应用于助听器反馈抑制系统的变步长归一化子带自适应滤波算法

为减小自适应滤波算法中较快的收敛速度与较低的失调量之间的矛盾,提出了一种变步长归一化子带自适应滤波(VSS-NSAF)算法,并将其用于助听器声反馈抑制系统.该算法基于滤波器系数短时平均和长时平均之间的归一化距离,将滤波器的更新状态分为收敛状态、过渡状态和平稳状态.滤波器可在不同更新状态下自适应地使用不同步长,收敛状态下使用大步长以保证快速收敛,过渡状态下则使用逐步减小的阶梯状步长以进一步降低失调量,平稳状态下使用小步长以保证系统收敛至稳态解.仿真实验结果表明,与传统的归一化最小均方误差(NLMS)算法及其他子带自适应滤波算法相比,所提算法的收敛速度更快,平均稳态失调量更低.     

一种改进的多分辨率自适应图象平滑算法

分析了对经典多分辩率图象平滑算法在噪声较高时平滑效果较差这一现象，提出了一种改进的多分辨率图象平滑算法。经过对各种算法所作的计算机仿真实验，结果证明新算法具有较大的优越性。     

基于局部二元模式算子的人脸性别分类方法

提出了两种基于局部二元模式(Local Binary Pattern,LBP)算子的人脸性别分类方法:级联LBP方法和boosting LBP方法.前一种方法遵循从局部到整体的级联策略,使用LBP算子对由小波分解得到的细节图像进行特征提取,以达到扩充特征提取范围和增强所提取特征的有效性的目的,随后采用自适应加权机制对人脸图像的各个分块赋以不同的权值.后一种方法采用可变尺寸的子窗口对人脸图像进行扫描,在扫描所得的每个子窗口中,使用LBP算子对该子窗口提取LBP直方图.计算样本图像的LBP直方图和模板的LBP直方图之间的度量,并由此构建弱分类器集.利用Adaboost算法选取最有效的若干个弱分类器集组合成为强分类器.进行了三个基于LBP算子的人脸性别分类实验,实验所使用的训练集和测试集皆选自FERET人脸数据库.实验结果证明:LBP算子能有效地从人脸图像中提取出针对人脸性别分类的特征,并可以达到人脸性别分类的目的.所提出的两种基于LBP算子的方法可以有效的解决传统LBP方法所存在的特征提取范围有限、加权机制客观性不足等问题.     

多小波变换零树图像编码方法研究

研究多小波变换零树图像编码的性能。在标量零树方面,通过对图象多小波系数的重新排列,提出了新的多小波系数树的定义,并由实验证明它比直接采用单小波零树的组织更为有效;在矢量零树方面,根据多小波变换处理的矢量信号这一特点,提出了矢量四叉树的数据结果,并从最优率失真意义上设计了矢量量化的多小波零树编码方案,结果表明,在该方案下,多小波比优选的9－7单小波具有更好的压缩性能。     

基于格型矢量量化的小波零树图像编码方法

把格矢量量化与小波零树编码相结合,提出了一种小波矢量零树图像编码新方法,其性能优于已报道的格型矢量量化小波图像编码方法和最成功的小波零树图像编码方法,而且其复杂度远低于已报道的格型矢量量化小波图像编码方法。实验结果证实了方法的有效性。     

利用人耳听觉特性的子带双声道回波抵消

提出一种利用人耳听觉特性的双声道回波抵消方法,与传统方法相比能够更快地收敛到“真实”回波路径。我们用子带分解缩短自适应滤波器长度,减小算法复杂度,并在子带分解基础上,利用人耳听觉特性降低输入信号的相关度,使自适应滤波收敛更快。数值实验表明了该方法的有效性。     

一种基于KCCA的小样本脸像鉴别方法

基于典型相关分析和Fisher线性鉴别分析的等价性,提出了利用核典型相关分析来抽取小样本人脸图像的非线性鉴别特征,并用其进行脸像鉴别.这样得到的非线性特征本质上等价于核Fisher非线性最佳鉴别特征.基于ORL库的实验表明,对小样本人脸图像,KCCA可以得到和广义鉴别分析近似的识别性能,其所得非线性特征明显优于FLDA的线性鉴别特征.     

一种改进的对齐算法及其在面部特征定位中的应用

在主动形状模型基础上,借助于核的技巧,对其前期所需的广义对齐算法进行了研究改进,使之能够在后续的主分量分析中更迅速有效地捕捉不同的面部形状变化,进而达到快速定位面部关键特征点的目的.实验结果表明,改进的算法在主分量分析之后能够更好地表达不同脸形变化的模式,而且在定位面部关键特征点上精度更高,收敛速度也有明显改善.     

基于MAP算法的无教师讲者自适应的研究

提出了一种基于MAP算法的连续语音识别无教师讲者自适应方法,给出了简单有效的渐进自适应公式.通过识别实验结果表明,提出的方法能利用少量的自适应数据达到满意的学习效果,是一种实用和有效的讲者自适应方法.     

基于CS与K-SVD的欠定盲源分离稀疏分量分析

为了提高盲源分离的准确率,提出了结合压缩感知(CS)与K均值奇异值分解(K-SVD)的稀疏分量分析方法进行盲源分离.首先,分析欠定盲源分离估计源信号与压缩感知问题的等价性,建立压缩感知框架;其次,在此框架下利用K-SVD方法训练稀疏字典;最后利用经典追踪算法计算得到稀疏分量,结合传统的两步法,进行盲源分离.大量实验表明...