基于稀疏表示和字典学习的QR码图像去噪

目的针对噪声对QR码图像识别干扰,提出一种基于稀疏表示和字典学习的自适应去噪算法。方法采用稀疏表示和字典学习的方法。结果得到高效描述图像内容的字典,能更有效地滤除图像中的噪声,保留原图像的有用信息。结论利于QR码的准确、快速识别,可大大提高识别率。     

局部保持的稀疏表示字典学习

稀疏表示分类中的字典选择至关重要,为了用较少的字典原子更好地表示原始训练样本的局部信息,并且使学习出的字典更加具有判别信息,提出了一种基于局部保持准则的稀疏表示字典学习方法.该方法将局部保持准则强加在编码系数上,使得学习出的字典具有相近数据点的编码系数也保持近邻关系的特性,从而保持原始训练样本的局部信息.在扩展YaleB、AR和COIL20数据库上的实验结果表明,文中方法的分类识别结果优于其他方法,说明该方法是有效的.     

基于字典稀疏表示和梯度稀疏的图像盲去模糊

基于超完备字典稀疏表示的图像复原利用字典的冗余性能够有效地恢复出图像的结构特征,但由于使用字典稀疏表示时需要对整幅图像进行分块处理,导致复原后的图像块之间重构图像常出现"伪像"效应。针对这一问题,本文将图像梯度稀疏统计特性作为先验知识加入稀疏表示图像盲去模糊模型中,提出了一种基于字典稀疏表示和梯度稀疏的图像盲去模糊算法,同时分析了算法的整体优化求解方法。实验分析和结果表明,本文算法能在一定程度上去除图像块之间的"伪像"效应,保持图像的结构特征和整体平滑。本文算法的去模糊图像在峰值信噪比和视觉效果两方面均有显著提高。     

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。     

基于字典学习的LSP参数稀疏表示及性能分析

为了研究LSP的稀疏表示方法,高效量化LSP参数,基于字典学习对LSP参数进行稀疏表示,并采用MOD和K-SVD算法训练参数字典,以平均谱失真和均方根误差为准则,通过仿真实验分析了算法的有效性,得出了字典学习时的稀疏度、原子个数等关键参数选取的原则。对比训练和测试LSP参数均方根误差性能曲线发现:随着稀疏度的增加,LSP参数字典外推能力增强,对训练集外参数稀疏表示性能恶化逐步减弱。     

基于多任务学习的行人重识别特征表示方法

作为一种跨摄像头的检索任务,行人重识别会受到不同相机视角造成的图像样式变化的影响。近年来,许多算法通过神经网络直接从原始输入图片中学习相应特征,虽然这些特征能够很好地描述全局行人,但忽略了许多局部细节信息,在复杂的场景下容易出现误识别。针对此问题,研究了一种基于多任务学习的新的特征表示方法,采用成对输入的孪生网络结构,将局部最大出现特征(local maximal occurrence,LOMO)和深层特征一起送入网络并映射到单一的特征空间中进行训练,形成一种新的网络模型TDFN(traditional and deep features fusion network)。利用神经网络自我学习特性,联合多个任务的损失函数更新网络,使得深层特征学习到更多与手工局部特征互补的细节信息。实验表明,新特征的平均精度mAP和Rank-1精度都优于直接从孪生网络提取的全局描述子。     

基于图表示的智能车行人意图识别方法

智能驾驶场景下的人车冲突问题与行人过街行为密切相关,为使高级驾驶辅助系统（advanced driving assistance system, ADAS）具备识别行人过街意图的功能,并对人车碰撞事件预警,提出一种基于图表示学习（graph representation learning, GRL）方法的行人过街意图识别框架。它采用开源工具对行人骨架信息进行识别,采用图方法,以行人在一段运动过程内每一帧的骨架关键点为节点,以骨架自然连接关系、相关关系和时域关系为边建立图模型,实现对行人动作序列的表征。以图结构数据为输入,基于支持向量机（support vector machine, SVM）训练行人过街意图识别模型。在自动驾驶数据集PIE上对所提出方法进行评估,结果显示,行人过街意图分类准确率可达90.29%,所提出方法能够有效识别行人过街意图,对提高智能车决策安全性具有重要意义。      

