基于多元混合高斯分布的多分类人脸识别方法

针对实际人脸图像含有的噪声模型常常表现出的非高斯特性, 该非高斯特性具有较厚重的拖尾现象, 提出一种基于多元混合高斯分布的多分类人脸识别方法。该方法将多元混合高斯分布、核函数、概率密度函数估计中的参数估计以及贝叶斯理论结合起来, 能对含有重尾噪声的人脸图像有较高的识别率。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。     

拖尾Rayleigh 分布: 基本性质及其应用

针对使用拖尾Rayleigh分布对合成孔径雷达(Synthetic aperture radar, SAR)幅值图像建模时遇到的问题, 本文讨论了拖尾Rayleigh分布的相关性质及其应用. 首先, 基于负数阶矩理论, 本文提出了拖尾Rayleigh分布的比值估计、对数矩估计和迭代对数矩估计三种参数估计方法, 并通过Monte Carlo仿真实验比较了它们的估计性能. 其次, 本文使用渐近级数计算拖尾Rayleigh分布的概率密度函数, 基于插值多项式拟合, 提出了高效计算密度函数的三步方法. 最后, 本文给出了SAR幅值图像基于拖尾Rayleigh分布的建模实例. 结果表明, 和一般的Rayleigh分布相比, 拖尾Rayleigh分布可以精确反映SAR幅值图像尖峰厚尾的统计特征, 因此它是SAR幅值图像建模的有效工具.     

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.     

基于小波域峰态值的无参考噪声图像评价算法

随机散布在自然图像里的噪声失真一般会破坏图像的原始概率密度分布。研究发现,无失真自然图像和它对应的噪声图像在离散小波变换（Discrete Wavelet Transform,DWT）系数分布上有很大区别：对于自然图像,其DWT系数分布比较尖锐,峰值高,拖尾短;对于噪声图像,其系数分布则比较扁平,峰值低,拖尾长。作为一种常用的统计特征描述,峰态值可以度量和区分不同失真程度的噪声图像的DWT系数分布,而且,DWT系数分布的峰态值具有很好的频率尺度不变性。基于以上特性,提出了一种无参考噪声图像质量评价模型（Blind Noisy Image Quality Assessment model using Kurtosis,BNIQAK）。实验测试了三个最大的质量评价图像库中的五种噪声失真图像,结果表明,和现有无参考噪声评价模型、一般无参考评价模型和全参考（Full-Reference,FR）评价模型相比,BNIQAK具有更好的评价效果。     

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。     

基于有效光照估计的复杂光照人脸识别

基于光照估计的光照不变量提取是提高复杂光照人脸识别性能的一种有效方法。以往算法仅考虑光照缓慢变化特性从人脸图像中估计光照,无法获取准确的光照和光照不变量。综合考虑图像的成像原理、光照缓慢变化特性和复杂照明环境,结合图像融合和平滑滤波,提出一种有效的人脸图像光照估计、光照不变量提取方法。所提算法能较好地处理阴影边缘问题,提取含有丰富面部细节特征、更接近于人脸本征的光照不变量。复杂光照Yale B+和CAS-PEAL-R1人脸库上的实验结果表明所提算法具有高效性。     

Alpha稳定分布随机变量的产生

在实际应用中遇到的大量的非高斯信号或噪声具有显著的尖峰脉冲特性,其概率密度函数的衰减过程比高斯分布要慢,表现出显著的拖尾。而基于广义中心极限定理的Alpha稳定分布描述了信号统计分布的非高斯性和重拖尾性。实现服从Alpha稳定分布随机变量的仿真是开展相关研究的基础。该文由S2参数系下的分布模型的仿真算法导出标准参数系下Alpha稳定分布随机变量的仿真算法。并通过仿真实验证实了该仿真算法的可行性。     

α稳定分布及其在斑点抑制中的应用研究

α稳定分布是高斯分布、Rayleigh分布等的广义形式,可以准确描述脉冲型数据,在SAR图像、超声图像、遥感图像的噪声抑制方面具有显著效果和广泛的应用,是成像领域的研究热点。但目前关于α稳定分布性质、参数估计及降噪研究尚未有综合的阐述,缺少系统性的分析。从传统的滤波方法,特别是基于MAP方法的滤波算法开始,结合当今的热点研究,即相干斑抑制,综合介绍了α稳定分布的定义、特征函数、极限性质及特殊分布形式(对称α分布(SαS)、拖尾Rayleigh分布、高斯分布、混合分布等),阐述和分析了一些现有的参数估计原理和方法。最后,开展了滤噪对比试验,验证了MAP滤波方法的有效性。同时,对当前最新的相干斑抑制应用做了较为系统的总结。同时,在第1节介绍了SAR图像相干斑的产生和统计特性、经典的相干斑滤除算法、流行的非局部平均方法的原理。     

