基于协同表示的多特征融合岩石分类

针对传统的岩石薄片成分分析耗时、识别率不高等问题,提出了一种基于协同表示(CR)的岩石薄片成分分析方法。首先,分析探讨了岩石薄片中颗粒纹理特性,证明将薄片图像的分层多尺度局部二值化(HMLBP)特征与灰度共生矩阵(GLCM)特征相融合能有效地表征岩石薄片中颗粒的纹理。然后,为降低识别阶段时间复杂度,采用主成分分析(PCA)方法将新特征降维到100维。最后,采用基于协同表示的分类器(CRC)进行分类识别。与基于稀疏表示的分类器(SRC)分别采用样本字典中某一个样本单独编码表征预测样本不同,基于协同表示的分类器采用样本字典中的所有样本协同编码表征预测样本,借助不同样本的同一属性提高识别率。实验结果表明该方法的识别速度较基于稀疏的分类器识别方法提高300%,识别率提高2%;在实践应用中能较好地区分岩石薄片中的石英成分和长石成分。     

基于流形的局部加权协从表示人脸识别

针对稀疏表示分类（Sparse Representation Classification,SRC）运行时间过长和协从表示分类（Collaborative Representation Classification,CRC）仅仅利用人脸数据的全局特征的缺点,本文提出一种基于流形的局部加权协从表示方法（Locality Weighted CRC,LWCRC）,并将其应用在人脸识别中。首先将训练样本中位于高维流形空间中的人脸特征进行局部加权投影到低维空间,随后通过Tikhonov正则化阵用训练样本加权表示测试样本,最后通过最小二乘（Residual Least Square,RLS）分类器进行分类。通过在AR、FERET和Extended-Yale b数据库上实验,本文提出的方法优于SRC、CRC、NRS等方法。     

改进的加权稀疏表示人脸识别算法

针对传统的加权稀疏表示分类方法在获取训练样本权重以及求解l₁范数最小化问题中计算效率低的问题,提出了一种加权稀疏表示和对偶增广拉格朗日乘子法（DALM）相结合的人脸识别算法WSRC_DALM算法.该算法主要采用高斯核函数计算每个训练样本与测试样本之间的相关性,即获得训练样本相对于测试样本的权重;接着利用DALM算法求解l₁范数最小化模型,实现测试样本的精准重构和分类,最后在ORL和FEI人脸数据集上进行算法验证.在ORL数据集中,WSRC_DALM算法的识别率高达99%,相比经典的SRC和WSRC算法,识别率分别提高了7%和4.8%,同时计算效率比WSRC算法提高了约20倍;在FEI数据集中,多姿态变化下的人脸识别率接近于92%.实验结果表明,WSRC_DALM算法在识别准确度和计算效率上具有明显的优势,并且对较大类内变化具有较好的鲁棒性.     

基于主动表观模型的稀疏聚类人脸识别算法

在复杂的非人脸成分干扰以及训练样本过大、训练样本之间相似度较高的条件下,原始稀疏表示分类(SRC)算法识别准确率较低。针对上述问题,提出一种基于主动表观模型的稀疏聚类(CS-AAM)人脸识别算法。首先,利用主动表观模型快速、准确地对人脸特征点进行定位,获取主要人脸信息;然后,对训练样本进行K-means聚类,将相似程度高的图像分为一类,计算聚类中心,将该中心作为原子构造过完备字典并进行稀疏分解;最后,计算稀疏系数和重构残差对人脸图像进行分类、识别。将该算法与最近邻(NN)、支持向量机(SVM)、稀疏表示分类(SRC)、协同表示分类(CRC)人脸识别算法在ORL和Extended Yale B人脸数据库上对不同样本数及不同维数的人脸图像分别进行识别率测试,在相同样本数或相同维数情况下CS-AAM算法识别率均高于其他算法。在ORL人脸库中选取样本数为210时,相同维数条件下CS-AAM算法识别率为95.2%;在Extended Yale B人脸库上选取样本数为600时,CS-AAM算法识别率为96.8%。实验结果表明,该算法能够有效地提高人脸图像的识别准确率。     

基于局部表示的分类方法及其人脸识别应用

基于稀疏表示的分类方法SRC与基于协同表示的分类方法 CRC分别通过L1范数和L2范数最小化获得具有稀疏性的线性表示系数,在人脸识别中取得了很好的效果。为了解决这两种方法没有考虑数据局部信息的问题,提出了基于局部表示的分类方法 LRC。LRC使用测试样本局部范围内的训练样本对其进行线性表示,这样获得的局部表示系数在保持稀疏性的同时包含有效的局部信息。另外,通过求解一简单的约束最优化问题,LRC可快速获取局部表示系数。在ORL、YALE以及FERET人脸数据库上的实验结果,表明了LRC的有效性和高效性。     