基于结构化判别稀疏表示的目标跟踪

针对稀疏表示目标跟踪算法采用整体模板且区分目标与背景的能力差的缺点,该文提出了一种改进算法。采用尺度不变特征变换(SIFT)对目标进行特征提取。采用结构化稀疏表示的外观模型对候选目标进行稀疏表示,得到稀疏系数。通过正负样本设计并训练判别分类器,然后对候选目标进行分类,获得置信值。采用上一帧的跟踪结果对分类器与字典进行更新。对该文算法进行了仿真研究。计算仿真结果中3种测试序列的平均重叠率和平均中心点误差,Deer测试序列的值为0.633 8和9.397 6,Car11测试序列的值为0.677 5和1.943 3,Caviar2测试序列的值为0.753 5和3.838 2。     

基于多成分字典和稀疏表示的超分辨率重建算法

为了解决单幅图像超分辨重建的问题,该文提出了一种在稀疏表示理论框架下基于多成分字典的方法。首先根据图像的退化模型,深入分析高低分辨率图像的关系,得到高分辨图像可由低分辨率图像在对应字典下的稀疏系数来重构的结论。根据这一结论,采用多成分字典分别表示图像的不同结构特征,并用匹配追踪的方法得到低分辨图像在多成分字典下的表示系数,然后在对应的高分辨字典下对高分辨率的图像进行重建,实现了基于多成分字典的单幅图像超分辨率重建。该文所提的方法对单幅图像的超分辨率重建具有较好的通用性,相对于传统的超分辨重建算法,在自然图像和卡通图像的实验中验证了算法的有效性。     

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Fisher两类判别的高温目标精确识别方法

基于高温目标和绝大多数常温地物波谱特性的显著差异,可利用短波红外波段(1.3-3.0μm)识别高温目标。Landsat8的OLI数据第7波段对高温目标短波红外发射能量有较高的敏感性,可对高温目标(林火、草原火、火山、金属冶炼厂、煤层自燃等)进行有效识别。为实现高温目标的精确识别,对归一化火点指数(NDFI)法进行改进以去除水体干扰,并采用Fisher两类判别法进行高温目标和彩钢屋顶地物的分类。研究表明,改进的NDFI法结合Fisher两类判别法可有效用于高温目标识别,其高温目标识别理论精度为96.9%,实际精度为95.4%。     

基于边缘云计算的分布式行人重识别方法

为了降低计算密集型行人重识别任务的延迟,利用前沿的边缘云计算技术,设计了一种新颖分布式行人重识别(ECCreID)框架的模型.首先,通过结合属性识别和行人重识别来提出一种分布式模块分配方法.然后,考虑边缘云计算网络的动态性,设计一种基于在线学习的算法.最后,通过使用真实数据集进行的仿真,来评估所提出算法的性能.评估结果表明,所提出的框架具有较好的性能.     

基于空间颜色特征的行人重识别方法

行人重识别技术是嫌疑目标跨摄像头的完整活动路径分析系统的核心技术,但是在被用于实际应用时面临计算复杂度高和存储开销大等问题.针对这些问题,以视频侦查应用为背景,提出一种基于空间颜色特征的行人重识别方法,建立一种在计算复杂度和性能上较均衡的行人外貌特征描述符,对外貌中直观和重要的颜色特征采用对光照具有不变性的颜色描述符进行描述,一定程度上降低了光照变化对颜色特征稳定性的影响.为了弥补颜色直方图缺少空间信息的缺陷,并提高颜色直方图对光照和姿态变化的鲁棒性,把行人团块按语义分割成躯干和腿两部分,再把每一部分细分成若干子块,然后分别计算颜色描述符,并在计算相似度时引入位置信息.实验结果显示本方法在取得接近最好性能的同时具有低计算复杂度的优点.     

基于稀疏表示分类行人检测的二级检测算法

利用快速特征金字塔的方法进行行人检测,在检测的结果中存在许多误检的窗口,降低了检测行人的精确度。为了减少误检窗口数,本文提出了一种两级级联的行人检测方法:在快速特征金字塔检测结果的基础上,利用稀疏表示分类的方法进一步地减少误检窗口的数量。在训练阶段,分别对正负样本提取改进的HOG和改进的HOG+LBP特征,建立过完备字典;在检测阶段使用带有局部区域权重的稀疏表示求解稀疏系数,分别求取正负样本稀疏系数之和,以它们的比例作为误检窗口的判别依据。实验结果表明,加入二级检测器大大减少了误检窗口的数目,降低了对数平均漏检率,提高了检测的平均精确度,在检测时间上基本满足了实时检测的要求。     

