利用FFT实现对LFM信号的快速稀疏分解

针对传统稀疏分解算法致使冗余字典中原子数量巨大的缺陷,提出一种线性调频信号的快速稀疏分解算法。这种算法根据线性调频信号本身的特点构建冗余字典中的原子,构建了两个冗余字典,通过级联的方式,完成了线性调频信号的快速稀疏分解。通过分析,采用这种级联的方式使得总的原子数量远小于一个冗余字典中的原子数量。在利用第一个冗余字典进行稀疏分解时,该算法通过快速傅里叶变换寻找最大值在另一个冗余字典中同时得到最匹配的原子。实验结果证实这种算法比其他3种采用单一冗余字典的稀疏分解算法,不仅加快了稀疏分解速度,而且具有更好的收敛性。     

一种基于低秩恢复稀疏表示分类器的人脸识别方法

针对基于稀疏表示分类器(Sparse Representation-based Classification,SRC)的人脸识别方法用单位阵作误差字典不能很好地描述人脸图像噪声和误差以及由于训练样本不足可能造成字典不完备的问题,提出一种基于低秩恢复稀疏表示分类器(Low Rank Recovery Sparse Representation-based Classification,LRR_SRC)的人脸识别方法。该方法首先采用低秩矩阵恢复(LRR)算法将训练样本矩阵分解为一个低秩逼近矩阵和一个稀疏误差矩阵。然后,由低秩逼近矩阵和误差矩阵组成字典。在此基础上,得到测试样本在该字典下的稀疏表示。更进一步,基于测试样本的稀疏表示系数和字典,对测试样本进行类关联重构,并计算其类关联重构误差。最后,基于类关联重构误差,完成测试样本的分类识别。在YaleB和CMU PIE人脸数据库上的实验结果表明,提出的基于LRR_SRC的人脸识别方法具有较高的识别率。     

改进的局部稀疏表示分类算法及其在人脸识别中的应用

近年来,稀疏表示分类(Sparse Representation Based Classification,SRC)方法在人脸识别中受到越来越多的关注。原始SRC方法使用所有的训练样本组成字典矩阵,当训练样本比较多时,稀疏系数的求解会变得非常耗时。为了解决这一问题,提出一种新的局部稀疏表示分类(Local SRC,LSRC)方法。该方法针对每个测试样本,根据测试样本和训练样本稀疏系数之间的相似性来选择部分训练样本,由这些训练样本组成字典,然后在这个字典上对测试样本进行稀疏分解。该方法性能相比于原始LSRC方法更稳定。在ORL、Yale和AR人脸库上的实验结果表明,该方法的效果优于SRC和LSRC。     

结合KSVD和分类稀疏表示的图像压缩感知

由于传统稀疏字典训练方法不能充分利用图像细节信息,提出一种分类稀疏字典训练方法。根据待训练样本的特性,将其划分为平滑、边缘和纹理三类,用KSVD算法分别训练出适合三类图像块特性的冗余字典,利用构造的冗余字典分别稀疏表示三类图像块。同时根据每类图像块所含信息量,自适应地分配测量率。实验结果表明,和单一正交基、冗余字典相比,该算法的稀疏系数更加稀疏,在低图像测量率时,重构效果更好,对边缘信息丰富的图像重构效果改善尤为明显。     

基于字典优化的稀疏表示的视频镜头分类

为了克服稀疏表示中冗余字典分类效果不佳的问题,提出了基于字典优化的稀疏表示算法。该算法制定了新的基于稀疏表示的分类判别规则,采用了基于冗余字典内基元类内平均欧式距离最小以及类间平均欧式距离最大的字典优化方法,形成优化字典进行特征稀疏表示。将该算法应用于视频镜头的稀疏表示特征提取与分类,实验结果表明该方法优化后的字典进行视频镜头的特征提取和分类,其识别率得到了明显的提高。     

