基于L_(2,p)矩阵范数稀疏表示的图像分类方法

为了提高基于稀疏表示分类算法的分类精度,该文充分利用同类样本的非零系数高度集中的特点,提出一种用l2,p矩阵范数进行稀疏约束的基于稀疏表示的分类方法。该算法的训练阶段,构造的目标函数主要包括三个部分:重构误差、稀疏矩阵类内一致性约束、稀疏矩阵类间不一致性约束,其中的稀疏矩阵类内一致性约束用l2,p矩阵范数实现。该算法的测试阶段,计算新样本的稀疏重构系数以用于分类。和传统的基于稀疏表示的分类方法比较,该方法求稀疏重构系数时对样本不再单个处理,而是对同类样本整体处理,且充分利用同类样本的相似性和不同类样本的相异性,提高了基于稀疏表示的图像分类方法的分类精度。实验结果表明:该方法进一步提高了图像分类的准确率,在AR、Extended Yale B和Fifteen Scene Category数据库上和基于稀疏表示的分类方法(Sparse representation based classification,SRC)相比较,识别率分别提高了20.11%、20.88%和2.13%。     

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。     

改进PCA-LDA的人脸识别算法研究

针对主成分分析(PCA)未充分利用样本类别信息及线性鉴别(LDA)在小样本时识别率低的问题,提出了一种基于PCA和LDA相融合的人脸识别算法。该算法首先将输入人脸图像进行几何位置规范化和灰度分布均衡化预处理;然后利用PCA算法将人脸训练图像投影到低秩特征子空间,利用LDA算法计算类间离散度大、类内离散度小的特征子空间,从而获得PCA-LDA的人脸融合特征空间;最后将训练样本、测试样本投影至融合的特征空间,并利用最近邻准则实现对测试样本的识别。实验结果表明,该算法能够有效融合PCA和LDA的优势,提高系统识别的鲁棒性和效率。     

基于稀疏表达分类的人脸识别及算法对比研究

基于稀疏表达分类算法(SRC)实现了人脸识别,并与紧邻算法(NN)、支持向量机(SVM)、BP神经网络等传统识别算法进行了比较,SRC的识别率高于这些传统的识别方法.在主成分分析(PCA)等特征提取算法下,比较了稀疏表达中用于重构信号的基追踪算法和贪婪算法的识别率和识别时间.结果表明,l1_ls的识别精度较高,但识别速度慢;在对识别速度要求较高时,可通过同伦算法(Homotopy)求解.针对有遮挡人脸的识别实验表明,利用梯度投影稀疏重建算法(GPSR)可对遮挡人脸进行有效识别.     

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。     

二次近邻稀疏重构法及人脸识别

基于整个数据集的稀疏表示(sparse representation classification,SRC)用于人脸识别在很大程度上影响了运行效率.如何利用较少样本稀疏表示在保证计算效率的同时,识别率也有一定提升,尤其是面对光照、角度、姿态等非受控环境,目前仍是一个问题.考虑到协同表示(collaborative representation classification,CRC)基于l2范数稀疏求解的优势,为进一步提升CRC的整体分类性能,引入类内近邻,提出一种二次近邻稀疏重构表示法.该方法首先在原始训练集上选择各类训练样本中与待测样本距离相近的若干样本组成近邻样本集,并协同表示,接着分别用各类近邻样本重构待测样本,再次选择与待测样本相近的若干重构样本协同表示,最终实现模式分类.在ORL和FERET数据库上的仿真实验表明,相比现有的一些CRC算法,该方法在一定程度上缩短了运行时间,并使识别更精确.     

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。     

改进型稀疏表示的图像分类方法

在图像分类问题中,传统的稀疏表示算法只考虑样本整体信息,忽略样本局部结构信息;此外,稀疏表示算法要求测试样本与训练样本的人脸图像要一致对齐,当姿势与角度发生变化时分类效果明显下降.针对这些问题,提出了一种改进L2正则化稀疏表示算法.首先,通过求解最小二乘法得到稀疏系数矩阵;然后,计算样本重构残差,用稀疏度量公式量化样本之间的稀疏性;最后,在保持样本稀疏性的同时增加了样本类与类之间的局部判别信息,进而提高样本的分类性能.为了验证算法的有效性,在ORL、FERET和FEI人脸数据库与Stanford 40 Actions数据库和Caltech-UCSD Birds (CUB200-2011)数据库上进行实验.实验结果表明,该方法在不同的人脸数据库和扩展视觉数据集上取得的分类结果均优于传统稀疏表示算法及其他常用分类算法.     

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。     

稳健稀疏线性判别分析方法在人脸识别中的应用

线性判别分析(LDA)是一种在机器学习领域众所周知的监督分类方法,在特征提取方面效果显著.传统的LDA解决了散度矩阵中存在奇异矩阵的问题,但却没有考虑人脸图像中可能存在的椒盐噪声,且无法确定低维空间维数.为此,采用稳健稀疏线性判别分析(Robust Sparse Linear Discriminant Analysis,RSLDA)进行人脸识别,选取公开的人脸库(ORL、CMU PIE、YaleB)对LDA、PCA+LDA、ULDA、OLDA、L21FLDA和RSLDA这6种方法进行系统地比较.实验结果表明,在原始人脸图像中,RSLDA的识别率均在94.82％以上,均高于其他5种方法.当人脸图像存在椒盐噪声时,RSLDA的识别率远高于其他方法.     

