采用均匀局部二元模式及稀疏表示的掌纹识别

针对传统掌纹识别方法易受噪声干扰,且旋转鲁棒性差的问题,提出一种采用均匀局部二元模式(Uniform Local Binary Patterns,ULBP)及稀疏表示的掌纹识别方法。该方法利用善于表达图像纹理特征,且具有良好旋转不变性和抗干扰性的ULBP提取掌纹图像特征;同时考虑到直接对整幅图像进行ULBP处理会丢失局部纹理,采用先对各图像进行分块,再对各块分别进行ULBP处理的特征提取方案。在分类算法的设计上,本文利用掌纹图像库中训练样本的ULBP特征构造过完备字典,通过求解l1范数意义下的最优化问题实现测试样本的稀疏分解,并提出一种基于统计残差平均的稀疏表示分类方法,实现了测试掌纹图像的分类识别。实验结果表明,本文方法不仅具有良好的旋转及噪声鲁棒性,而且总体识别率明显优于基于PCA及2DPCA的传统稀疏表示分类方法,对于包含5 000031 0人的掌纹数据库,识别率分别提高了8.8%和6.8%。     

基于独立成分分析的掌纹识别

本文研究了独立成分分析(ICA)两种不同的结构ICA I和ICAII在掌纹识别中的应用.为了提高识别准确性和可靠性,该方法首先对掌纹图像进行预处理,提取掌纹感兴趣(ROI)区域进行特征提取和匹配.为了减少计算量,运用ICA算法之前,先采用主成分分析(PCA)算法去除掌纹图像的二阶统计特征相关性,其余的高阶统计特征由ICA分离.对于PolyU掌纹图像库,基于ICA模型的预测误差平方和(SPE)小于PCA,而且重构的原始图像优于PCA.为了比较两种算法识别性能,本丈分别用PCA、ICA I、ICAII提取特征掌纹子空间,然后将待识别图像投影到低维子空间上,最后用余弦距离进行掌纹匹配.实验结果表明,ICA算法两种结构的识别率均高于PCA,ICAII在性能上优于ICA I.     

基于独立成分分析的掌纹识别

本文研究了独立成分分析（ICA）两种不同的结构ICAⅠ和ICAⅡ在掌纹识别中的应用。为了提高识别准确性和可靠性,该方法首先对掌纹图像进行预处理,提取掌纹感兴趣（ROI）区域进行特征提取和匹配。为了减少计算量,运用ICA算法之前．先采用主成分分析（PCA）算法去除掌纹图像的二阶统计特征相关性,其余的高阶统计特征由ICA分离。对于PolyU掌纹图像库,基于ICA模型的预测误差平方和（SPE）小于PCA,而且重构的原始图像优于PCA。为了比较两种算法识别性能,本文分别用PCA、ICAⅠ、ICAⅡ提取特征掌纹子空间,然后将待识别图像投影到低维子空间上,最后用余弦距离进行掌纹匹配。实验结果表明,ICA算法两种结构的识别率均高于PCA,ICAⅡ在性能上优于ICAⅠ。     

Shearlet多方向自适应加权融合的稀疏表征人脸识别

针对传统稀疏表征分类器只有在训练样本足够多时才会对特征变化不敏感的缺点,提出一种Shearlet多方向自适应加权融合的稀疏表征人脸识别算法。为了提取局部方向信息并降低特征维数,首先利用Shearlet变换对图像进行多尺度、多方向分解,获得子带系数矩阵,然后根据子带系数矩阵方差的大小对同一尺度的方向子图按主方向排序,利用子带系数矩阵的能量和均值特征对排序后的人脸子图进行加权融合,最后为了使得表征系数矢量具有更为显著的稀疏性,进一步利用融合特征构造字典。在ORL、FERET和YALE人脸库中做了多组实验,结果表明,该方法能增强对外界环境变化的鲁棒性,同时可以提高人脸的识别率。     

基于实测冲击响应字典稀疏表示的齿轮系统侧隙故障特征提取

为了从齿轮系统振动信号中提取由于齿侧间隙故障产生的瞬态冲击成分,提出了基于稀疏表示的故障特征提取方法,将特征提取转化为稀疏字典的构造和稀疏表示系数的求解。根据侧隙故障瞬态冲击的响应特性,提出采用与其更相似的系统实测冲击响应构造稀疏字典,继而利用正交匹配追踪算法优化求解稀疏表示向量,获得表征瞬态冲击发生时刻的稀疏系数,并重构故障冲击序列。通过冲击成分的包络解调分析,进一步获得瞬态冲击的调制频率。仿真和实验表明,提出的方法能够有效提取齿轮系统齿侧间隙故障特征。     