基于稀疏表示的SAR图像压缩方法研究

基于过完备字典的图像稀疏表示是一种新的图像表示理论,利用过完备字典的冗余性可以有效地捕捉图像的各种结构特征,从而实现图像的有效表示。采用基于过完备字典稀疏表示的方法实现SAR图像的压缩。为了得到表示图像所需要的信息,只需要存储稀疏分解的系数极其对应的坐标,实现压缩的目的。采用K-SVD算法实现过完备字典的构造。K-SVD算法是一种基于学习的算法,由于训练样本全部来自于图像本身,因此字典能够更好地逼近图像本身的结构,实现稀疏表示。仿真表明对于SAR图像的压缩,算法是有效的,并且优于基于DCT的Jpeg算法和基于小波变换的EZW和SPIHT算法。     

原子簇快速匹配追踪算法

针对稀疏表示中匹配追踪算法计算复杂度过大的问题,提出了基于冗余字典原子相关性的匹配追踪算法.该算法利用相邻迭代过程中匹配原子的相关性对冗余字典进行簇化,得到M个多原子集合(原子簇);每次迭代过程中利用LVQ神经网络的快速学习能力从原子簇中选取目标簇;最后在目标簇中选取匹配信号结构的若干原子进行信号的稀疏逼近.实验采用一维稀疏信号进行仿真,结果表明与匹配追踪算法相比,其逼近性能相近,同时稀疏分解速度大大提高.     

基于稀疏编码的手指心电信号身份识别算法

研究了心电(ECG)信号在身份识别中的应用,提出了基于过完备字典下稀疏编码的手指心电身份识别认证算法.在预处理阶段,对ECG信号进行预处理消噪,去除心电信号里的噪声、基线漂移和心率变异的干扰.在特征提取阶段,提取单周期心电信号构成特征向量并构建字典模型,用核奇异值分解(KSVD)训练成冗余字典,然后对每一部分特征向量进行稀疏编码,实现在该字典上的稀疏表示.在分类识别阶段,利用得到的稀疏系数矩阵构建特征模板向量作为特征参数.通过欧氏距离匹配输出个体身份信息,实现个体身份识别认证.通过两个手指心电信号数据库对该算法进行了性能测试,获得了较高的识别率.     

基于稀疏分解和聚类的自适应图像去噪新方法

随着信号稀疏表示原理的深入研究,稀疏分解越来越广泛地应用于图像处理领域。针对过完备字典构造和稀疏分解运算量巨大的问题,提出一种基于稀疏分解和聚类相结合的自适应图像去噪新方法。该方法首先通过改进的K均值(K-means)聚类算法训练样本,构造过完备字典;其次,通过训练过程中每一次迭代,自适应地更新字典的原子,使字典更适应样本的稀疏表示;然后利用正交匹配追踪(OMP)算法实现图像的稀疏表示,从而达到图像去噪的目的。实验结果表明：与传统的字典训练方法相比,新算法有效地降低了运算复杂度,并取得更好的图像去噪效果。     

稀疏特征自适应的彩色图像隐写

为了提高稀疏域隐写的性能,提出一种基于图像成分的稀疏域隐写算法.首先构造2个字典,分别用于稀疏表示图像的分片平滑成分(卡通成分)和纹理成分,并给出了2种构造字典的方法,一种是利用现有数学模型,另一种是利用K-SVD算法进行自适应学习;然后结合2个字典对彩色图像的R,G,B通道进行稀疏分解,分别获得2种图像成分的稀疏表示系数;最后将秘密信息嵌入到其中2个通道的非零表示系数中,并优先选择纹理成分稀疏表示系数,另一通道则用于保存分解路径.实验结果证明,该算法在获得较高视觉质量的同时,比其他稀疏域隐写算法具有更强的抗隐写分析能力和更好的鲁棒性.     

Kernel sparse representation based classification

Sparse representation has attracted great attention in the past few years. Sparse representation based classification (SRC) algorithm was developed and successfully used for classification. In this paper, a kernel sparse representation based classification (KSRC) algorithm is proposed. Samples are mapped into a high dimensional feature space first and then SRC is performed in this new feature space by utilizing kernel trick. Since samples in the high dimensional feature space are unknown, we cannot perform KSRC directly. In order to overcome this difficulty, we give the method to solve the problem of sparse representation in the high dimensional feature space. If an appropriate kernel is selected, in the high dimensional feature space, a test sample is probably represented as the linear combination of training samples of the same class more accurately. Therefore, KSRC has more powerful classification ability than SRC. Experiments of face recognition, palmprint recognition and finger-knuckle-print recognition demonstrate the effectiveness of KSRC.     

