先验采样约束结合扩展字典的细化稀疏识别算法

为解决可能存在遮挡环境下的模式识别问题,提出先验采样约束结合扩展遮挡字典的细化稀疏识别算法。针对训练样本无法包含测试样本遮挡变化的情况,首先需要构造遮挡字典（墨镜、围巾等）,进而利用先验局部采样子模块稀疏表示分类原理判断可能存在的测试样本遮挡模式;然后对未被遮挡的局部子模块利用Borda计数投票方式,依据每类残差大小分配给不同的票数,计算样本类别信息;其次根据遮挡模式结果,利用全局稀疏表示通过构造样本遮挡扩展字典对测试样本进行全局分类投票;最后将两次分类投票结果进行融合,最终实现是否存在遮挡环境下的精细模式判别。实验结果表明,本文算法不仅能够给出准确的模式类别,还能给出遮挡类别信息,可得到精细化识别结果。      

多尺度局部区域响应累积的非滑窗快速目标检测算法

针对滑动窗口全局搜索检测目标搜索时间长的问题,提出一种多尺度局部区域响应累积的非滑窗快速目标检测算法。首先,提取检测目标多尺度可重叠局部区域作为训练样本,通过学习得到多尺度且具有判别能力的部件集,部件集中每个局部区域与检测目标有明确位置对应关系;然后,根据各投影检测器响应判断目标是否在某一区域出现,并利用多尺度目标局部区域的检测结果和位置约束进行投票,完成目标粗定位;其次,利用HOG特征提取和SVM相结合完成检测目标验证实现准确检测。该方法将多尺度部件模型、统计累积投票思想及分类器判决相结合,实现快速目标检测,大大减少滑动窗口逐像素搜索背景时所消耗时间,提高检测效率。      

孪生网络模型在多人种人脸认证中的性能研究

深度学习网络在模式识别领域性能优异,但需要大量有标注样本对网络进行训练,而对于人脸认证情况下训练样本有限,且已有网络模型在不同人种间的性能差异大,往往会导致人脸认证失效.针对以上问题,本文首先在几种预训练深度网模型上构造孪生网络,并设计相似度度量网络;其次,选用多人种的人脸数据库(Racial Faces in-the-Wild, RFW)中不同人种构造正负样本对作为训练集,扩展数据分布,提高模型泛化能力,且在训练过程中采用循环训策略练提高模型的稳定性;最后,在测试集上采用ROC曲线及AUC值对不同模型性能进行评估,测试集与训练集样本无身份交叉,根据实验结果得出结论:VGG16作为主干网络的孪生网络模型更适合多人种人脸认证问题,PCANet提取的特征对African地区的人脸认证更有效.     

稀疏扩展字典学习的代价敏感单样本人脸认证

针对如何实现只有单训练样本情况下人脸认证,提出基于稀疏扩展字典学习的代价敏感单样本人脸认证方法。首先学习一种可将训练样本和一般训练集结合起来的投影方式来构造适合训练样本的稀疏扩展字典,而并非独立地利用一般训练集直接构造扩展字典,从而更好地解决单训练样本不能涵盖测试条件变化的问题;其次通过稀疏表示分类得到与测试样本最相似的训练样本,然后对测试样本和该训练样本分别提取HOG特征,根据距离准则计算相似度判断是否在阈值范围内;最终实现在光照、表情变化情况下的单训练样本人脸鲁棒认证。该方法分别在AR、CMU-PIE和Extended Yale B 3个公共人脸数据库上进行实验,均取得较满意的结果,验证了该方法的可行性和有效性。     

多观测样本联合信息加权稀疏表示分类算法

多观测样本分类问题中,同一对象的多观测样本均看作一个整体进行识别,其同等看待各个观测样本。考虑到其每个观测样本包含判别信息量不同,针对如何有效利用其可信度问题,提出基于观测样本联合加权稀疏表示多观测样本分类算法。首先将多多观测样本分解成单样本,分别对各个样本进行稀疏求解得到其各自的稀疏度和残差,进而联合二者确定其相应可信度。然后给各观测样本进行可信度加权,重构出加权多观测样本。最后,再采用整体稀疏表示对其进行分类。在ETH-80物体数据库、CMU-PIE人脸数据库和BANCA数据库上进行大量对比实验,实验结果证明该算法的有效性,提高识别精度的同时使算法的鲁棒性得到保证。      

原子-分子字典结合的联合扩展加权稀疏表示人脸识别算法

针对训练样本字典学习仅包含全局信息、缺乏局部信息的不足,引入与类别相关的原子字典, 提出基于原子与分子字典联合扩展的加权稀疏表示人脸识别方法。首先,对各类训练样本进行PCA学习,得到带标记的训练样本基,构造PCA基原子字典,同时将训练样本字典作为分子字典。进而,利用原子字典与分子字典结合得到扩展字典模型。测试时,根据测试样本与扩展字典基之间的距离进行加权得到与当前测试样本关联的重构字典集,最后对测试样本稀疏重构,利用残差进行分类判别。为验证本文方法有效性,分别在AR、Georgia Tech和CMU PIE人脸数据库上进行实验。      

基于低秩分解的联合动态稀疏表示多观测样本分类算法

通过互联网易获得同一对象的多个无约束的观测样本,针对如何解决无约束观测样本带来的识别困难及充分利用多观测样本数据信息提高其分类性能问题,提出基于低秩分解的联合动态稀疏表示多观测样本分类算法.该算法首先寻找到一组最佳的图像变换域,使得变换图像可以分解成一个低秩矩阵和一个相关的稀疏误差矩阵;然后对低秩矩阵和稀疏误差矩阵分别进行联合动态稀疏表示,以便充分利用类级的相关性和原子级的差异性,即使多观测样本的稀疏表示向量在类级别上分享相同的稀疏模型,而在原子级上采用不同的稀疏模型;最后利用总的稀疏重建误差进行类别判决.在CMU-PIE人脸数据库、ETH-80物体识别数据库、USPS手写体数字数据库和UMIST人脸数据库上进行对比实验,实验结果表明本方法的优越性.     

改进加权投票的PCA-Net多特征融合SSFR

单样本人脸识别是人脸识别在实际应用中面临的挑战性问题之一，虽然深度学习在人脸识别方面取得突破性进展但其性能依赖海量标注性数据，故其在单样本上性能有限。而传统浅层特征对有标注的数据量需求不高，但因单样本数据缺少类内变化其性能有限，提出一种改进加权投票的PCA-Net多特征融合算法。在数据集方面，利用LU分解生成虚拟样本扩展数据集；根据PCA-Net特征下样本的相关性细化数据集，实现对数据集初步特征提取和筛选；在细化数据集上提取多LBP特征并与PCA-Net特征进行加权投票。在AR、Extended Yale B、CMU-PIE三个数据库上的实验结果表明，所提方法提高了单样本人脸识别性能。     

基于Borda投票加权的子模块稀疏表示鲁棒模式识别算法

利用子模块稀疏表示进行分类时,具有遮挡或强烈光照变化的子模块中各类残差可能很相近,此时正确类别残差可能不是最小,依据稀疏表示分类的残差最小判别准则将导致子模块错误分类,影响最终判别结果.针对此问题,提出基于Borda投票加权的子模块稀疏表示分类算法.首先利用Borda分别对子模块中的每类进行投票,然后利用子模块稀疏度和子模块残差确定该子模块的可信度权重,依据子模块可信度权重将所有子模块中每类票数进行加权求和,进行最终分类判别.实验结果表明,当图像具有遮挡或强烈光照变化时,提出的分类算法具有很好的有效性和鲁棒性.