面向音频信号的可迁移的稀疏表示字典学习方法

基于字典对音频信号稀疏表示是1种在音频信号处理中被广泛使用的信号表示方法,但是,如果当前信号与字典学习所使用的信号的数据分布不同时,稀疏表示性能会受到严重影响.本文提出1种用于对音频信号稀疏表示的,可迁移稀疏表示字典学习方法,将经验模态分解得到的成分作为音频信号帧的本质特征,提出基于本质特征和原始信号的字典联合学习方法,使字典具有很强的可迁移性.通过不同话者和不同数据集之间信号的稀疏表示,对字典的可迁移性能进行验证,同时,对字典稀疏表示的效果和效率进行了评估.实验结果表明:本文提出的字典学习方法,在不同话者和不同数据集间迁移时,重构信号的信噪比分别相差0.5和0.8,明显低于当前常用的方法.同时,字典具有更高的稀疏表示效率和更好的效果.     

基于局部特征和稀疏表示的鲁棒人耳识别方法

作为图像局部特征区域的有效描述方法,局部二值模式是目前对二维图像最有效的纹理分析特征之一。本文提出了基于局部二值模式特征的稀疏表示人耳识别方法。该识别算法首先提取训练人耳图像的局部二值模式特征描述子作为稀疏表示的字典,然后将测试样本的局部二值模式特征描述子表示为字典中所有局部二值模式原子的稀疏线性组合,最后通过求解稀疏表示模型得到稀疏编码系数,根据测试人耳图像的重建误差进行识别。在UND-J2人耳库和USTB人耳库上的实验结果表明,基于局部二值模式特征的稀疏表示人耳识别方法对人耳图像光照变化、姿态变化以及人耳遮挡具有更好的鲁棒性,实现了更高的识别率。     

基于图卷积的跨模态行人重识别方法

近年来,红外-可见光的行人重识别在视频监控、网络刑侦等领域应用广泛,这项任务的目的是实现RGB摄像机和红外摄像机下出现的同一行人的匹配。由于行人图像在RGB模态和红外模态下存在较大差异,因而使得该项任务具有一定的挑战性。文中提出一种基于图卷积的跨模态行人重识别方法,同时提出一种新颖的异心三元组损失函数,用于更好表征行人特征。该方法首先对水平切割方法进行改进,在此基数上以局部特征和全局特征为节点构建图卷积神经网络,并利用构建的图卷积神经网络学习图像结构化特征;然后,引入了一种全新的异心三元组损失函数,并结合Softmax损失函数进一步提高模型性能。两个公开数据集上进行的对比实验、消融实验以及可视化实验结果验证了文中所提方法的卓越性能。     

基于组结构字典稀疏表示的地震数据随机噪声压制

基于地震数据自身学习得到的自适应字典能够更精确地表示地震数据,针对稀疏表示传统方法训练出来的自适应字典的无结构性问题,文章提出一种基于组结构字典稀疏表示的地震数据随机噪声压制算法。该算法首先通过地震数据本身训练得到自适应学习型并具有一定结构性的组结构字典,然后利用该组结构字典对地震数据进行稀疏表示,通过得到的表示系数重建地震数据。所用的组结构字典能够更好地适应地震数据自身特性,对地震数据进行稀疏表示可得到更加稀疏的表示系数,滤除了通常系数很小的随机噪声,从而能够有效压制随机噪声。实验表明,文中所提出的地震数据随机噪声压制算法具有良好的去噪效果。     

基于稀疏字典学习的立体图像质量评价

本文提出了一种基于稀疏字典学习的双通道立体图像质量评价方法.其中,一个通道结合视觉注意机制得到初始立体显著图,用中央偏移和中心凹特性对其进行优化得到最终的显著图,然后,对其进行稀疏字典训练获得显著字典;另一个通道将参考立体图像对进行SIFT特征变换,然后,对其进行稀疏字典训练获得SIFT字典.在测试阶段,利用已训练字典对参考图像和失真图像进行稀疏编码获得稀疏系数,并定义稀疏系数相似度指标以衡量参考图像和失真图像之间的信息差异;最后将两个通道的质量分数进行加权得到立体图像质量的客观分数.实验在两个公开LIVE库上进行测试,实验结果表明,本文算法的评价结果与主观评分具有更好的一致性,更加符合人类视觉系统的感知.