脉冲性大气噪声的高斯化滤波

传统的非高斯噪声信道下数字接收机中的非线性处理器如：消波器、限幅器、熄灭器等,只是对噪声时域中的较大幅值进行简单处理,没有考虑实际噪声的统计分布特性,对噪声的抑制能力有限;α稳定分布模型虽然能很好的描述大气噪声等非高斯噪声的“重尾”特征,但其概率密度函数除特殊值外无闭式,在实际使用中带来很大不便。首先采用柯西高斯模型,可以对α稳定分布的概率密度函数进行很好的近似;然后通过估计得到的噪声的概率密函数来构建高斯化滤波器,并针对不同α值的SαS分布非高斯大气噪声模型进行专门的高斯化处理;最后通过仿真对比,得出高斯化滤波器的性能明显优于传统非线性处理方法。     

基于模糊隶属度的人脸图像性别识别

由于人脸面貌特征与性别存在着一定的不确定性,提出了基于模糊隶属度的人脸图像性别识别。用对光照、灰度变化具有较强鲁棒性的局部二进制模式(LocalBinary Pattern,LBP)提取人脸特征,首先将人脸均分为多个子窗口,对所有子窗口提取LBP直方图,然后将这些直方图顺次连接来描述人脸。细致推导了适用于人脸图像性别识别的模糊函数,根据最大隶属度原则,来识别人脸的性别。在FG-NET人脸库及自建的FID人脸库中进行了实验,取得了96%的最高识别率。     

基于局部奇异值对称平均的人脸识别方法

提出了一种基于局部奇异值对称平均的人脸识别方法。该方法首先对原始图像进行线性映射处理;接着采用局部奇异值分解提取人脸特征,并对所获得的特征作对称平均处理;最后依据最近邻决策规则进行识别。基于ORL人脸数据库的实验结果表明,该方法大大降低了原始特征空间的维数,有效地消除了图像亮度和噪声的影响,并取得了较高且稳定的正确识别率,在人脸识别中是一种有效的方法。     

复杂光照条件下的人脸预处理算法

为了提高光照条件下的人脸识别正确率,提出一种复杂光照条件下的人脸预处理算法。对人脸图像进行局部增强处理,用双边滤波对图像亮度进行估计,采用Gamma校正补偿图像亮度估计产生的损失,将反射分量与亮度估计结果融合获得效果更优的人脸图像,并用K近邻算法建立分类器对人脸进行识别。在Yale、PIE和AR人脸库仿真结果表明,该算法提高了光照条件下的人脸识别正确率,其性能优于当前典型人脸识别算法。     

结构化低秩字典学习的人脸识别

目的 现实中采集到的人脸图像通常受到光照、遮挡等环境因素的影响,使得同一类的人脸图像具有不同程度的差异性,不同类的人脸图像又具有不同程度的相似性,这极大地影响了人脸识别的准确性。为了解决上述问题对人脸识别造成的影响,在低秩矩阵恢复理论的基础上提出了具有识别力的结构化低秩字典学习的人脸识别算法。方法 该算法基于训练样本的标签信息将低秩正则化以及结构化稀疏同时引入到学习的具有识别力的字典上。在字典学习过程中,首先利用样本的重建误差约束样本与字典之间的关系;其次将Fisher准则应用到稀疏编码过程中,使其编码系数具有识别能力;由于训练样本中的噪声信息会影响字典的识别力,所以在低秩矩阵恢复理论的基础上将低秩正则化应用到字典学习过程中;接着,在字典学习过程中加入了结构化稀疏使其不丢失结构信息以保证对样本进行最优分类;最后再利用误差重构法对测试样本进行分类识别。结果 本文算法在AR以及ORL人脸数据库上分别进行了实验仿真。在AR人脸数据库中,为了分析样本不同维数对实验结果造成的影响,选取了第一时期拍摄的每人6幅图像,包括1幅围巾遮挡,2幅墨镜遮挡以及3幅脸部表情变化以及光照变化（未被遮挡）的图像作为训练样本,同时选取相同组合的样本图像作为测试样本,无论哪种方法,图像的维度越高识别率越高。对比SRC （sparse representation based on classification）算法与DKSVD （discriminative K-means singular value decomposition）算法的识别率可知,DKSVD算法通过字典学习减缓了训练样本中的不确定因素对识别结果的影响;对比DLRD_SR （discriminative low-rank dictionary learning for sparse representation）算法与FDDL （Fisher discriminative dictionary learning）算法的识别率可知,当图像有遮挡等噪声信息存在时,字典低秩化可以提高至少5.8%的识别率;对比本文算法与DLRD_SR算法可知,在字典学习的过程中加入Fisher准则后识别率显著提高,同时理想稀疏值能保证对样本进行最优的分类。当样本图像的维度达到500维时人脸图像在有围巾、墨镜遮挡的情况下识别率可达到85.2%;其中墨镜和围巾的遮挡程度分别可以看成是人脸图像的20%和40%,为了验证本文算法在不同脸部表情变化、光照改变以及遮挡情况下的有效性,根据训练样本的具体图像组合情况进行实验。无论哪种样本图像组合,本文算法在有遮挡存在的样本识别中具有显著优势。在训练样本只包含脸部表情变化、光照变化以及墨镜遮挡图像的情况下,本文算法的识别率高于其他算法至少2.7%,在训练样本只包含脸部表情变化、光照变化以及围巾遮挡图像的情况下,本文算法的识别率高于其他算法至少3.6%,在训练样本包含脸部表情变化、光照变化、围巾遮挡以及墨镜遮挡图像的情况下,其识别率高于其他算法至少1.9%。在ORL人脸数据库中,人脸图像在无遮挡的情况下识别率达到95.2%,稍低于FDDL算法的识别率;在随机块遮挡程度达到20%时,相比较于SRC算法、DKSVD算法、FDDL算法以及DLRD_SR算法,本文算法的识别率最高;当随机块遮挡程度达到50%时,以上算法的识别率均不高,但本文算法的其识别率仍然最高。结论 本文算法在人脸图像受到遮挡等因素的影响时具有一定的鲁棒性,实验结果表明该算法在人脸识别方面具有可行性。     