隐式低秩表示联合稀疏表示的人脸识别方法

针对人脸识别中存在的遮挡、阴影、反光等不同程度的数据破坏以及训练样本不充足导致识别率低的问题,提出一种基于隐式低秩表示联合稀疏表示(LatLRR_SRC,Latent Low-Rank Representation Sparse Representation Classification)的人脸识别方法.该方法首先采用隐式低秩表示(LatLRR,Latent Low-Rank Representation)算法将训练样本矩阵分解为两个低秩逼近矩阵和一个稀疏误差矩阵.然后将低秩逼近矩阵和稀疏误差矩阵联合构成完备字典,并用K-SVD算法对字典进行学习,得到测试样本在学习后字典下的稀疏表示.最后对测试样本利用上述隐式低秩表示分解的三部分的稀疏逼近计算残差,完成测试样本的分类识别.在Extend YaleB和CMU PIE人脸数据上的实验结果表明,基于LatLRR_SRC的人脸识别方法具有较高的识别率和稳定性.     

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．     

基于改进LTP算子和稀疏表示的人脸表情识别

为了提高实际应用中的人脸表情识别率,本文提出了改进局部三值模式算法(ILTP),并结合稀疏表达分类器(SRC)组成新的算法应用于人脸表情识别.该算法首先利用ILTP算法对人脸表情图像进行特征提取,然后将得到的图像顶层特征数据和图像底层特征数据作为SRC的输入,从而完成人脸表情分类.基于JAFFE数据的实验结果表明:改进算法的人脸表情识别率达70.48%,具有较高的可行性.     

基于PCA和LDA融合的手写数字识别方法

提出一种融合主成分分析(PCA)和线性判别分析(LDA)的手写数字识别方法.由于PCA能减少不同特征间的相关性和冗余性,而LDA获得的特征子空间具有良好的判别能力,对PCA和LDA特征子空间进行融合能实现两者优势互补,提高手写字符分类性能.实验结果表明, 提出的方法能有效提高手写数字的识别率.     

基于分布式压缩感知的伪装人脸识别

提出了一种基于分布式压缩感知(DCS)的算法,并应用于伪装人脸识别.该算法从一个人脸图像集中提取共同特征和独有特征,这些特征在表达原人脸集的不同类型的信息具有各自的物理意义,因此能提高人脸识别的性能,同时采用了主成分分析(PCA)法进行降维.在AR人脸数据库的实验结果显示,相比于稀疏表示算法(SRC),该算法能提高识别率和识别速度,即使在较少训练图像的情况下也能取得好的识别效果.     

一种面向稀疏表示的最大间隔字典学习算法

近年来,基于稀疏表示的分类技术(SRC)在图像分类和目标识别中取得了巨大的成功。在该框架中,过完备基的学习和多类分类器(通常为支持向量机SVM)的训练是最关键的两个步骤。但在目前的许多方法中,这两个模块的构建过程都是相互独立的。该文针对以上问题,提出了一种用于稀疏表示的最大间隔字典学习算法,将两类SVM分类器的损失函数项的平方及分类间隔作为正则项与稀疏字典的学习过程进行了整合,并提出相应的坐标轮换优化算法对目标函数进行优化,实现了字典和分类器的同步学习。所提出的框架能够增强多类分类器中两类分类器的推广性能,并减少多类分类器的误差界。为了对所提出算法的性能进行评价,在2个常用标准库上进行了分类实验。结果表明,所提出的算法的与SRC相比识别率提升均超过3%。     

基于偏最小二乘分析和稀疏表示的目标跟踪算法

经典的基于子空间学习的跟踪方法通过主成分分析(principal component analysis, PCA)建立并更新目标的特征模型,只考虑目标的特征信息而忽视模型中每个样本的类别特征,从而降低了目标的跟踪精度。为此,提出一种基于偏最小二乘分析(partial least squares analysis, PLS)和稀疏表示的目标跟踪算法。通过PLS去分析关于目标与背景中纹理特征和类别信息之间的相关性,建立一个可区分的低维特征空间。将目标模板线性表示为所有目标候选的线性组合,当存在与目标模板相似的候选时,线性表示的系数满足稀疏性约束,通过L1范数最优化求解稀疏表示系数,根据最小的重构误差得到最优的目标位置。在多个视频场景下的实验结果展示了改进的跟踪算法具有较好的跟踪性能。     

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。     

鉴别局部特征分析及其在人脸识别中的应用

由于传统的鉴别主分量分析(DKL)算法中,主分量分析(PCA)基于全局特征,难以提取人脸的局部特性,该文提出鉴别局部特征分析算法.该算法中,局部特征分析(LFA)代替PCA作为线性鉴别分析(LDA)的前端.一方面,LFA在保留大部分全局信息的同时提取局部特征.另一方面,它为信号提供一种有效的低维表示,增强LDA在小样本问题中的数值稳定和推广性能.文中结合开集模式的人脸认证领域,在PoliceFace、OCRLab人脸库和它们的组合库上对新算法和DKL算法进行实验比较.实验表明,通过结合LFA和LDA,新算法明显降低认证错误率在PoliceFace库上,等错误点错误率降低43.10%;在OCRLab库上错误率降低25.87%;在组合库上错误率降低33.16%.