基于混合Kotz-型分布的多分类人脸识别方法

针对实际人脸图像中含有重尾噪声的问题,提出一种基于混合Kotz-型分布的多分类人脸识别方法。利用Kotz-型分布与广义逆厂分布混合表现出的较厚拖尾特性,结合核方法和概率统计知识,通过调节混合Kotz-型分布中的参数,估计人脸图像中重尾噪声的拖尾情况。分别向ORL人脸库、Yale人脸库、Randface人脸库添加程度不同的重尾噪声,形成新的含有不同程度重尾噪声的人脸库,通过对3个人脸库进行验证,结果表明,该方法能较好地估计人脸图像的拖尾特性,对含有重尾噪声的人脸图像有较高的识别率。     

一种新的SAR图像快速自适应去斑算法

针对SAR图像斑点噪声的滤除,提出了一种新的基于Countourlet变换的快速自适应性噪声去除方法。鉴于SAR图像的Countourlet系数主要取决于斑点噪声和信号腐化,且呈现出很强的非高斯分布特性,据此,首先建立了SAR图像Countourlet系数的高斯混合分布解析模型;然后用每个系数的邻域系数通过估计其去斑收缩因子来实现系数的自适应收缩;最后对Lee滤波、Foster滤波、Gamma滤波、小波、Curvelet和Contourlet变换的去斑性能进行了比较分析。实验结果表明,该新方法在保留细节和锐化图像的同时,能强有力地抑制斑点噪声。     

基于领域关系广义混合模型图像分割的研究

针对高斯混合模型不能有效处理复杂噪声图像分割问题,提出了基于领域关系广义混合模型.在高斯混合模型基础上引入形状参数r提高混合模型对不同噪声适应能力,另外该方法结合图像中像素点邻域关系,融入像素点间的互动信息.与混合模型通常采用EM算法估计参数不同,该模型参数估计采用梯度方法,通过最小化负似然对数优化参数.实验结果表明,广义混合模型在处理高斯噪声,重尾噪声,混合噪声以及脉冲噪声图像分割问题都取得了很好的效果.     

基于高斯–广义双曲混合分布的非线性卡尔曼滤波

本文研究带非平稳厚尾非高斯量测噪声的非线性系统状态估计问题.考虑到广义双曲分布包含多种常见厚尾分布特例,且其混合分布为共轭的广义逆高斯分布,选用广义双曲分布建模厚尾噪声;进而引入伯努利变量构建高斯–广义双曲混合分布来建模非平稳厚尾噪声,并利用该分布的高斯分层结构得到系统的概率模型.随后采用变分贝叶斯方法实现对系统状态以及噪声参数的后验估计,得到针对此类噪声系统的卡尔曼滤波(Kalman filter, KF)框架,现有的几种鲁棒滤波算法均是本文算法的特例.机器人跟踪仿真实验表明,所提算法与同类算法相比具有更好的估计精度和数值稳定性,且对于初始参数具有较好的鲁棒性.     

基于PCA与最大后验概率分类的人脸识别方法

在运用主成分分析进行人脸识别的过程中,由于实际图像可能符合某种概率密度分布,并且实际用到的图像可能受到不同程度的噪声污染,简单的距离分类已不再适用。基于核函数的最大后验概率分类是将概率密度函数估计中的参数估计、核函数以及贝叶斯理论结合起来,能很好地考虑到概率分布情况,用多元高斯分布下的基于核函数的最大后验概率分类取代距离分类,对于含有不同参数值的高斯噪声图像有较好的识别率。用ORL标准人脸库进行验证,实验结果表明了可行性。     

基于邻域场拉普拉斯混合模型图像分割的研究

针对高斯混合模型（GMM）不能有效处理重尾噪声下图像拖尾情况,提出了基于拉普拉斯（Laplacian）分布的有限混合模型图像分割方法。与标准拉普拉斯混合模型（LMM）将像素点作为孤立个体不同的是,该方法充分考虑了相邻像素点间的空间关系。相较传统混合模型参数估计采用的EM算法,该方法采用梯度下降法优化参数。实验结果表明在处理重尾噪声时,该方法与标准LMM算法和GMM算法相比,鲁棒性更好,分割更精确有效。     

一种去除图像混合噪声的滤波算法

针对同时感染脉冲噪声和高斯噪声的混合噪声图像,以全变分去噪模型为基础,结合中值滤波技术,提出一种新的混合噪声滤波算法.该算法首先根据脉冲噪声的特点和像素的局部能量信息,分离出脉冲噪声并以改进中值滤波算法去除,然后对含有高斯噪声的图像采用自适应广义变分模型进行降噪处理.实验结果表明,该算法在有效滤除混合噪声的同时能很好地保护图像细节,为去除图像中的混合噪声提供了一种有效的途径.     

