基于图像重构和l_0范数稀疏表示的人脸识别算法

用现有的人脸识别方法处理人脸姿态和光照的变化仍有一定的难度,本文提出一种基于图像重构和l_0范数稀疏表示的人脸识别算法:首先,采用深度学习网络提取人脸特征;然后,根据提取的特征重构人脸图像;最后,用l_0范数快速稀疏分类的识别算法在重构图像上进行识别.基于FERET人脸数据库的实验结果表明,本算法可在姿态变化比较大的情况下保持较高的人脸识别率以及较快的识别速度.     

基于OMP算法的快速压缩感知图像重构

针对正交匹配追踪(OMP)算法在压缩感知理论下的重构效果和所需时间相互矛盾的问题,基于子空间追踪(SP)算法的回溯思想,使用共轭梯度下降算法代替最小二乘法对正交匹配追踪(OMP)算法进行改进.并且对所改进算法的重构精度、重构稳定性进行了仿真实验,结果表明所提算法能保证重构质量良好并且有更好的重构速度和稳定性.     

压缩感知信号重构的快速光滑L0范数法

光滑l0范数法(SL0)用带参数的高斯光滑函数序列逼近l0范数,可以有效地用于压缩感知信号重构。针对SL0算法在最优解附近收敛速度较慢的问题,由高斯光滑函数梯度及Hesse矩阵的特点,根据牛顿法的基本原理,提出了快速光滑l0范数法-FSL0算法。算法的迭代公式十分简洁。仿真结果表明,该算法与已有同类算法的重构精度相当,但重构速度得到了很大地提高。     

基于p范数的QR-KPCA人脸识别算法

KPCA是重要的非线性特征提取的人脸识别方法,但对较大规模训练数据库,会因核矩阵K过大,计算代价高而不能有效实现,并且使用传统欧式距离度量很难大幅提升识别率。本研究提出了将基于QR分解的PCA推广到KPCA上且应用p范数度量来解决这一问题的方法,即:首先采用选主元的Cholesky分解得到核矩阵K的低秩近似,然后对小规模矩阵H进行QR分解,经过一些推导得到中心化核矩阵的特征向量,实现了KPCA的非线性特征提取,在分类识别阶段,本研究突破传统欧氏距离度量的局限,将p范数作为度量相似性的方法,在ORL和AR人脸数据库中做了大量相关实验,并且分别研究了p的取值对基于QR分解的主成分分析(QR-PCA)和核主成分分析(QR-KPCA)算法的识别率的影响,实验结果表明,这种p范数意义下的QR-KPCA处理人脸识别问题有很高的识别率。     

基于LLE和PSO的快速虹膜图像重构算法

虹膜特征码Iriscode具有高效的识别性能,被广泛应用于虹膜识别系统中.随着人们对生物特征安全问题的重视,如何从Iriscode重构虹膜图像以评判虹膜识别系统的安全性已成为一个研究热点.文中对Iriscode重构虹膜图像问题进行了分析,构建了虹膜重构优化模型,并提出两阶段的快速虹膜重构算法.将提取Iriscode的过程视为距离保持的降维过程,在第一阶段中根据待测Iriscode的近邻,采用局部线性嵌入算法重构出若干非精确的虹膜重构图像;第二阶段利用粒子群优化算法,将前一阶段获得的非精确虹膜图像作为初始粒子进行迭代搜索,以获得精确结果.实验表明,本算法获得的重构虹膜图像能够通过虹膜识别系统,达到伪造攻击的目的.相比于其他重构算法,在时间及伪造成功率上都有提高.     

MMSE准则下基于玻尔兹曼机的快速重构算法

全连接的玻尔兹曼机模型可全面描述稀疏系数间统计依赖关系,但时间复杂度较高.为了提高基于玻尔兹曼机的贝叶斯匹配追踪算法(BM-BMP)的重构速度和质量,本文提出一种改进算法.第一,将BM-BMP算法的最大后验概率(MAP)估计评估值分解为上一次迭代的评估值与增量,使得每次迭代仅需计算增量,极大缩短了计算耗时.第二,利用显著最大后验概率估计值平均的方式,有效近似最小均方误差(MMSE)估计,获得了更小的重构误差.实验结果表明,本文算法比BM-BMP算法的运行时间平均缩短了73.66%,峰值信噪比(PSNR)值平均提高了0.57 dB.     

基于构造实体几何模型动态重构的快速显示算法

将区域扫描线算法结合到光线投射算法,提出了一种基于构造实体几何（CSG）模型动态重构的快速显示算法．对每一扫描线,以场景中各物体的视图投影轮廓线作区域分割,对每一分割区域生成不同的CSG动态显示模型．此模型通过动态重构一个原CSG模型的子集而得,可大幅减少计算中所处理物体个数．利用扫描线相邻区域的相关性给出一种快速生成CSG动态显示模型的方法,使显示速度达到实时要求．     

基于范数优化的并行磁共振成像算法

研究了并行磁共振成像图像重建的范数优化问题.首先,通过分析目前常用的2种并行磁共振成像重建算法——GRAPPA算法和SENSE算法,归纳出它们在重建过程中所用的动态数学模型,描述成形如矩阵方程Ax=b的形式;然后,将范数优化引入到重建算法中的建模及模型参数估计中,通过采用不同矩阵范数意义下的目标函数,即在不同的范数空间中重建图像,提高优化的自由度和算法设计的灵活性;最后,通过仿真对范数优化后的重建图像质量进行分析,说明不同范数优化对重建图像的影响,并探讨了范数优化中相关参数及优化目标函数的选择问题.     