共享空间基-逐类剩余空间基混合稀疏表示人脸识别算法

针对传统训练样本字典学习未利用类共有信息的不足,引入共享空间和与类别相关的剩余空间,提出了共享空间基-逐类剩余空间基混合稀疏表示人脸识别的算法。该算法首先提取训练样本主成分分析(PCA)特征,获取无标记的共享空间基及其重构样本得到类共有信息;然后结合原始样本得到差分训练集合,并引入类间差异信息构建逐类特异性剩余空间基;最后融合共享空间基和剩余空间基,利用残差判别函数完成模式分类。该方法不仅利用混合空间的正交特性,而且发挥剩余空间的鉴别能力和共享信息稀疏逼近的作用,使结构性字典和模式分类紧密结合。该方法的有效性,分别通过用AR、CMU PIE、Extended Yale B人脸数据库进行的实验得到验证。     

稀疏规则引导的由粗及细系数累积人脸识别算法

考虑到以训练样本作为字典未利用类间差异特征的不足,且利用最小残差判别函数分类时,各类残差可能因较接近而导致分类错误。针对此问题,从分类判别函数出发,提出稀疏规则引导的由粗及细系数累积人脸识别算法。首先,用所有训练样本作为字典表示测试样本,得到相邻最大类累积稀疏系数。进而,根据累积系数相对差别,对训练样本类别进行软约束,摒弃与测试样本相异甚远的类别,遴选候选类。最后,利用最大类稀疏系数累积作为判别函数,融合由粗及细的结果进行分类从而获得最终的识别率。该方法不仅充分利用系数的稀疏性,而且发挥候选类具有增强字典鉴别力的作用,从而取得较高的识别率。本文方法分别在ORL、AR和GT(Georgia Tech Face Database)人脸数据库上进行了实验。     

基于小波基稀疏信号特征提取的轴承故障诊断

轴承弱故障振动信号中的瞬态成分极易被强背景噪声湮没而无法及时检测,结合稀疏表示原理提出一种基于小波基的稀疏信号特征提取方法,从而实现信号中瞬态特征成分的提取。通过构建原始信号瞬态成分稀疏表示模型,对原始信号采用相关滤波法获取最优小波原子,并构建最优冗余小波基底,实现小波基与信号故障特征的最优匹配;设计二次严格凸函数并运用MM(Majorization Minimization)算法求解模型中的目标函数,将信号中的瞬态冲击成分转化为稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号及轴承微弱故障试验验证了该方法能有效地检测和提取强背景噪声下的微弱瞬态成分。     

二维心音图特征提取与识别方法的研究

针对心音的特征提取问题,将一维心音信号转换成二维心音图,采用图像处理技术提取心音的图像特征.本文首先对一维心音信号进行小波降噪和幅值归一化,将处理后的心音信号转换成具有统一性和可比性的二维心音图,并进行预处理;然后结合心音生理意义和二维心音图的图像特征,对能表征二维心音图生理信息的图像特征进行分析研究,重点研究二维心音图纵横坐标比和拐点序列码特征;最后,基于纵横坐标比、拐点序列码、小波分解系数3个特征,探讨利用欧氏距离和支持向量机(SVM)两种识别方法进行二维心音图分类和身份识别的可行性.实验结果表明,3种特征都可以实现二维心音图的分类识别,其中拐点序列码识别率最高;这种基于图像处理的二维心音图分类和身份识别方法具有明显的可行性和实用性,拥有广阔的应用前景.     

基于小波基稀疏信号特征提取的轴承故障诊断EI北大核心CSCD

轴承弱故障振动信号中的瞬态成分极易被强背景噪声湮没而无法及时检测,结合稀疏表示原理提出一种基于小波基的稀疏信号特征提取方法,从而实现信号中瞬态特征成分的提取。通过构建原始信号瞬态成分稀疏表示模型,对原始信号采用相关滤波法获取最优小波原子,并构建最优冗余小波基底,实现小波基与信号故障特征的最优匹配;设计二次严格凸函数并运用优化最小(Majorization Minimization,MM)算法求解模型中的目标函数,将信号中的瞬态冲击成分转化为稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号及轴承微弱故障试验验证了该方法能有效地检测和提取强背景噪声下的微弱瞬态成分。     

非负矩阵分解耦合视觉词典的图像检索算法

目的解决当前图像检索技术中,图像特征稀疏编码收敛速度慢,以及局部特征空间信息不足易导致检索误差较大等问题,提出一种基于l0稀疏约束非负矩阵分解耦合视觉词典优化的图像检索算法。方法首先,在非负矩阵分解(Non-negative Matrix Factorization,NMF)的基础上,对系数矩阵设置l0个约束来限制其稀疏性,从而定义一种l0稀疏约束的NMF方法。再通过一种自适应序列词典初始化方案,从训练样本获得词典的初始估计。然后,利用l0稀疏约束的NMF来增强视觉词典,对图像局部描述符进行稀疏编码,并利用最大池化操作来生成聚合特征向量,从而保留局部描述符的关键属性。最后根据得到的特征向量,引入Minkowski距离来衡量查询图像与数据库的相似性,输出检索图像。结果实验结果表明,与当前图像检索方案相比,所提算法具有更高的查准-查全率和收敛速度。结论所提算法返回的图像与查询图像相似度高,在包装商标检索等领域具有一定的参考价值。     