基于改进高斯混合模型的前景检测

针对自适应混合高斯背景模型执行速度慢、检测前景时容易产生“鬼影”等问题,提出一种改进的混合高斯背景建模方法。该方法通过对高斯分布权值和生存时间的限制,建立高斯分布退出机制,使模型能根据场景自适应选择每个像素的高斯分布个数,从而去除多余高斯分布,加快算法执行速度。在模型更新过程中,通过融入帧间差分,将每帧图像分成运动像素、背景像素及非真实运动像素,并通过对非真实运动像素赋予较大学习率来加速移出背景的恢复,从而避免“鬼影”和拖影现象。实验结果表明,与传统检测方法相比,该方法可以获得更好的目标检测效果。     

引入模糊因子的EM图像分割

基于有限高斯混合模型,在采用EM算法对混合模型参数求解的过程中,引入模糊因子,改善图像分割方法.该方法可以降低其对初选值的依赖和像素点值对混合模型分量间参数的干扰.结果表明,对含有高斯噪声影响的图像有较好的分割结果,目标图像的区域形状保持好、相对位置明确.     

一种去除图像混合噪声的滤波算法

经典的中值滤波和均值滤波常常被分别用来滤除脉冲噪声和高斯噪声,但是当图像同时存在脉冲噪声和高斯噪声时,这两种滤波算法都不能达到最好的滤波效果。为了能同时滤除两种不同性质的噪声,提出了一种新的混合噪声滤波算法。该算法首先根据脉冲噪声的特点和像素的局部能量信息,分离出脉冲噪声并采用中值滤波算法加以去除,然后对含有高斯噪声的图像采用均值滤波算法进行去噪。试验结果表明,该算法在有效滤除混合噪声的同时,能很好地保护图像的细节,从而为去除图像中的混合噪声提供了一种有效的途径。     

A Test of the Gaussian-ness of a Data Set Using Clustering

The properties of the ``magnifying glass' method of clustering are discussed. These properties, which include unbiased and consistent estimation of the mean for Gaussian distributions and biased and inconsistent estimation of the mean for non-Gaussian distributions, lead to the development of a technique for testing data to determine whether or not it is Gaussian. An example of a non-Gaussian distribution is given to show the sensitivity of the proposed Gaussian test.     

基于局部熵双子空间的多模态过程故障检测

为了提高非高斯工业过程的检测性能, 提出局部熵双子空间(LEDS)的多模态过程故障检测方法. 运用局部 概率密度估计构建数据的局部熵矩阵, 消除数据的多模态特性. 用Kolmogorov-Smirnov (KS)检验局部熵数据中变 量的正态分布特性, 对高斯分布和非高斯分布的数据分别建立基于PCA的高斯子空间和ICA的非高斯子空间故障 检测模型. 利用Bayesian决策将检测结果转化成发生故障概率的形式, 将检测结果组合成最终的统计信息, 进行故 障检测. 将该方法应用于数值例子和田纳西–伊斯曼多模态过程, 仿真结果表明, 该方法在误报率较低的情况下, 故 障检测率最高, 优于PCA、局部熵PCA(LEPCA)和局部熵ICA(LEICA)方法.     

基于高斯分布监督学习样本的Fisher核构造方法

结合实际应用背景, 针对各类样本服从高斯分布的监督学习情形, 提出了构造Fisher核的新方法. 由于利用了样本中的类别信息, 该方法用极大似然估计代替EM算法估计GMM参数, 有效降低了Fisher核构造的时间复杂度. 结合核Fisher分类法, 上述方法在标准人脸库上的仿真实验结果显示, 用所提方法所构造的Fisher核不仅时间复杂度低, 且识别率也优于传统的高斯核与多项式核. 本文的研究有利于将Fisher 核的应用从语音识别领域拓展到图像识别等领域.     

