基于小波变换的多字典人脸识别方法

传统基于稀疏表示的人脸识别方法因未充分利用样本包含的信息,而存在较低的鲁棒性和识别率等问题.提出基于小波变换的多字典人脸识别方法.提取人脸图像的多尺度纹理特征,构建多字典,每个字典分别对应样本的原始图像和不同尺度的纹理信息.为提高人脸识别的准确性,在训练阶段利用相同的系数表示将不同字典相关联,深入挖掘了人脸图像与其不同尺度纹理间的共性,探索人脸不同特征的内在联系.较仅聚焦于样本单一特征的传统方法,克服了忽视样本不同特征间联系的不足,更深刻地挖掘训练样本人脸特征且突出了不同类训练样本的个性特征.在多个人脸数据库上的实验结果表明,识别性能有明显的提升.     

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.     

基于字典投影学习的人脸识别算法

针对字典学习l0或l1范数的稀疏约束导致训练和测试阶段较高的复杂性,提出用于人脸识别的字典投影学习算法.该算法合成和分析字典,达到信号表示和分类.实验结果表明,与传统的DL方法相比,所提出的DPL方法大大降低了训练和测试阶段的时间复杂度;与KNN算法相比,具有较高的识别精度和较好的稳定性.     

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.     

基于字典学习的传统民族服饰多标签标注算法

为了实现对传统民族服饰图像文化内涵的自动挖掘,提出了基于字典学习的传统民族服饰图像多标签标注算法.该算法在原有相似系数结构不相关字典学习方法基础上,对重建系数判别能力进一步增强,实现多标签标注任务.首先,利用支持向量机(SVM)算法对重建系数进行线性分类;接着,为每一类别构建一个字典,同时对SVM分类错误的样本进行惩罚;然后,将字典与重建系数不断迭代求解;最后,利用测试样本重建误差和重建系数在分类器中的分类效果完成标签预测.实验结果证明了该方法性能上有所提升,并且在不同数据上的结果更加稳定.     

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.     

基于多尺度图像块分类的字典学习算法

针对传统字典学习算法未考虑训练数据集流形结构的问题,提出一种基于KD树分类的多尺度字典学习算法。首先在预处理阶段建立图像高斯金字塔,提取不同尺度下各层图像的角点并建立KD树进行分类,以各类角点为中心截取图像块并生成每层图像的训练数据集来完成各个子字典的学习。在字典训练阶段,提出一种基于局部保持投影的多原子更新算法,在保持字典中各类原子集的流形结构的情况下进行原子更新,高效训练出自适应稀疏字典。对测试图像进行压缩感知重构实验,仿真结果表明,该算法在保证图像重建精度的前提下,显著提高字典学习效率。     

基于小波阈值和字典学习的合成孔径雷达图像压缩

在小波域对合成孔径雷达(SAR)图像进行双重稀疏处理的基础上,提出一种基于小波阈值和字典学习的SAR图像压缩方法.利用SAR图像的统计分布特性,结合空间树结构对小波域的小波系数进行阈值化处理,利用递归最小二乘字典学习算法(RLS-DLA)将小波系数表示为字典稀疏,以在增大字典稀疏度的同时抑制斑噪声,并提高图像的重构效果.结果表明:在低比特率条件下,所提出方法比经典压缩方法的精度更高.     

基于字典统计耦合归一化多重距离的图像检索算法

针对当前彩色图像检索技术容易受到色彩干扰,鲁棒性不强等不足,提出了一种字典统计耦合归一化多重距离的彩色图像检索算法.首先,将图像量化并转换成一维信号;然后,引入字典统计,将一维信号进行字典编码,并计算编码后的图像多样值;在归一化字典距离的基础上,嵌入字典编码图像的多样值,从而定义了归一化多重距离(NMD)的相似度量准则,利用NMD对查询图像与数据库图像的多样值进行比较与识别,搜索出与查询图像具有相同特征的最相似图像,完成目标检索.在COREL数据库的实验结果表明:相对于当前常用的检索技术,该检索算法具有更高的查准率和查全率,可对彩色图像完成精确检索,有效减低了色彩对检索性能的干扰.     

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.