基于判别字典学习的线性子空间人脸识别算法

提出判别字典学习来获取线性子空间方法,以减弱光照等噪声对子空间人脸特征提取的影响,从而在保证稀疏系数的局部结构性同时保持字典的判别性.首先,训练与语意相关的结构字典,并在破坏非同类语意样本间局部结构稀疏性的同时,增强同类语意样本间局部结构的稀疏性;其次,利用最大间隔准则(MMC)在重构后稀疏易分的语意子空间对样本进行特征提取,不仅可以避免小样本问题还可以在重构后的语意空间中提取抗噪声干扰的特征.在Yale库、AR库和Yale B库数据集上的试验结果表明:与现有算法相比,该算法有更优的性能,能更高效地提取不受噪声干扰的易分类人脸语意特征.     

一种基于稀疏表示的判别式目标跟踪算法

目标跟踪是计算机视觉领域中具有挑战性的问题.提出了一种基于稀疏表示的判别式目标跟踪算法,用于在复杂场景中对运动目标进行鲁棒跟踪.该算法首先对目标进行滑动窗口稠密采样,构建目标的稀疏表示字典,然后将目标表示为该字典的稀疏编码,从而构造具有判别力的目标特征表示.在跟踪过程中,将目标跟踪问题看作是背景与目标的判别性问题,使用目标和背景的特征表示在线训练朴素贝叶斯分类器,根据分类结果得到目标的跟踪结果.为了适应场景及目标外观变化,设计动态更新机制对字典与分类器进行在线更新.和传统基于稀疏表示的跟踪方法相比,该算法将稀疏表示与判别式分类器结合,利用稀疏表示获得具有判别力的目标特征表示,而在线的朴素贝叶斯分类器则确保了目标跟踪的快速有效.与流行的多种跟踪算法比较结果表明,本算法能够在复杂条件下实现目标的鲁棒跟踪.     

采用联合域字典稀疏表示的极化SAR图像分类

针对传统字典学习算法难以有效保持极化SAR图像的空间结构以及难以处理大规模数据的问题,提出了一种基于空域和极化域的联合域字典学习和稀疏表示的分类方法.该方法采用基于联合域流形距离的快速AP聚类进行字典学习.利用局部线性编码对极化SAR图像进行空域和极化域的联合域稀疏表示,充分利用了极化SAR数据集潜在的信息,有效保持极化SAR数据结构的同时降低了算法的时间复杂度.试验结果表明:所提算法适应性强,收敛速度快,能够提高极化SAR图像的分类精度.     

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.     

基于字典学习和Fisher判别稀疏表示的行人重识别方法

针对目前的字典学习方法对不同摄像机视角行人特征的联系考虑不足的问题,提出了一种新的基于字典学习和Fisher判别稀疏表示的行人重识别方法.该方法考虑不同场景中同一行人的特征应该具有相似的稀疏表示,提出行人重识别离散度函数的概念,加入约束稀疏表示的正则化项,最大化不同行人稀疏表示的类间离散度,同时最小化同一行人稀疏表示的类内离散度,通过学习到的字典得到具较强区分识别能力的稀疏表示.在公开数据集VIPeR、PRID 450s和CAVIAR4REID上的实验表明,文中方法的识别率高于目前基于字典学习的行人重识别方法.     

基于组结构字典稀疏表示的地震数据随机噪声压制

基于地震数据自身学习得到的自适应字典能够更精确地表示地震数据,针对稀疏表示传统方法训练出来的自适应字典的无结构性问题,文章提出一种基于组结构字典稀疏表示的地震数据随机噪声压制算法。该算法首先通过地震数据本身训练得到自适应学习型并具有一定结构性的组结构字典,然后利用该组结构字典对地震数据进行稀疏表示,通过得到的表示系数重建地震数据。所用的组结构字典能够更好地适应地震数据自身特性,对地震数据进行稀疏表示可得到更加稀疏的表示系数,滤除了通常系数很小的随机噪声,从而能够有效压制随机噪声。实验表明,文中所提出的地震数据随机噪声压制算法具有良好的去噪效果。     

基于图像熵分块的压缩感知字典学习算法

针对传统字典学习算法预处理阶段未考虑图像内外部特征的问题,提出一种基于灰度梯度矩阵的图像熵字典学习算法.该算法通过灰度梯度矩阵计算图像块熵值,并对各图像块进行分类,每类数据组合成训练数据集,再利用基于系数矩阵的奇异值分解算法更新各类子字典.对测试图像的稀疏表示系数进行重建实验,仿真结果表明,该算法可高效训练出自适应稀疏字典,显著提高图像重建精度.      