基于二值数据贝叶斯子空间的人脸识别算法

基于贝叶斯空间的人脸识别算法均假定样本空间满足高斯分布,实际上样本空间很复杂,不一定能满足高斯分布。提出一种新的在贝叶斯空间进行人脸识别的算法,该算法通过设定图像灰度级的阈值,统计其出现频率,计算其类条件概率密度,利用贝叶斯公式求后验概率。该方法克服了传统贝叶斯方法难求类内和类间协方差矩阵的缺点,简单易用。实验结果证明,该方法具有可行性,识别率高于传统的基于代数的人脸识别算法(PCA、LDA和PCA+LDA)。     

基于均差滤波与高斯和的非线性非高斯系统滤波算法

针对一类非线性非高斯系统的滤波问题,在分析均差滤波算法和高斯和滤波算法的基础上,提出一种基于均差滤波的高斯和滤波算法,适于处理非线性非高斯系统的滤波问题.对于似然密度位于条件转移概率密度拖尾处的情况,与传统的粒子滤波算法相比,所提算法能提高滤波的精度和实时性.仿真实验验证了新算法的有效性.     

Robust large margin discriminant tangent analysis for face recognition

Fisher’s Linear Discriminant Analysis (LDA) has been recognized as a powerful technique for face recognition. However, it could be stranded in the non-Gaussian case. Nonparametric discriminant analysis (NDA) is a typical algorithm that extends LDA from Gaussian case to non-Gaussian case. However, NDA suffers from outliers and unbalance problems, which cause a biased estimation of the extra-class scatter information. To address these two problems, we propose a robust large margin discriminant tangent analysis method. A tangent subspace-based algorithm is first proposed to learn a subspace from a set of intra-class and extra-class samples which are distributed in a balanced way on the local manifold patch near each sample point, so that samples from the same class are clustered as close as possible and samples from different classes will be separated far away from the tangent center. Then each subspace is aligned to a global coordinate by tangent alignment. Finally, an outlier detection technique is further proposed to learn a more accurate decision boundary. Extensive experiments on challenging face recognition data set demonstrate the effectiveness and efficiency of the proposed method for face recognition. Compared to other nonparametric methods, the proposed one is more robust to outliers.     

A fast estimation method for the generalized Gaussian mixture distribution on complex images

In this paper, a fast estimation method which is developed for estimating the parameters of the generalized Gaussian distribution (GGD) mixture model is presented. In practice, the frequency data observed from complex image intensity is modeled as a random variable, which could be approximated by a GGD mixture model. To seek the “best-practice” parameter estimates of the model, the new method intends to combine the merits of the estimation efficiency via statistical estimators and the computation efficiency via evolutionary algorithms, termed the EP2 method. The EP2 method is designed particularly for estimating widely ranged shape parameters that characterizes the Gaussian family densities, including sub- and super-Gaussian densities. Experimental results obtained by modeling both simulated data and complex image histogram data arising from non-Gaussian sources are employed to illustrate the estimation effectiveness and efficiency of the proposed method.     

低质量无约束人脸图像下的超分辨率摆正

针对人脸识别算法准确率受面部姿态、遮挡、图像分辨率等因素影响的问题,提出一种超分辨率摆正的方法,作用于低质量无约束输入图像上,生成高清晰度标准正面视图。主要通过估计输入图像与3D模型间的投影矩阵,产生标准正面视图,通过人脸对称性的特点,补全由于姿态、遮挡等原因所产生的面部缺失像素。在摆正过程中,为了提高图像分辨率以及避免面部像素信息丢失,引入一个16层的深度递归卷积神经网络进行超分辨率重构;并提出两个扩展：递归监督和跳跃链接,来降低网络训练难度以及缩小模型体量。在经过处理的LFW数据集上实验表明,该方法对人脸识别和性别检测算法的性能具有显著提升作用。     

Probabilistic two-dimensional principal component analysis and its mixture model for face recognition

Recently, two-dimensional principal component analysis (2DPCA) as a novel eigenvector-based method has proved to be an efficient technique for image feature extraction and representation. In this paper, by supposing a parametric Gaussian distribution over the image space (spanned by the row vectors of 2D image matrices) and a spherical Gaussian noise model for the image, we endow the 2DPCA with a probabilistic framework called probabilistic 2DPCA (P2DPCA), which is robust to noise. Further, by using the probabilistic perspective of P2DPCA, we extend the P2DPCA to a mixture of local P2DPCA models (MP2DPCA). The MP2DPCA offers us a method of being able to model faces in unconstrained (complex) environment. The model parameters could be fitted on the basis of maximum likelihood (ML) estimation via the expectation maximization (EM) algorithm. The experimental recognition results on UMIST, AR face database, and the face recognition (FR) data collected at University of Essex confirm the effectivity of the proposed methods.