基于自相似性与稀疏表示的超分辨率算法

目的为了解决当前稀疏表示的超分辨率算法效果依赖参与训练的数据的问题,结合图像的自相似性,提出一种基于自相似性与稀疏表示相结合的超分辨率算法。方法算法利用图像的多维自相似性,构建多维图像金字塔,采用改进的相似块搜索策略,得到对应的高低分辨率图像块作为训练样本,然后对样本进行字典训练,最后根据稀疏表示得到超分辨率图像。结果实验结果显示,文中算法在峰值信噪比(PSNR)和结构相似度(SSIM)上优于其他算法,对于实验图像而言,PSNR平均提升了0.5 dB。结论提出的超分辨率算法未引入外部数据库,具有较好的效果,能够用于超分辨率重建。     

基于改进判别字典学习的故障诊断方法

近年来,基于稀疏表示的分类技术在模式识别中取得一定的成功。该框架中,字典的学习和分类器的训练通常是两个独立的模块,降低了方法的识别精度。针对以上问题,提出了一种特征提取和模式识别相融合的改进判别字典学习模型,将重构误差项、稀疏编码判别项及分类误差项进行了整合,并用K奇异值分解算法对目标函数进行优化,实现了字典和分类器的同步学习。该方法先对原始信号进行经验模态分解,并从分解的本征模态函数中提取时、频特征,形成故障样本;然后将训练样本输入改进模型用K奇异值分解优化;最后用习得字典及分类器权重对测试样本进行识别。实验结果表明：该算法不但适用于小样本故障问题,而且鲁棒性和分类性能都明显高于其它算法。         

改进的K-奇异值分解图像去噪算法

针对传统的K-奇异值分解信号利用率不足,采用了稀疏贝叶斯学习预处理图像信号;将正交匹配追踪与改进之后的最速下降理论相结合;因噪声原子存在于字典更新之后得到的字典中,所以结合Bartlett检验法将噪声原子裁剪掉。实验结果表明,此方法相对于小波阈值去噪法、基于离散余弦变换字典稀疏表示等去噪方法能够更好地滤除噪声,保留图像边缘信息,获得更高的峰值信噪比,得到图像视觉效果更佳。     

光滑逼近超完备稀疏表示的图像超分辨率重构

为改善单帧降质图像的分辨率水平,提出了一种新的基于稀疏表示的学习法超分辨率图像重构方法。针对信号在既定的欠定超完备字典下的非稀疏性问题,采用光滑的递减函数逼近L0范数以避免对稀疏度先验的依赖,从而实现待重构图像块的有效稀疏表示,同时通过梯度下降的迭代优化获得稳定的收敛解。与双立方插值相比,图像的三倍超分辨实验显示,图像峰值信噪比(PSNR)提高2dB,框架相似性(SSIM)改善0.04,重构图像剔除了更多的模糊退化及边缘伪迹。该方法适于单帧降质图像的超分辨率增强。     

Human Action Recognition Based on Supervised Class-Specific Dictionary Learning with Deep Convolutional Neural Network Features

Human action recognition under complex environment is a challenging work. Recently, sparse representation has achieved excellent results of dealing with human action recognition problem under different conditions. The main idea of sparse representation classification is to construct a general classification scheme where the training samples of each class can be considered as the dictionary to express the query class, and the minimal reconstruction error indicates its corresponding class. However, how to learn a discriminative dictionary is still a difficult work. In this work, we make two contributions. First, we build a new and robust human action recognition framework by combining one modified sparse classification model and deep convolutional neural network (CNN) features. Secondly, we construct a novel classification model which consists of the representation-constrained term and the coefficients incoherence term. Experimental results on benchmark datasets show that our modified model can obtain competitive results in comparison to other state-of-the-art models.     

An improved SRC method based on virtual samples for face recognition

The sparse representation classifier (SRC) performs classification by evaluating which class leads to the minimum representation error. However, in real world, the number of available training samples is limited due to noise interference, training samples cannot accurately represent the test sample linearly. Therefore, in this paper, we first produce virtual samples by exploiting original training samples at the aim of increasing the number of training samples. Then, we take the intra-class difference as data representation of partial noise, and utilize the intra-class differences and training samples simultaneously to represent the test sample in a linear way according to the theory of SRC algorithm. Using weighted score level fusion, the respective representation scores of the virtual samples and the original training samples are fused together to obtain the final classification results. The experimental results on multiple face databases show that our proposed method has a very satisfactory classification performance.