Cauchy方程组极小范数最小二乘解的快速算法

给出了求以秩为n的m×n阶Cauchy矩阵为系数矩阵的线性方程组极小范数最小二乘解的快速算法.     

Loewner方程组极小范数最小二乘解的快速算法

对于秩为n的m×n阶Loewne矩阵,通过构造分块矩阵并研究其三角分解,进而得到了求线性方程组的极小范数最小二乘解的快速算法,所需运算量为O(mn)+O(m2),而通常构造法方程组的方法所需运算量为O(m2n)+O(m3),用正交化法虽然避免了构造法方程组,但所需的运算量更大。     

Cauchy方程组极小范数最小二乘解的快速算法

对于秩为n的m×n阶Cauchy矩阵C,通过构造特殊分块矩阵并研究其逆矩阵的三角分解,进而间接地得到了线性方程组Cx=b的极小范数最小二乘解的显式表达式及其快速算法,所需运算量为O(mn)+O(n2),而通常构造法方程组的方法所需运算量为O(mn2)+O(n3),用正交化法虽然避免了构造法方程组,但所需的运算量更大些.     

双向小波的快速分解和重构算法

在杨守志教授提出双向加细函数和双向小波定义,并建立双向多分辨分析的基础上,给出正交双向多分辨分析的定义和双向小波的快速分解和重构算法.     

基于半像素运动信息的快速超分辨率图像重构算法

提出了一种全新的、利用半像素运动信息进行超分辨率重构的快速算法．该算法连续两次使用了图像的一维统计特性：第一次将图像分为运动区域和背景区域;第二次针对运动区域估计各像素的运动范围．在对运动区域进行运动估计和运动补偿后获得Ⅳ个运动补偿图,最后结合背景区域,利用数据融合技术获得超分辨率的重构图像．试验结果表明,该算法计算量小、复杂度低,无论是最小均方误差,还是信噪比或峰值信噪比,均好于传统的双线性内插法．     

基于加权L1范数的CS-DOA算法

针对基于L1范数约束的压缩感知理论的恢复算法出现虚假目标,恶化DOA估计性能的问题,提出了一种基于加权L1范数的CS-DOA估计算法.该算法利用噪声子空间与信号子空间的正交性,构造了一个加权矩阵,然后对L1范数约束模型进行加权.通过此加权处理,该算法能够使恢复的系数向量具有更好的稀疏性,并能有效地抑制伪峰,从而获得更精确的DOA估计.仿真结果验证了算法的有效性.     

基于e~0范数优化算法的图像重建

为了解决稀疏信号的重建问题提出了光滑e0范数优化算法,它与最小1范数优化算法等图像重建的方法相比有很大的不同,着重实验了这种信号重建算法中重要参数的选择,并利用手写体数字图像库为试验样本做了一维信号重建和二维图像重建实验.实验结果证明了基于e0范数优化算法在图像重建时间和重建精度上的优越性,此为后续的图像工程研究奠定了基础.     

基于1范数的电阻层析成像图像重建算法

为了提高电阻层析成像(ERT)系统中的图像重建效果,针对ERT测量数据和重建图像的稀疏特性,采用基于1范数的正则化最小二乘法(LSPs)进行图像重建.该方法将问题转化为有线性不等式约束的二次规划问题,使用内点法的优化方法进行数值计算,并针对研究对象提出自适应参数选择标准.可避免重建图像被过度平滑,能够将物场中不同介质有...     

基于L2范数的局部保持投影算法

针对传统局部保持投影算法对外点敏感的问题,提出了一种基于L2范数的局部保持投影算法。该算法通过采用L2范数定义目标函数并重新定义了权值矩阵,多次迭代计算投影矩阵得到局部最小值,直至达到收敛条件,进而获得最终的最优投影矩阵;通过利用最优投影矩阵将原始数据投影到最优的投影子空间,降低高维数据维度,同时能够保持原有数据特征。合成数据实验结果表明,与传统局部保持投影算法相比,所提基于L2范数的局部保持投影算法能够有效地降低数据维度,改善了算法对外点的敏感问题,提高了算法的鲁棒性。人脸识别实验结果表明,该算法能够取得较高且较为稳定的人脸识别率,人脸识别率可达80%。     

Cauchy型方程组极小范数最小二乘解的快速算法

对于秩为n的m×n阶Cauchy型矩阵C,通过构造特殊分块矩阵并研究其三角分解,进而得到了线性方程组C x=b的极小范数最小二乘解的快速算法,所需运算量为O(m n)+O(n2),而通常构造法方程组的方法所需运算量为O(m n2)+O(n3),用正交化法虽然避免了构造法方程组,但所需的运算量更大些.     

Loewner型方程组极小范数最小二乘解的快速算法

通过构造特殊分块矩阵及其三角分解给出了求秩为n 的m×n阶Loewner型矩阵为系数阵的线性方程组极小范数最小二乘解的快速算法, 该算法的计算复杂度为O(mn)+O(n²), 而一般方法的计算复杂度为O(mn²)+O(n³) .     

Loewner型方程组极小范数最小二乘解的快速算法

通过构造特殊分块矩阵并研究其三角分解,给出求以秩为n的m×nLoewner型矩阵为系数阵的线性方程组极小范数最小二乘解的快速算法,该算法的计算复杂度为O(mn)+O(n2),而一般方法的计算复杂度为O(mn2)+O(n3).