用于AR和FERET人脸数据库,与扩展SRC(ESRC)、SRC、SRC_PCA、协同表达分类(CRC)算法相比,该文算法有较高的识别率和较低的时间复杂度。将EPCA算法和EPCA+LDA算法应用于FETET数据集,识别率分别为61.46%和59.17%,运行时间分别为383.02 s和220.62 s。     

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。     

基于新迭代规则的稀疏CNMF人脸识别方法

针对凸非负矩阵分解(CNMF)人脸识别方法的运行时间长且识别率不高的问题,提出一种可收敛的易于计算的新目标函数,并引入阈值稀疏约束,得到新的迭代规则,可有效提高识别率和减少计算时间.首先,图像经预处理后得到低频训练样本,经由新迭代规则的稀疏凸非负矩阵方法分解,得到特征的稀疏基矩阵和权值系数矩阵;然后,基于稀疏特征基矩阵对测试样本进行分解,得到测试集的特征权值系数矩阵;最后,使用一对一支持向量机对该特征权值系数矩阵进行识别分类.基于新规则的稀疏化基矩阵数据更为集中,因此相应系数矩阵中特征的权值也更为集中,易于进行分类识别.实验结果表明:基于新迭代规则的稀疏CNMF方法的识别率可达到100%,比凸非负矩阵分解、稀疏非负矩阵分解、多层非负矩阵分解方法分别提高了33.0%,10.0%和5.5%,并且识别时间更短,图像重构误差更小.     

基于字典优化的稀疏表示人脸识别

为消除非受控训练环境中光照/表情变化的不利影响,控制部分遮挡/伪装对人脸图像的破坏程度,提出了一种基于低秩矩阵恢复的字典优化设计,以增强稀疏表示人脸识别的性能.首先对存在非受控干扰成分的训练字典进行低秩矩阵恢复,获得相对"干净"的训练图像进行特征提取;接着采用分块相似性先验嵌入稀疏编码的方法实现对人脸图像的分类.实验结果表明,通过改进稀疏编码字典的鉴别能力,系统能更有效地抑制光照、表情、遮挡/伪装的影响,其识别的稳健性和鲁棒性得到了明显提升.     

基于加权稀疏低秩组件编码的猪脸识别算法

针对养殖行业中动物很难适应耳标的问题,采用非入侵的识别方式进行猪脸识别,提出了基于加权稀疏低秩组件编码的猪脸识别算法.应用视网膜皮层理论与区域协方差滤波器来估计光照,并结合文中新算法提出自适应伽马校正方法对获取的反射分量进行增强,以减少光照对识别结果的影响;同时,采用训练样本中的低秩组件构建字典矩阵,并重构残差函数处理误差,以提升算法应对含有污垢图像的识别性能.在JDD2017猪脸数据集上进行了光照和面部污垢验证试验,分别统计其识别率与耗时情况.结果表明:文中所提出算法显著优于传统稀疏表示方法,具有容忍光照变化、污垢和训练耗时短的优点.