结合Haar与Gabor特征的Adaboost人脸识别改进算法

在模式识别的众多领域中,针对于人脸识别的研究与应用逐渐成为重点和难点。尽管近些年众多学者不断钻研并改进人脸识别的算法,但是在复杂光照条件下和不同肤色的人脸识别中仍然存在着重重的不足。尤其是由于现阶段数据的计算速度和存储条件仍然不能很好地去适应优秀的算法对其的要求,因此如何改进算法,提高人脸识别的精度是本文主要研究的问题。本文结合Haar与Gabor特征提出了Adaboost人脸识别算法的改进方法,提高了人脸识别的速度和精度。     

基于方程式逆序数的软件水印算法*

针对方程式重排序等算法存在的程序运行速度、信息隐藏量等问题,提出基于方程式操作数系数排列逆序数的软件水印算法。重新排列那些可以相互交换的操作数,使各操作数的系数按照一定次序排列。通过排列的逆序数和二进制数的一一对应关系来隐藏水印。这一方法无须向程序中添加任何代码,并且能有效提高隐藏数据的效率,程序的规模和速度并不受影响。     

一个新的基于口令的密钥协商协议

以不经意多项式计算作为核心组件,提出了一个基于口令的密钥协商协议PSKA-I,该协议能够抵抗字典攻击但只能工作于认证模型。为解决协议PSKA-I这一缺陷,根据BCK安全模型设计了消息传输认证器,将协议PSKA-I转换为非认证模型中的安全协议PSKA-Ⅱ。上述协议口令的安全性由不经意多项式计算予以保证。与GL协议相比,该协议的通信及计算复杂度明显降低。     

Gabor小波和改进LBP的零件表面粗糙度识别

目的 为了提取零件表面图像的纹理特征并对其表面粗糙度分类识别,有效提高识别的正确率,提出了联合Gabor小波和改进局部二值模式(LBP)的纹理特征提取方法。方法 针对传统LBP算子忽略了邻域内灰度差幅值特征的问题,提出了M_LBP(magnitude considered LBP)算子。采用Gabor小波对零件表面图像滤波,并计算各子图像 Gabor幅值特征GMM(Gabor magnitude maps)。应用M_LBP算子计算各GMM的M_LBP特征谱,进而构造得到零件表面图像的纹理特征向量,最后通过KNN(K-nearest neighbor)算法对零件粗糙度分类识别。结果 本文提出的算法有效细化了表面图像纹理特征,对粗糙度差别为0.2 μm的零件识别准确率达到98%,远高于利用传统LBP算子提取的纹理信息的识别准确率。结论 本文提出了一种有效细化LBP纹理特征的M_LBP算子,并通过与Gabor小波的结合,突破了传统LBP算子尺度、方向单一,幅值信息被忽略的局限性,能实现较高精度的粗糙度识别。     

基于双迭代聚能量字典学习的数据压缩算法

针对基于稀疏表示（Sparse representation,SR）的数据压缩压缩率低、重构精度低等问题,本文提出一种基于双迭代的聚能量字典学习算法,把高维信号映射到低维特征空间,当低维特征空间保留高维原始信号越多的特征时,高维信号从低维特征空间中恢复出来的精度越高。为了使低维字典保留高维字典更多的主成分,本文提出了一个新的变换,被命名为?变换,能提升高维字典的能量集中性。除此之外,针对高维字典与低维字典的耦合关系,建立了双循环迭代训练,增加字典的能量集中性与字典的表达能力。实验表明,相比于传统算法,本文提出算法字典学习收敛速度提升了3倍以上。此外,该方法可以得到较高的压缩比和更高质量的重构信号。     

融合邻域回归和稀疏表示的图像超分辨率重构

对于图像超分辨率重建而言,通常会将图像的整体信息作为研究对象。然而图像本身含有的大量结构信息并没有得到充分利用。为了提高超分辨率重建的效果,实现对不同特征信息的利用,提出了一种融合邻域回归和稀疏表示的图像超分辨率重构算法。依据图像所具有的低秩性对高分辨率图像进行分解,获得高分辨率图像的低秩部分和稀疏部分;将对应的低分辨率图像与高分辨率图像的低秩部分和稀疏部分进行训练,学习得到对应的特征字典;基于高分辨率图像的低秩部分和稀疏部分分别基于稀疏表示和邻域嵌入进行高分辨率重构;基于低秩矩阵恢复理论,融合邻域回归和稀疏表示重构的高分辨率图像,得到最终的高分辨率图像。在测试集Set5和Set14上将提出的算法与几种经典算法进行对比实验,可视化和量化结果均表明,相比传统超分辨率算法,提出的算法在PSNR和SSIM都有很好的提升。     

文本情感分析方法研究综述

文本情感分析是自然语言处理领域的一个重要分支,广泛应用于舆情分析和内容推荐等方面,是近年来的研究热点。根据使用的不同方法,将其划分为基于情感词典的情感分析方法、基于传统机器学习的情感分析方法、基于深度学习的情感分析方法。通过对这三种方法进行对比,分析其研究成果,并对不同方法的优缺点进行归纳总结,介绍相关数据集和评价指标及应用场景,对情感分析子任务进行简单概括,发现将来的情感分析问题的研究趋势及应用领域,并为研究者在相关领域方面提供一定的帮助和指导。     

基于分类字典的多内容灰度图像彩色化算法

为解决基于字典学习与稀疏表示的灰度图像彩色化算法只对单一内容图像有效这一问题,提出了一种新型的图像彩色化方法. 首先,根据目标灰度图像的子内容分别选取多组参考彩色图像,从各组参考彩色图像中选取对应子内容的样本图像块;然后,分别进行字典训练,得到基于内容的分类字典;最后,根据重建误差最小化原则,查找最佳匹配字典,进而实现灰度图像的彩色化. 该算法是一种自动算法,在保证图像彩色化过程自动化的前提下,提高了彩色化效果. 实验结果表明:该算法能够对目标灰度图像中的不同内容分别进行正确彩色化处理.     

基于特征选择技术的情感词权重计算

在文本情感分析中,情感词典的构建至关重要,然而目前这方面的研究大多集中在简单的词语极性判别上,有关情感词的权重赋值研究较少,且已有的权重赋值方法基本上都需要人工辅助来选取基准词,这给实际应用带来很大的困难. 针对此问题,提出了一种自动的基于特征选择技术的情感词权重计算方法. 首先提出了词语情感权重与文本情感倾向的相关假设;然后针对情感分类,结合二元分类的特性改进了信息增益( information gain, IG)和卡方统计量( chi-square,CHI) ,将特征选择技术应用于情感词权重计算. 实验结果表明:将计算所得的带情感权重的情感词库用于文本情感分类能够提升分类精度.     

结合自适应稀疏表示和全变分约束的图像重建

In view of the limitation of fixed complete orthogonal transformation, represented by two-dimensional wavelet transform and discrete cosine transform in compressed sensing high-resolution image reconstruction, this paper proposes a new method for high-resolution image reconstruction based on adaptive redundant dictionary sparse representation with the total variation constraint.The algorithm takes the intermediate image in the process of iteration as the training sample to get a redundant dictionary suitable for sample characteristics by adaptive learning. It makes full use of the correlation between dictionary atoms and the image to get an ideal complete sparse representation, thus reducing the sampling rate and improving the quality of image reconstruction. Finally, the algorithm takes the total variation as a constraint and uses the split Bregman iterative method to solve the sparse optimization problem. Simulation shows that the proposed method can reconstruct high quality images under a low sampling rate.