基于稀疏表示模型的图像解码方法

为了更好地提取图像信号的稀疏特性,提出了一种多方向自回归稀疏模型及其重建算法.多方向自回归稀疏模型利用图像局部统计相关和纹理方向实现了图像稀疏表示.在基于变换的编码框架下,以编码端的变换矩阵为观测矩阵,用多方向自回归稀疏模型代替解码端的反变换.图像仿真结果表明,所提出的技术能改善JPEG图像的质量.     

基于深度学习和多尺度编码组合的手背静脉识别

针对手背静脉识别技术,提出了一种基于深度学习和多尺度编码组合的手背静脉识别算法.首先,利用下采样和小波分解获取多尺度下的手背静脉图像,然后采用中心对称的局部二值模式(CSLBP)提取图像的特征,再次对提取的特征采用深层模型—限制玻尔兹曼机(RBM)逐层训练,最后采用多尺度编码组合的方式进一步提高识别率.实验证明,本文所提出的方法较传统的PCA、LBP算法识别率更高.     

基于多尺度空间LLC的图像语义分类方法

为了提高图像的空间分布和语义信息的有效利用,采用金字塔模型提出一种将多尺度空间、LLC和图像语义分析相融合的图像语义分类方法.首先对图像空间域金字塔划分的各个层次的局部块分别进行线性局部稀疏编码,并对不同层次上的量化编码进行串接生成共生矩;其次使用概率潜在语义模型对图像进行语义分析以获得最终的图像表示;最后采用线性多类别SVM对图像进行分类.实验结果表明,本文提出的算法生成的图像特征具有较高的分类性能和效率.     

基于可变形部件模型及稀疏特征的行人检测

针对方向梯度直方图算法无法处理模糊边界且忽略了物体内平滑的特征区域的问题,提出一种基于稀疏编码的可变形部件模型算法.通过稀疏学习得到稀疏编码直方图特征算子的图像特征,利用弱标签隐藏变量结构化支持向量机学习算法对特征进行训练得到部件模型,再结合级联检测算法对人体目标进行识别检测.实验结果显示,混合模型结合级联方法的检测耗时约是混合模型和语义模型平均检测耗时的1/4,与目前其他已有算法比较,所提方法更加鲁棒和具有识别力.     

基于最小均方误差和稀疏特征的欠定盲源分离

针对欠定条件下的盲源分离问题,即观测信号个数小于信源个数的情况,提出了一种基于最小均方误差和稀疏特征的算法.首先,利用变换后信源的稀疏特征,采用一新的势函数通过聚类算法估计混叠矩阵.然后利用混叠矩阵和信源自身的相关性,通过寻找信源在聚类方向时间点上的精确值,以均方误差最小为准则寻找最佳分离矩阵实现信源的分离,克服了传统的分离算法在寻找最佳分离子矩阵方面的缺点.仿真结果显示使用该方法分离的信号具有更高的信噪比,和其他同类方法相比具有更优越的分离性能.     

基于快速正交匹配追踪的无线传感网中目标定位算法

高效准确的多目标定位是无线传感器网的基本任务之一。传统基于贪婪类的稀疏表示方法在多目标定位中计算效率不高。针对该问题,提出一种基于QR分解的快速正交匹配追踪的多目标定位算法。该算法对无线传感器覆盖区域进行网格划分来设计过完备字典,从而将多目标定位问题转化为稀疏信号恢复问题。该方法利用了传感器接收目标信号强度的稀疏特性,然后使用快速正交匹配追踪来恢复测量值,进而通过稀疏性来定位目标。通过列满秩矩阵的QR分解思想,利用递归形式来对子字典矩阵求逆,避免了传统方法中对该矩阵的直接求逆,使得运算量大为降低。仿真结果表明,与传统的正交匹配追踪压缩感知重构方法相比,该方法不损失定位精度,提高了运算效率。     

自然图像稀疏编码模型研究综述

根据建模出发点的不同,把各种建模方法分为模拟视觉系统模型、统计分析模型两大类方法.根据不同的目标、不同的模型特征和结构,把模拟视觉系统的稀疏编码模型分又为最大似然概率、目标函数优化、Gabor小波基函数、超完备基、神经网络、分层稀疏编码六类模型.根据模型学习方法的不同,统计分析模型又分为独立分析、非负矩阵分解以及特定特征的稀疏编码3种模型.针对上述各种模型进行了介绍、分析和研究,并归纳总结不同方法的主要特点,最后进行了展望.     