基于Gabor特征与加权协同表示的人脸识别算法

针对基于稀疏表示分类方法的训练样本于与类别标签信息提取不足,特别是在训练样本和待测样本都受到噪声污染的情况下将会明显下降及算法复杂度较高的问题,提出以Gabor特征以及加权协同为基础的人脸识别算法;最初需要对人脸图像内所包含的各个尺度以及方向的Gabor特征完成提取,在稀疏表示中引入Gabor特征,将降维后的Gabor特征矩阵作为超完备字典,再用稀疏表示增强加权协同表示得到该字典下的的稀疏表示系数,然后利用增强系数与训练样本的标签矩阵完成对测试样本进行分类识别,从而得到Gabor特征以及加权的协同表示分类方法,在Yale人脸数据库、Extended Yale B和AR人脸数据库上以及在FERET人脸数据库对人脸姿态变化的实验表明新算法具有更好的识别率和较短的计算时间.     

基于字典学习的稀疏表示限速标志识别方法

限速标志识别是模式识别领域中一个重要的研究课题。目前,利用稀疏表示识别图像是一个流行的方法。为了提高限速标志图像的识别率,通过对在线字典学习(ODL)算法的研究,将在线字典学习算法和稀疏表示的识别方法相结合,提出了一种基于在线字典学习的分类稀疏表示限速标志图像识别算法。将该方法与直接求解稀疏表示的方法和分类求解稀疏表示的方法作对比,实验结果表明：该方法能够取得很好的识别效果,证明了该方法的有效性和可行性。     

多层AR-LBP与WLD特征融合的SA-CRC人脸识别

针对非对称局部二值模式（AR-LBP）提取的人脸特征有限，以及协同表示分类（CRC）人脸存在的类间干扰，提出以多层AR-LBP特征及联合韦伯局部描述子（WLD）特征进行补充，并以增加CRC中稀疏性来降低类间干扰。提取人脸图像的多层AR-LBP特征并级联，与从原图像提取的WLD特征级联得到多层AR-LBP与WLD融合特征，采用稀疏增强的协同表示分类（SA-CRC）完成人脸分类。在ORL、Yale和GT公开人脸库上，提出的多层AR-LBP与WLD特征融合算法与AR-LBP特征提取算法、WLD特征提取算法以及多层LBP与HOG特征融合算法相比，识别正确率提高了0.7%~42.6%；当利用SA-CRC取代CRC后，识别正确率进一步得到提高。     

基于加权协同表示的人脸识别方法

为提高协同表示模型的特征表达能力和鲁棒性,解决对正则参数敏感的问题,提出加权协同表示分类器(WCRC)并运用于人脸识别。基于L2范数求解最优化问题,利用训练样本的先验距离信息作为权重,将待识别图像与每类样本的距离信息作为先验信息引入到特征表示函数中,增强距离待识别样本较近的某类样本的重构权重,利用最小二乘法求解表示系数,根据待识别图像与每类训练图像的重构残差大小判断待识别图像的类别。通过实验测试以及与其它算法的对比验证了该方法的有效性。     

基于拓展稀疏表示模型和LC-KSVD的人脸识别

为了提高人脸的识别率和识别速度及其识别的鲁棒性,提出了基于拓展稀疏表示模型和LC-KSVD（Label Consist K-SVD）的人脸识别算法。针对字典学习中只包含表示能力没有包含类别信息的问题,在原始的稀疏表示模型中添加了残差向量作为系数修正向量,使得拓展稀疏表示模型具有更强的鲁棒性;在字典学习中添加稀疏编码和分类器参数约束项,通过字典学习同时更新稀疏编码和分类器参数,使字典中包含很好的表示能力和判别分类能力。实验结果表明,基于拓展稀疏表示模型和LC-KSVD的人脸识别具有高识别率和低识别速度,并且有很好的鲁棒性。     

基于低秩矩阵恢复与协同表征的人脸识别算法

针对人脸图像不完备的问题和人脸图像在不同视角、光照和噪声下所造成训练样本污损的问题,提出了一种快速的人脸识别算法--RPCA_CRC。首先,将人脸训练样本对应的矩阵D₀分解为类间低秩矩阵D和稀疏误差矩阵E;其次,以低秩矩阵D为基础,得到测试样本的协同表征;最后,通过重构误差进行分类。相对于基于稀疏表征的分类(SRC)方法,所提算法运行速度平均提高25倍;且在训练样本数不完备的情况下,识别率平均提升30%。实验证明该算法快速有效,识别率高。     