自相似网络的自适应系统双抽样方法研究

针对网络流量的自相似、重尾分布等特征,对传统的系统抽样进行改进,设计出一种新的抽样方法--自适应系统双抽样.该算法以传统的系统抽样为基础进行改进,充分考虑了网络流量重尾分布的特点,能正确估算Hurst参数,实现简单,参数自适应且能控制资源消耗.通过真实网络数据的实验分析表明,在链路负载估计、包到达时间间隔等方面较传统抽样方法都有明显的改进,提高了测量系统的精确性和实用性.     

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.     

加权信息熵与增强局部二值模式结合的人脸识别

针对人脸识别因光照、姿态、表情、遮挡及噪声等多种因素的影响而导致的识别率不高的问题，提出一种加权信息熵（IEw）与自适应阈值环形局部二值模式（ATRLBP）算子相结合的人脸识别方法（IE （w） ATR-LBP）。首先，从原始人脸图像分块提取信息熵，得到每个子块的IEw；然后，利用ATRLBP算子分别对每个人脸子块提取特征从而得到概率直方图；最后，将各个块的IEw与概率直方图相乘，再串联成为原始人脸图像最后的特征直方图，并利用支持向量机（SVM）对人脸进行识别。在AR人脸库的表情、光照、遮挡A和遮挡B四个数据集上，IE （w） ATR-LBP方法分别取得了98.37%、94.17%、98.20%和99.34%的识别率。在ORL人脸库上，IE （w） ATR-LBP方法的最大识别率为99.85%；而且在ORL人脸库5次不同训练样本的实验中，与无噪声时相比，加入高斯和椒盐噪声后的平均识别率分别下降了14.04和2.95个百分点。实验结果表明，IE （w） ATR-LBP方法能够有效提高人脸在受光照、姿态、遮挡等影响时的识别率，尤其是存在表情变化及脉冲类噪声干扰时的识别率。     

Physiology-based face recognition in the thermal infrared spectrum

The current dominant approaches to face recognition rely on facial characteristics that are on or over the skin. Some of these characteristics have low permanency can be altered, and their phenomenology varies significantly with environmental factors (e.g., lighting). Many methodologies have been developed to address these problems to various degrees. However, the current framework of face recognition research has a potential weakness due to its very nature. We present a novel framework for face recognition based on physiological information. The motivation behind this effort is to capitalize on the permanency of innate characteristics that are under the skin. To establish feasibility, we propose a specific methodology to capture facial physiological patterns using the bioheat information contained in thermal imagery. First, the algorithm delineates the human face from the background using the Bayesian framework. Then, it localizes the superficial blood vessel network using image morphology. The extracted vascular network produces contour shapes that are characteristic to each individual. The branching points of the skeletonized vascular network are referred to as Thermal Minutia Points (TMPs) and constitute the feature database. To render the method robust to facial pose variations, we collect for each subject to be stored in the database five different pose images (center, midleft profile, left profile, midright profile, and right profile). During the classification stage, the algorithm first estimates the pose of the test image. Then, it matches the local and global TMP structures extracted from the test image with those of the corresponding pose images in the database. We have conducted experiments on a multipose database of thermal facial images collected in our laboratory, as well as on the time-gap database of the University of Notre Dame. The good experimental results show that the proposed methodology has merit, especially with respect to the problem of low permanence over time. More importantly, the results demonstrate the feasibility of the physiological framework in face recognition and open the way for further methodological and experimental research in the area.     

混合噪声中特定噪声源定位方法研究

研究噪声源准确定位问题。针对当需要检测位置的噪声源处在多噪声发声的混合环境中,多个噪声强度特征信息发生混合,造成特定噪声强度特征信息混淆和丢失,传统的噪声特征定位的检测方法无法准确定位单个噪声源,为了解决准确定位,提出了混合声强度的多噪声源分割定位方法。通过建立声强度模型,然后提取声音强度信息,计算声强度的声源归属度,再以具有最大归属值的声强度作为当前分布声源来描述声音的特征,混合噪声中特定噪声源定位。通过验证表明能有效的定位混合噪声环境下的特定噪声源,取得了比较好的识别效果。