基于多尺度SIFT特征的SAR目标检测

提出一种用于SAR图像目标检测的多尺度SIFT特征提取及降维方法。针对在单一尺度下无法完整描述SAR目标的问题,采用高斯尺度空间和多组种子点的方式实现多尺度SIFT特征描述,并对同一尺度和不同尺度间的描述冗余和结构冗余分别采取稀疏编码和特征统计的降维方式实现去冗余处理。在多尺度因子和尺度层数的选择上,通过定量计算选取最优描述参数,使得代表目标特征的向量既包括目标整体轮廓信息又包含图像细节描述。与传统双参数恒虚警率、单尺度SIFT特征、多尺度SIFT-PCA等方法进行对比测试,验证了该方法的有效性。     

一种采用协方差矩阵稀疏表示的DOA估计方法

提出一种新的基于样本协方差矩阵稀疏表示的联合波达方向估计方法.该方法对传统的基于协方差矩阵稀疏表示的模型进行改进,仅利用协方差矩阵的部分信息来进行波达方向估计,无须已知噪声功率,以极小的孔径损失换取算法的稳健性.虽然是基于样本统计信息(即协方差矩阵)的波达方向估计方法,但是其原理与传统的角度高分辨估计方法(MUSIC,CAPON)不同,该算法对具有任意相关性的信号源能进行有效的波达方向估计,不需要进行去相关处理,且具有很高的分辨力及估计精度.     

基于二级嵌套阵列的宽频段欠定波达方向估计

针对宽频段欠定波达方向(DOA)估计问题,提出基于二级嵌套阵列的DOA估计方法.利用空间频率对阵列接收数据进行降维处理;利用空间频率的空域稀疏性建立空间频率连续稀疏模型,利用原始对偶方法以及多项式求根得到空间频率的高分辨估计;构建频域协方差矩阵并进行特征分解,利用大特征矢量之和来建立配对函数实现信号频率与空间频率准确配对得到DOA估计.结果表明,该方法可估计的信号数远大于实际阵元数,同时能够有效避免传统稀疏重构方法中由于角度域离散化所导致的模型不匹配对估计性能的影响,提高了估计精度与分辨力.     

面向人体动作识别的局部特征时空编码方法

为克服BoF特征袋模型在视频人体动作识别中忽视局部特征间时空位置关系的问题,本文提出局部特征时空编码方法。将局部特征时空位置坐标引入特征编码中,直接对它们的时空位置关系建模。首先,将局部特征投影到人体运动子时空域,获得局部特征的时空位置坐标;然后,在特征编码阶段同时对局部特征的出现信息和时空位置坐标进行编码;最后,采用特征池提取该时空域内局部特征的统计信息用于动作分类。为进一步提高性能,多尺度时空编码和局部约束时空编码方法也一并被提出,并在分类阶段采用局部约束块稀疏表示分类方法提高动作识别精度。在KTH, Weizmann, UCF sports等标准测试集的实验表明,本文算法能够有效表示局部特征间时空位置关系、提高动作识别精度。     

基于CNN多层特征和ELM的交通标志识别

针对传统神经网络仅利用端层特征进行分类导致特征不全面,以及交通标志识别中计算量大、时间长等问题,提出基于多层特征表达和极限学习机的交通标志识别方法。利用CNN网络提取多层交通标志特征图;采用多尺度池化操作,将提取出的各层特征向量联合形成一个具有多尺度多属性特征的交通标志特征向量;使用极限学习机分类器准确快速地实现交通标志的识别。实验结果表明,该方法能有效地提高交通标志识别的准确率,且具有较好的泛化能力和实时性。     

融合局部特征与深度学习的三维掌纹识别

为了探索三维掌纹在生物特征识别领域的应用,基于局部纹理特征和深度学习,提出一种有效的三维掌纹识别方法. 通过曲率特征、形状指数、表面类型分别来描述三维掌纹的局部几何特征,将其作为深度神经网络的输入,完成三维掌纹识别任务. 在香港理工大学的三维掌纹数据库上对不同的几何特征、不同的深度神经网络模型进行全面分析与比较. 三维掌纹识别实验结果表明,与其他三维掌纹识别方法相比较,所提方法的识别率更高,识别时间更短,在实时掌纹识别领域具有较大的应用潜力.     

特征图聚集多尺度行人检测高效算法

针对使用人工设计特征训练的行人检测算法准确率和效率较低的问题,提出一种采用卷积神经网络特征图聚集多尺度行人检测高效算法. 设计一种特征图聚集网络,将高层次特征图与低层次特征图进行聚集,构造出有较好空间分辨和语义能力的特征图;构造特征延伸网络,提供用于多尺度行人检测的特征图;重新设计目标候选区域,构造多尺度行人检测网络,提升定位准确性,并将特征图聚集网络、特征延伸网络和多尺度行人检测网络组合进行端到端训练. 实验测试结果表明,该算法可以有效提高行人检测与定位准确性,并可在普通硬件设备条件下提供实时检测.     