改进稀疏表示算法在人脸识别中的应用

人脸识别的主要难度在于，受到光照变化、表情变化以及遮挡的影响，会使得采集的不同人的人脸图像具有相似性。为有效解决基于稀疏表示的分类算法（Sparse Representation-based Classification，SRC）在人脸训练样本不足时会导致识别率降低和稀疏表示求解效率较低的问题，提出了基于判别性低秩分解与快速稀疏表示分类（Low Rank Recovery Fast Sparse Representation-based Classification，LRR_FSRC）的人脸识别算法。利用低秩分解理论得到低秩恢复字典以及稀疏误差字典，结合低秩分解和结构不相干理论，训练出判别性低秩类字典和稀疏误差字典，并把它们结合作为测试时所用的字典；用坐标下降法来求解稀疏系数以提高了计算效率；根据重构误差实现测试样本的分类。在YALE和ORL数据库上的实验结果表明，提出的基于LRR_FSRC的人脸识别方法具有较高的识别率和计算效率。     

Sparse neighbor representation for classification

Recent research of sparse signal representation has aimed at learning discriminative sparse models instead of purely reconstructive ones for classification tasks, such as sparse representation based classification (SRC) which obtains state-of-the-art results in face recognition. In this paper, a new method is proposed in that direction. With the assumption of locally linear embedding, the proposed method achieves the classification goal via sparse neighbor representation, combining the reconstruction property, sparsity and discrimination power. The experiments on several data sets are performed and results show that the proposed method is acceptable for nonlinear data sets. Further, it is argued that the proposed method is well suited for the classification of low dimensional data dimensionally reduced by dimensionality reduction methods, especially the methods obtaining the low dimensional and neighborhood preserving embeddings, and it costs less time.     

特征加权组稀疏判别投影分析算法

近来, 稀疏表示分类算法已经在模式识别和特征提取领域获得了广泛的关注. 受最近提出的稀疏表示判别投影算法启发, 本文提出了一种新的特征加权组稀疏判别投影算法(Feature weighted group sparse classification steered discriminative projection, FWGSDP). 首先, 提出特征加权组稀疏分类算法(Feature weighted group sparsebased classification, FWGSC)进行稀疏系数编码, 该算法采用带特征加权约束的保局性信息, 能够鲁棒地重构给定的输入数据; 其次, 通过类内重构散度最小、类间重构散度最大为目标计算最优投影判别矩阵, 使得输入数据具有最佳的模式分类效果; 最后, 提出迭代重约束稀疏编码方法并结合特征分解操作进行FWGSDP模型高效求解. 在ExYaleB, PIE和AR三个人脸数据库的实验验证了所提算法在普通数据和带噪数据中的分类效果都优于现存的算法.     

基于旋转扩展和稀疏表示的鲁棒遥感图像目标识别

针对含有残缺图像的遥感图像目标识别问题,提出一种基于旋转扩展和稀疏表示的目标识别方法.首先对训练集进行旋转扩展,使得测试图像能近似用训练集稀疏表示,然后通过求解一个l1范数最小化问题得到测试图像相对于训练集的一个稀疏表示,进而根据不同类对应的稀疏表示对测试图像的近似程度进行识别.与代表性的方法进行比较,实验结果与分析表明,该方法识别率优于已有方法,对残缺图像的识别有较好的鲁棒性,且在小样本、低采样率情况下也能保持较好的识别性能.     