基于半耦合字典的快速图像超分辨率重建算法

为了提高图像超分辨率重建的效率与质量,考虑到高、低分辨率稀疏表示系数的不同,改进了锚定邻域回归算法,并结合半耦合字典学习算法提出了一种快速图像超分辨率重建算法.首先采用半耦合字典学习算法得到高分辨率字典、低分辨率字典及映射矩阵;再采用岭回归算法求解低分辨率稀疏表示系数,并根据高分辨率稀疏表示系数与低分辨率稀疏表示系数之间的映射关系,得到高分辨率稀疏表示系数;然后,根据输入图像块特征寻找字典中与其最相关的字典原子,计算该字典原子所对应的投影矩阵,进行超分辨率重建.仿真结果表明:提出的算法不仅在重建速度上表现更快,重建图像的质量也得到提高,在客观指标和主观效果上均取得更好的效果.     

基于Sparse K-SVD学习字典的语音增强方法

提出一种基于Sparse K-SVD学习字典的语音增强方法,采用Sparse K-SVD算法自适应地训练一个可稀疏表示的冗余字典,在该冗余字典上采用正交匹配追踪(OMP)算法对带噪语音信号进行稀疏分解,利用稀疏系数矩阵重构纯净语音,实现语音增强.使用NOIZEUS语音库进行了一系列的语音增强实验,主客观评测数据表明,基于稀疏表示的语音增强方法(分别使用Sparse K-SVD和K-SVD训练字典)相对于传统语音增强方法(小阈值波法、谱减法、改进谱减法)可进一步改善语音质量;对字典训练时间进行统计,发现Sparse K-SVD算法训练字典消耗的时间为K-SVD算法训练时间的1/6~1/10,大幅度提高了计算效率.     

一种鉴别稀疏局部保持投影的人脸识别算法

为解决鉴别稀疏邻域保持嵌入(DSNPE)算法中类间离散度构造复杂的问题,提出了一个新的维数约简算法即鉴别稀疏局部保持投影的人脸识别算法(DSLPP)。首先利用样本集中各类样本的平均向量构造字典,通过保持各类样本平均向量的稀疏重构关系,提出一个新的无参数类间离散度;再通过同时最大化类间离散度和同时最小化类内紧凑度的准则来寻找最优投影方向;最后采用最近邻分类器进行人脸分类识别。由于所采用的类间离散度最大限度地扩大了不同类别中样本之间的差异,因此DSLPP算法具有更强的类间判别力,其识别率得到了明显提高;此外,字典的简化构造降低了算法的计算复杂度。在Yale、UMIST和AR人脸库上的实验结果表明:DSLPP算法在Yale、UMIST库上的平均识别率及AR库上的最高识别率分别达83.38%、95.72%和83.71%,较其他传统方法的识别率有明显提高;在UMIST库上的实验结果表明,DSLPP算法较DSNPE算法的平均计算时间减少了81.7%。     

采用共享空间稀疏表示的单幅图像超分辨率方法

基于高分辨率图像与其对应的低分辨率图像在转换到特定空间后有高度关联性的假设,提出一种基于共享空间稀疏表示的单幅图像超分辨率方法.该算法应用典型相关分析建立图像块对之间的联系,稀疏正则项刻画理想图像在过完备字典下的稀疏表示.实验结果表明:文中方法改善了算法执行速度,消除了图像主要边缘处的模糊与伪影,增强了图像重建质量.     

基于改进K-SVD的磁共振图像去噪算法

 磁共振图像的降噪处理一直是医学图像处理中重要的研究领域。图像中存在噪声会降低图像质量从而影响临床诊断。现有K-SVD 算法虽然能达到良好的去噪效果,但却在字典训练中消耗大量时间。本文针对时间消耗问题,提出利用改进的KSVD算法进行医学图像去噪。首先根据已知的字典原子的可稀疏性,提出一种高效、灵活的稀疏字典结构,该字典能够提供高效的前向和伴随算子,并具有紧凑的表示形式,同时可以有效地训练图像信号;然后在现有K-SVD 算法的基本框架下,结合字典的稀疏表示特点使用改进K-SVD 算法训练稀疏字典,改进的K-SVD 算法能够对更大的字典进行训练,特别是对高维数据的处理更具有优势。实验结果表明,该算法相对基于离散余弦变换字典的磁共振图像去噪以及基于传统K-SVD 算法的磁共振图像去噪,不仅能够更加有效地滤除图像中的高斯白噪声,更好地保留原图像的细节信息,而且有效降低了字典训练所消耗的时间;在相同的噪声标准差下,改进K-SVD 算法的峰值信噪比提高了约1~3 dB。     