集体表示分类方法及在人脸识别中的应用

近年来,基于表示的人脸图像识别方法吸引了众多学者的关注,如稀疏表示分类方法（Sparse Representation based Classification,SRC）、协作表示方法（Collaborative Representation based Classification,CRC）等。这些方法均利用单张图像的表示信息进行识别,而忽略了集体图像之间的关联性,容易存在信息不足的缺陷。为了能够充分利用多张人脸图像的相互关系,提出了一类集体表示分类方法。该方法将多张待识别图像映射为一个稀疏表示矩阵,并对每类测试图像集体重构,以最小残差为准则对每类人脸图像集分类。这种方法通过同时表示多张图像,关注到不同图像之间的相似与不同,获取到同一主体的更多信息,从而提高识别正确率。尤其在只有多张侧脸图像而无正脸图像的情况下,集体表示分类方法更能发挥优势,在两个公开人脸图像数据集上的实验结果也验证了该方法的有效性。     

基于原子Fisher判别准则约束字典学习算法

为了提高字典的判别性能,提出基于原子Fisher判别准则约束的字典学习算法AFDDL。首先,利用特定类字典学习算法为每个原子分配一个类标,计算同类原子和不同类原子间的散度矩阵。然后,利用类内散度矩阵和类间散度矩阵的迹的差作为判别式约束项,促使不同类原子间的差异最大化,并在最小化同类原子间差异的同时减少原子间的自相关性,使得同类原子尽可能地重构某一类样本,提高字典的判别性能。在AR、FERET和LFW三个人脸数据库和USPS手写字体数据库中进行实验,实验结果表明,在四个图像数据库中,所提算法在识别率和训练时间方面均优于类标一致的K奇异值分解（LC-KSVD）算法、局部特征和类标嵌入约束的字典学习（LCLE-DL）算法、支持矢量指导的字典学习（SVGDL）算法和Fisher判别字典学习算法;且在四个数据库中,该算法也比稀疏表示分类（SRC）和协同表示分类（CRC）取得更高的识别率。     

基于特征化字典的低秩表示人脸识别

针对现有低秩表示（LRR）算法中全局与局部人脸特征信息融合不足的问题,提出了一种新的人脸识别算法——基于特征化字典的低秩表示（LRR-CD）。首先,将每张人脸照片表示成一个个特征化字典的集合,然后同时最小化基于训练样本的低秩重构特征系数以及与之相对应的类内特征差异。为了获得高效且具有高判别性的人脸图像的特征块重构系数矩阵,提出了一种新的数学公式模型,通过同时求解训练样本中相对应的特征块以及对应的类内特征差异词典的低秩约束问题,尽可能完整地保留原始高维人脸图像中的全局和局部信息,尤其是局部类内差异特征。另外,由于对特征块中信息的充分挖掘,所提算法对于一般程度上的面部遮挡和光照等噪声影响具有良好的鲁棒性。在AR、CMU-PIE和Extended Yale B人脸数据库进行多项对比实验,由实验结果可知LRR-CD相较于对比的稀疏表示（SRC）、协从表示（CRC）、低秩表示正规切（LRR-NCUT）和低秩递归最小二乘（LRR-RLS）算法在平均识别率上有2.58~17.24个百分点的提高。实验结果表明LRR-CD性能优于与之对比的算法,可以更高效地用于人脸全局和局部特征信息的融合,且具有优良的识别率。     

基于子空间稀疏系数的表情识别方法

提出了一种运用SRC（Sparse Representation based Classification）在个体子空间里,进行表情识别的新方法。用Gabor滤波器,提取表情图像的特征。进行稀疏分解,得到稀疏表示系数。根据稀疏系数确定待测图像所在的子空间,在子空间里,完成表情识别。这种方法较好地避免了不同个体对表情识别的干扰,从而提高了表情识别的正确率。在Cohn-Kanade和JAFFE人脸库上的表情识别实验表明,该方法对表情识别非常有效。     

快速稀疏表示分类的人脸识别算法

经典的稀疏表示分类（Sparse Representation for Classification,SRC）算法是一种基于[L1]范数最小化问题,它在很多应用场合都能取得很好的分类效果,是目前备受关注的一类识别算法。然而,传统的SRC算法在求解[L1]范数最小化问题时,往往计算效率比较低。为有效解决这个问题,提出了一种快速有效的分类算法,它利用坐标下降方法来实现SRC算法。该方法既可以显著地提高计算效率,又可取得较好的分类结果。在不同人脸库上的实验表明,所提的算法具有良好的应用前景。     

基于自步学习的加权稀疏表示人脸识别方法

近年来基于稀疏表示的分类方法（SRC）成为了一个新的热点问题,在人脸识别领域取得了很大的成功。但基于稀疏表示的方法在重建待测样本时,有可能会利用与待测样本相差较大的训练样本,并且没有考虑到表示系数的局部信息,从而导致分类结果不稳定。提出一种基于自步学习的加权稀疏表示算法SPL-WSRC,在字典中有效剔除与待测样本相差较大的训练样本,并利用加权手段考虑样本间的局部信息,以提高分类精度和稳定性。通过3个典型的人脸数据集中的实验,实验结果表明,所提算法优于原稀疏表示算法SRC,特别是当训练样本足够多时,效果更明显。