基于水平分量优先原则的RDW-LBP人脸识别算法

首先分析了人脸图像不同的方向性细节对识别率的影响,提出了水平分量优先原则。结合该原则提出了一种基于多尺度区域性-方向性加权的规范型二元局部纹理描述算子RDW-LBP的鲁棒人脸识别算法。算法通过多尺度Haar小波分解,提取多级尺度分量和含有最多有效识别细节的一级水平细节分量,组成待分析系数子图矩阵M。计算矩阵M的RDW-LBP纹理特征图谱,结合子区域剖分,连接子区域特征共同组成人脸图像特征向量,最后使用基于Chi-Square距离的分类器进行识别。     

基于多尺度特征与注意力机制的轴承寿命预测

针对以往剩余使用寿命（RUL）预测方法对轴承退化信息挖掘不充分、忽视不同特征贡献度差异,影响预测准确性的问题,提出基于多尺度特征与注意力机制的轴承RUL预测方法. 在多个尺度下计算轴承原始振动信号的若干时域和频域特征,作为输入特征集. 将多尺度特征集输入到网络中,以注意力模块为不同特征自适应地分配最佳权重,以卷积神经网络（CNN）模块进行深层特征提取与多尺度特征融合,通过前馈神经网络（FNN）模块映射得到RUL预测值. 通过公开的轴承数据集进行实验验证,与其他RUL预测方法相比,所提方法的预测性能更优越.     

危险货物道路运输车辆出行链活动类型识别

针对危险货物运输(危货)车辆出行链上停留节点活动类型的识别问题,提出基于高斯混合模型-隐马尔科夫模型(GMM-HMM)的活动类型识别方法. 对车辆GPS数据构建基于决策树的车辆起停检测模型,提取出行链活动节点,并通过D-OPTICS算法对活动节点聚类得到活动热区;根据活动节点的个体特征、所在出行链的亲属特征和所处热区的群体特征进行多尺度特征体系构建,通过因子分析进行降维处理;利用GMM-HMM构建危货车辆活动类型识别模型,通过Baum-Welch算法进行参数估计,并使用Viterbi算法解码隐藏状态得到出行链各活动节点的类型识别结果. 在小规模实际活动数据集上直接验证所提方法的正确性,还结合活动节点的POI类别,间接评估所提方法对大规模GPS数据的车辆活动类型识别效果. 实验结果表明:在9种活动类型识别任务中,基于GMM-HMM的出行链活动类型识别方法的活动识别率超过80%. 识别结果可用于分析活动行为模式,及时发现异常活动,为危险品运输监管提供有效的决策支持.     

基于Log-Gabor和ULBP改进算法的人脸识别

为进一步提升人脸识别系统的识别率,加强其对光照、表情、姿态变化的鲁棒性,针对人脸识别中的特征提取问题,提出一种基于Log-Gabor与均匀局部二值模式（Uniform Local Binary Pattern,ULBP）改进算法的人脸识别方法。该算法采用多尺度、多方向Log-Gabor滤波器对图像进行滤波来提取Log-Gabor特征,再通过旋转不变均匀模式的LBP进行运算编码,并利用局部空间直方图来描述人脸,最后通过加权的卡方距离对直方图匹配完成人脸识别。在Yale、GT人脸数据库上的测试结果表明,该方法具有更好识别性能,且对环境鲁棒性较好。     

特征金字塔多尺度全卷积目标检测算法

基于区域建议网络构建一种特征金字塔多尺度网络结构,并结合全卷积操作完成微小目标与类别无关目标的检测. 为了提升图像中微小目标的检测精度,构建基于侧链接融合的3层金字塔结构网络,充分利用语义级别比较低的图像卷积特征. 为了提高类别无关的图像目标检测鲁棒性,提出特定的非极大值抑制算法,在重叠目标过滤时消除冗余目标窗口,并对目标窗口进行位置精修. 在PASCAL VOC 2007、PASCAL VOC 2012以及古代绘画数据集上的实验结果表明：所提算法对于微小目标、多尺度目标检测及种类无关的目标检测的检测精度高于已有算法.     

用于虹膜识别的多尺度图像基特征提取

提出了一种新的虹膜特征提取算法．采用不同的图像基函数分析虹膜图像的基本微观结构,从而确定主导虹膜图像产生的图像基为LoG函数,进而利用LoG函数在多尺度空间检测虹膜细节特征．不同与传统多尺度分析的独立编码方法,通过推导LoG滤波器的标准化参数,计算标准化响应在尺度空间上的局部极值,确定虹膜每一细节特征的最佳尺度,只编码细节点在最佳尺度上的滤波输出,从而使得特征模板与单尺度分析时相同．实验比较表明,该方法用八分之一特征码长取得了与Dauman所提算法相近的性能,且与其他基于细节特征多尺度分析的虹膜识别算法相比,系统识别等错误率至少降低了5％．