基于稀疏表示的步态识别

提出一种基于稀疏表示的方法,采用CASIA-B和CUSD步态数据库进行步态识别.首先对步态序列中心化及归一化处理,之后提取了步态的主动能量图像(AEI),AEI很好地表达了步态中的动态信息,以此作为步态的特征图像,并对特征AEI采用两种方式稀疏表示:一是采用基于重构误差的方法建立字典、更新字典及分解系数;二是采用基于区分辨别字典的方式建立字典、更新字典及分解系数.系数分解采用的是正交匹配追踪算法.实验证明提出的方法识别准确性高,识别速度快,适合实时性要求高的场合.     

基于稀疏表示的鲁棒掌纹识别

本文提出一种基于稀疏表示的掌纹识别新方法。该方法将测试掌纹图像表示为训练掌纹图像的线性组合,其表示的系数是稀疏的,最大系数所对应的类别即掌纹的类别。对于包含大量噪声和大面积遮挡的掌纹图像,我们把这样的掌纹图像看作是原始掌纹图像和噪声（或者遮挡物）的相加,对于原始掌纹图像和噪声（或者遮挡物）分别用不同的基来稀疏表示,这样可以有效地分离看掌纹和噪声（或者遮挡物）,自然可以达到较好的识别率。     

基于步态的身份识别技术

基于步态的身份识别是生物识别领域的新兴问题,与传统生物识别技术相比,步态识别技术具有远距离识别性、非侵犯性、难以伪装和隐藏以及易于采集等优点,引起了国内外学者的注意。本文首先介绍了几种传统的生物识别技术,然后重点介绍了基于步态的身份识别技术的理论基础、算法流程、特征提取方法以及面临的机遇与挑战等。     

噪声环境下基于稀疏表示的说话人识别

在噪声环境下,稀疏表示方法并没有表现出它出色的区分性能,反而由于特征的分散导致性能的大幅下降。根据语音特征参数之间的相关性,提出了一种适用于稀疏表示说话人识别的全局补偿方法。该方法对不同阶特征参数进行逐一分析,目的是为了找出被噪声影响最严重的一阶参数并去除之,以此增强测试语音与训练语音之间的相关性。理论分析和实验结果表明,该方法具有很好的抗噪性能,在信噪比为5d B时,带有白噪声的语句识别率达到了85.7%,而在高信噪比时,其识别率能够达到97.5%,几乎等同于干净语音的识别率。     

一种动态剪枝的协同稀疏表示方法研究及应用

该文提出一种动态剪枝的协同稀疏表示方法,通过建立2种不同的训练样本筛选策略,再融合2种策略的优点及结合TPTSR框架进行图像识别,以求获得更好的分类效果.在带噪声的人脸数据集上进行对比实验,结果表明:该方法可以在人脸受到遮挡和光照变化的影响下达到更高的识别率,并具有较强的鲁棒性.     

基于深度学习和稀疏表示的害虫识别算法

对农作物害虫种类和数量进行有效的预测是农作物病虫害防治的关键环节,因此基于捕获害虫的样本图片对农作物害虫进行准确的种类识别可以为病虫害的防治提供一定的先验知识.由于农作物害虫种类和形态的多样性及不同种类害虫颜色和纹理的相似性,增加了害虫分类识别的难度.为提高害虫图像识别的准确率,提出了一种基于深度学习和稀疏表示相融合的方法来进行害虫的检测分类识别,进而实现对农作物病虫害的有效防治.该算法首先利用高效的深度学习caffe框架来构建提取害虫特征的网络模型,然后利用该网络模型来提取训练害虫样本的特征向量,从而建立不同种类害虫的超完备字典,最后采用稀疏表示算法来对测试样本进行分类识别.实验部分对10种常见害虫进行了检测识别,实验结果表明新提出的算法有很好的检测分类效果.     

基于单演特征和稀疏表示的人脸识别

为了使得稀疏表示分类方法具有更好的识别效果,提出了基于单演特征的稀疏表示分类(MSRC)方法.相对于Gabor特征,单演特征能够用于提取图像的相位信息,而相位信息对光照不敏感,因此MSRC方法能提高图像的光照鲁棒性.相对于Gabor特征的多尺度和多方向,单演特征能够减少特征的处理时间.实验结果表明:文中所提的方法具有使用价值,识别率和速度方面得到了一定的提升.     

基于LBP特征和稀疏表示的新生儿疼痛表情识别

面部表情被认为是新生儿疼痛评估的可靠指标。文中提出一种基于加权局部二元模式(LBP)特征描述符和稀疏表示分类器的新生儿疼痛表情识别方法。首先,经归一化后的面部图像采用一个特征向量来描述,这个特征向量是通过串接组合所有局部图像块的LBP特征图的加权直方图所得到的直方图序列。然后,采用主成分分析(PCA)方法对训练样本及测试样本图像的特征向量进行降维。最后,采用基于稀疏表示的分类器将测试样本图像的表情分为4类:平静、哭、轻度疼痛、剧烈疼痛。文中研究目的是通过利用基于计算机的图像分析技术来辅助临床医生评估新生儿疼痛。在新生儿面部图像数据库上进行的实验结果表明了该算法的有效性,表情分类的平均识别率高达84.50%。     

基于耦合度量学习的特征级融合方法及在步态识别中的应用

根据耦合度量学习方法能够直接处理不同集合的数据这一特性,将其应用到数据融合领域,提出了一种基于耦合度量学习的特征级融合方法.该方法首先通过增加对原始单个集合中具有相关关系的数据的优化处理,将耦合度量学习方法的目标函数改进成在耦合空间中所有具有相关关系的投影特征均彼此接近,从而使得这些特征的整体分布更满足特征级融合的需求,而后采用串行方式对特征进行融合,最终得到更加有效的特征用来分类识别.将上述方法应用到步态识别中,以解决步态识别中的数据融合问题.采用CASIA(B)步态数据库进行实验分析,结果表明该方法识别效果较好.     