基于自适应加权压缩感知的图像超分辨率重建

压缩感知理论被广泛应用于从少量随机观测中精确地重构原始信号，本文基于压缩感知理论来实现图像的超分辨率重建，在利用图像的局部稀疏性先验的基础上，采取了以下两项措施：1）通过对图像降质模型的估计，采用K-SVD算法构建过完备字典对，依据同一图像高低分辨率观测在对应字典下稀疏表示系数相似的特点，将字典对所表示的高低分辨率图像间的映射关系带入目标函数中，避免了降采样和模糊算子难以抽象为矩阵形式对求解造成的影响；2）在待超分辨率图像稀疏编码时提出一种自适应加权的AWGPSR算法，克服了传统OMP算法在这一步需要固定稀疏度的缺陷，可获得更加精确的稀疏表示系数。结合得到的稀疏表示系数与高分辨率字典可以重建出图像的高频分量，将重建的高频分量与低频部分融合可以得到最终的图像超分辨率重建结果。实验结果表明，所提算法无论从主观视觉还是客观评价指标上均优于其他相关方法。     

基于字典学习的LSP参数稀疏表示及性能分析

为了研究LSP的稀疏表示方法,高效量化LSP参数,基于字典学习对LSP参数进行稀疏表示,并采用MOD和K-SVD算法训练参数字典,以平均谱失真和均方根误差为准则,通过仿真实验分析了算法的有效性,得出了字典学习时的稀疏度、原子个数等关键参数选取的原则。对比训练和测试LSP参数均方根误差性能曲线发现:随着稀疏度的增加,LSP参数字典外推能力增强,对训练集外参数稀疏表示性能恶化逐步减弱。     

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.     

基于保持近邻判别嵌入的人脸识别

保持近邻嵌入(NPE)是一种子空间学习方法,具有保持数据流形上局部邻域结构的属性.虽然NPE已在一些领域得到应用,但解决识别任务还有局限性.为改进NPE的识别性能,提出了一种保持近邻判别嵌入(NPDE)人脸识别方法. 在NPDE算法中,有效结合了LDA和NPE的思想,具有很强的判别力,还能根据先验类标签信息保持局部邻域的固有几何关系.在ORL人脸库以及Yale人脸数据库上的实验结果表明提出的方法是有效的.     

Structural sparse representation for object detection

Classic sparse representation, as one of prevalent feature learning methods, is successfully applied for different computer vision tasks. However it has some intrinsic defects in object detection. Firstly, how to learn a discriminative dictionary for object detection is a hard problem. Secondly, it is usually very time-consuming to learn dictionary based features in a traditional exhaustive search manner like sliding window. In this paper, we propose a novel feature learning framework for object detection with the structure sparsity constraint and classification error minimization constraint to learn a discriminative dictionary. For improving the efficiency, we just learn sparse representation coefficients from object candidate regions and feed them to a kernelized SVM classifier. Experiments on INRIA Person Dataset and Pascal VOC 2007 challenge dataset clearly demonstrate the effectiveness of the proposed approach compared with two state-of-the-art baselines.     

广义二维PCA和稀疏表示的红外行人目标检测

红外行人检测在夜间智能视频监控,车辆安全驾驶等领域有重要应用。为了解决红外图像特征降维后空间结构信息丢失的问题,提出一种基于广义二维主分量分析（principal component analysis,PCA）和稀疏表示的红外图像行人目标检测算法。该算法主要由2个阶段组成：第1阶段利用广义二维主分量分析方法提取图像的二维主特征分量,并由此构造行人目标的超完备特征字典;第2阶段采用滑动窗口的方法得到图像中局部子图,然后利用基追踪算法求解每个局部子图的稀疏表示系数向量,最后定义一个函数度量每个子图存在行人目标的可能性,并设置相邻标记框的最小距离得到整幅图像最终的检测结果。实验结果表明,该方法能够有效地检测红外图像中的行人目标,具有较好的检测效果。     

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.     

分组训练卷积字典的图像去噪算法

卷积稀疏编码(convolutional sparse coding,CSC)这一全局模型因字典的特殊结构而受到广泛关注,其中卷积字典学习算法(slice-based dictionary learning,S-BCSC)是最为有效的CSC模型优化算法.虽然S-BCSC算法非常有效,但算法在应用中对整幅图像只使用一个固定大小的字典,然而这并不利于图像信息的准确描述.为克服这一缺陷,讨论如何根据图像大小确定卷积字典大小,结合稀疏表示字典学习算法,提出分组训练卷积字典的图像去噪算法.新算法首先将过冗余图像块按照平滑、纹理、边缘分为三类;然后为每一类分别确定所要训练的卷积字典大小;最后依据S-BCSC算法完成字典学习以及图像去噪过程.从实验结果可以看出,所提算法在图像质量、清晰度上相比原S-BCSC算法都有所提升.