基于K-PSO稀疏表示的故障分类方法研究

针对现代复杂生产过程中不能准确识别、分类多种故障的问题,提出一种改进的稀疏表示故障分类方法。该方法依据信号的稀疏表示来判断故障所属类别。其具体实现过程首先是利用K-均值奇异值分解(K-SVD)算法构造过完备字典,使其包含原信息的主要特征,再通过粒子群(PSO)算法有效地搜索并寻找稀疏分解中产生的在过完备字典范围中的最匹配原子,最后利用以该匹配原子为基础的稀疏表示结果实现对多故障问题的分类识别。运用数值仿真验证了该算法的可行性和有效性。同时,针对柴油机燃油系统的故障分类,将该方法与基于BP神经网络和SVM的分类识别方法进行比较,实验表明该算法在故障分类上具有更好的效果。     

整合原始人脸图像和其虚拟样本的人脸分类算法

人脸识别作为最具吸引力的生物识别技术之一,由于会受到不同的照明条件、面部表情、姿态和环境的影响,仍然是一个具有挑战性的任务.众所周知,一幅人脸图像是对人脸的一次采样,它不应该被看作是脸部的绝对精确表示.然而在实际应用中很难获得足够多的人脸样本.随着稀疏表示方法在图像重建问题中的成功应用,研究人员提出了一种特殊的分类方法,即基于稀疏表示的分类方法.受此启发,提出了在稀疏表示框架下的整合原始人脸图像和虚拟样本的人脸分类算法.首先,通过合成虚拟训练样本来减少面部表示的不确定性.然后,在原始训练样本和虚拟样本组成的混合样本中通过计算来消除对分类影响较小的类别和单个样本,在系数分解的过程中采用最小误差正交匹配追踪(Error-Constrained Orthogonal Matching Pursuit,OMP)方法,进而选出贡献程度大的类别样本并进行分类.实验结果表明,提出的方法不仅能获得较高的人脸识别的精度,而且还具有更低的计算复杂性.     

Enhancing sparsity via full rank decomposition for robust face recognition

In this paper, we propose a fast and robust face recognition method named enhancing sparsity via full rank decomposition. The proposed method first represents the test sample as a linear combination of the training data as the same as sparse representation, then make a full rank decomposition of the training data matrix. We obtain the generalized inverse of the training data matrix and then solve the general solution of the linear equation directly. For obtaining the optimum solution to represent the test sample, we use the least square method to solve it. We classify the test sample into the class which has the minimal reconstruction error. Our method can solve the optimum solution of the linear equation, and it is more suitable for face recognition than sparse representation classifier. The extensive experimental results on publicly available face databases demonstrate the effectiveness of the proposed method for face recognition.     

基于块稀疏贝叶斯学习的人体运动模式识别

在人体运动模式识别中, 传统稀疏表示分类算法未考虑待测试样本相应稀疏系数向量内在块结构相关性信息,影响了算法识别性能。为此,提出一种基于块稀疏模型的人体运动模式识别方法。该方法充分利用人体运动模式内在块稀疏结构,将人体运动模式识别问题转化为稀疏表示问题,采用块稀疏贝叶斯学习算法,求解基于样本训练集优化稀疏表示待测样本的稀疏系数, 并根据稀疏系数重构残差判定待识别动作类别,能有效提高人体运动模式识别率。选用包含多类别人体动作行为模式的USC-HAD数据库对所提算法性能进行了验证。实验结果表明,所提算法能够有效捕获不同运动模式内在差异信息,平均动作识别率达到97.86%,比传统动作识别方法平均提高近5%,有效提高了动作识别准确率。     

基于全局和分离部件融合的双L1稀疏表示人脸图像识别算法

考虑到人脸识别中全局与局部信息的互补作用,提出基于全局和分离部件相结合的双L1稀疏表示人脸图像识别算法.首先在L1稀疏表示的基础上,对入脸进行全局稀疏逼近.其次,在分离部件识别模型中,抽取并对齐稍有重叠的几个人脸部件,分别进行稀疏表示,然后使用基于稀疏表示残差的相似度投票方法,将各部件逼近结果综合.最后在决策层上将全局与部件的稀疏表示加权集成,形成双L1稀疏表示分类器.在公用人脸数据库上的实验表明,集成分类器优于各单一模块的识别性能,且由于融合了对光照、表情等变化不敏感的部件信息,系统鲁棒性得到提高.