基于Hausdorff距离的人体步态识别

现有的步态识别方法对行人轮廓匹配的鲁棒性差，导致识别率不高．文章提出了基于Hausdorff距离的行人步态自动识别方法．首先提取了行人二值轮廓序列；然后采用轮廓参考点分布直方图间的距离、参考点集之间Hausdorff距离度量轮廓形状问的匹配度；继而通过步态的周期性分析选取关键姿态，计算出的关键姿态轮廓集间Hausdorff离结合窗口搜索策略实现了步态的分类和识别．分别在小型CASIA室外步态数据库和大型Soton室内库上进行了实验，提出算法的正确识别率分别可达到91．25％和88．16％．与相关文献的比较分析表明算法是有效的．     

动态稀疏表示方法在非接触式指纹图像识别中的应用

传统指纹图像识别方法无法解决数据量大、样本维数高、样本数据呈非线性等问题。为此,将动态稀疏表示方法应用于非接触式指纹图像识别中。通过低秩矩阵恢复解决采集样本中出现的颜色偏差、局部遮挡以及内容缺失等问题。通过局部区域划分法把待识别图像分成若干子图像块,完成维数转换。引入可衡量待识别样本与训练样本间局部结构关系的准则和联合动态活跃集合对目标函数进行改进,建立动态稀疏表示模型。对各子图像的稀疏表示系数进行求解,依据稀疏表示系数求出所有非接触式指纹子图像的重构误差,融合全部误差,将误差最小的类别赋予待识别指纹图像,实现非接触式指纹图像识别。实验结果表明,所提方法实用性强,与其他方法相比识别可靠性更高。     

改进的基于残差加权的稀疏表示人脸识别

为进一步有效提升稀疏表示人脸识别系统的识别率和可靠性,在分析人脸图像稀疏表示系数分类能力的基础上,提出了一种基于残差加权的稀疏表示人脸识别新方法.该方法通过对类残差图像关于所属类稀疏表示系数的l2范数进行归一化加权,有效提升了原始基于类残差判决的识别能力.仿真实验结果表明：改进的基于残差加权的稀疏表示方法能够有效提高系统的识别性能.     

基于深度学习和约束稀疏表达的人脸识别算法

目前的人脸特征匹配算法大多关注于单图像与单图像的匹配而不能有效利用图像序列之间的相关信息,因而提出了一种基于深度学习与约束稀疏表达的人脸特征匹配算法.通过CNN网络对人脸图像进行特征提取,并利用改进的稀疏表达方法自动选取相似的图像序列进行特征匹配,有效地利用了图像序列之间的相关信息.实验结果表明,该算法在LFW和AR数据库上取得了很好的效果并优于传统的SRC,L1-norm和CRC-RLS算法.      

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。     

基于二维图像矩阵的稀疏表示分类方法

利用稀疏表示对图像分类时,需要将二维图像转换为一维特征向量,这大大增加了计算复杂度和忽略了图像矩阵中固有的局部结构信息.为了解决上述问题,设计了完全基于二维特征矩阵的稀疏表示人脸分类方法.首先将二维图像转为2D Fisherface矩阵,然后直接利用二维矩阵求解稀疏表示和进行分类.整个识别过程中,不需要将二维图像转换为一维向量.实验结果表明,二维特征矩阵在稀疏表示分类中是十分有效的,设计的方法可以更快的运算速度达到更高的识别率.在ORL人脸数据库和Extended Yale B人脸数据库上的识别率分别达到97.5%和99.3%.     

稀疏表示的图像分类研究综述

良好的特征提取方法能减轻后续图像分类与识别的工作量。针对具体的分类问题提出了不同的特征提取方法,并在图像分类和识别任务上取得了较好的效果。然而,已有的基于传统方法的特征提取存在一些明显不足,即随着视觉任务规模的增大,直接利用这些传统方法进行特征分类,效果并不理想。提出的特征表达方法,在图像最基本特征基础上进行矢量量化、稀疏编码或其它表达以形成一幅图像最后的特征。着重介绍基于稀疏表示的特征分类算法并对其进行分析,最后探讨存在的问题和今后研究的方向。     

基于联合动态稀疏表示方法的多图像人脸识别算法

采用联合动态稀疏表示方法构造一种新型的多图像人脸识别模型.该模型在多张人脸图像的稀疏表示矩阵上,利用动态数集得到联合动态稀疏表示矩阵,识别多图像的人脸.在多张人脸图像作为测试样本的情况下,利用多图像之间的关联性提高人脸图像识别的准确率.最后利用CMU人脸图像库对该算法进行仿真,结果表明其识别率较其他算法有很大的提高.