基于自编码器和稀疏表示的单样本人脸识别

单样本人脸识别因其在现实生活中的广泛应用而成为人脸识别领域的热门话题。单张训练样本条件下训练样本的缺少和复杂的类内人脸表情、光照、遮挡变化给单样本人脸识别研究带来困难。传统的基于稀疏表示的人脸识别方法需要大量的训练样本构成过完备的字典,因而在单样本条件下识别效果明显下滑。针对这一问题,提出一种基于有监督自编码器的带变化人脸样本生成方法,在保留身份信息的同时自动生成带变化的人脸图像用于单样本条件下的字典扩充,一定程度上缓解了单样本条件下的欠采样问题,弥补了训练集和测试集间的人脸变化信息差异,使得传统的稀疏表示方法能够适用于单样本人脸识别问题。在公共数据库上的实验结果不仅证明了该方法的有效性,而且对测试集中不同的人脸变化也展现出了较强的鲁棒性。     

K邻域分块自动加权的单样本人脸识别算法

在人脸识别问题中,当每类训练样本有且仅有一个时,由于类内缺乏足够的特征变化信息来预测人脸复杂的特征变化,从而导致常用分类算法的识别准确率急剧下降。目前最好的解决方法大致可分为两类:一是生成虚拟的训练样本以扩大训练集;二是学习稀疏变化字典以表示复杂特征变化。针对此问题,在引入稀疏变化字典来表示人脸复杂特征变化的基础上,提出一种基于K邻域分块自动加权的单样本识别算法。通过对测试样本进行分块,然后对每一个子分块求K邻域分块,以组成虚拟的同类别测试样本集;同时提出了一种自动加权策略,对这些分块在分类中的比重进行加权,最后通过一种改进的投票机制确定分类结果。通过与已有的单样本识别算法进行比较,并在公共人脸数据库AR、CMU Multi-PIE和ORL上进行实验,结果表明该方法有助于提高单样本识别问题的分类准确率。     

基于编码复杂度的混合结构稀疏人脸识别方法

利用编码复杂度表示数据的结构稀疏度,通过降低编码复杂度实现结构稀疏。在稀疏表示分类模型的基础上,通过聚类排序的方法构造结构化字典,形成混合结构稀疏模型。此模型结合类间样本的定长组结构与类内样本的动态可重叠组结构,以及误差的标准稀疏结构。为实现混合结构稀疏重构,提出改进的混合结构贪婪算法。实验表明对数据字典进行聚类排序可有效改进人脸的识别性能,在相同条件下,混合结构的性能优于其他结构,文中算法也优于其他算法。     

基于鉴别性低秩表示及字典学习的鲁棒人脸识别算法

针对人脸识别中的图像存在噪声等情况,提出基于鉴别性低秩表示及字典学习的算法。使用鉴别性低秩子空间恢复算法(discriminative low-rank representation, DLRR)获得类别间尽可能独立且干净的训练样本,然后通过引入基于Fisher准则的字典学习(Fisher Discrimination Dictionary Learning, FDDL)方法得到结构化字典,其子字典对对应的类有较好的表示能力,约束编码系数具有较小类内散列度和较大类间散列度。最后对测试样本稀疏线性表示时正确类别的样本贡献更大。在标准人脸数据库上的实验结果表明该算法有较好性能。     

应用于小样本的差异字典人脸识别

针对人脸识别中每个人只有小规模训练样本的情况,在基于表示的分类(representation based classification,RBC)方法基础上使用由无关类组成的差异字典。差异字典一般由具有面部姿态变化与表情变化的人脸及其基准脸构成,需要训练样本为基准脸才能得到较好的识别效果。为防止小规模训练样本中有非基准脸使差异字典出现识别效果下降的情况,使用灰度对称脸将训练样本中的非基准脸转换为近似基准脸,进行差异字典的训练。实验结果表明,该人脸识别方法在小样本情况下的ORL、GT(Georgia tech)、FERET人脸库上具有良好的表现。     

人脸样貌独立判别的协作表情识别算法

为了降低样貌、姿态、眼镜以及表情定义不统一等因素对人脸表情识别的影响,提出一种人脸样貌独立判别的协作表情识别算法。首先,采用自动的人脸检测算法定位、对齐视频每帧的人脸区域,并从人脸视频序列中选择峰值表情的人脸;然后,采用峰值人脸与某个表情类内的所有人脸产生表情类内差异人脸信息,并通过计算峰值表情人脸与表情类内差异人脸的差异信息获得协作的表情表示;最终,采用基于稀疏的分类器与表情表示决定每个人脸表情的标签。采用欧美与亚洲人脸的数据库进行仿真实验,结果表明本算法获得了较好的表情识别准确率,对不同样貌、佩戴眼镜的人脸样本也具有较好的识别效果。     

基于特征优选和字典优化的组稀疏表示表情识别

针对在小样本人脸表情数据库上识别模型过拟合问题,文中提出基于特征优选和字典优化的组稀疏表示分类方法.首先提出特征优选准则,选择相同类级稀疏模式、不同类内稀疏模式的互补特征构建字典.然后对字典进行最大散度差优化学习,使字典在不失真重构特征的同时具有较高鉴别能力.最后联合优化后的字典进行组稀疏表示分类.在JAFFE、CK+...     

基于稀疏表示与小波特征的人脸识别分层框架

基于稀疏表示的人脸识别研究,非线性特征的选择研究较少。提出分层使用人脸图像的小波特征,进行稀疏表示人脸识别框架。框架首先对样本人脸进行小波变换,构造小波低频和小波高频过完备人脸字典;识别阶段首先使用人脸图像的小波低频特征进行稀疏表示,计算类别模糊稀疏,然后根据模糊系数输出类别标签或进行高频特征的稀疏表示与识别。实验结果表明,基于小波特征和稀疏表示的人脸识别分层框架提高了识别的准确率,且对遮挡很鲁棒。     

基于协作低秩分层稀疏和LC-KSVD的人脸表情识别

为了降低人脸表情识别对待识别个体的依赖程度,控制识别字典规模,增加识别准确度,提出了一种基于协作低秩和分层稀疏的表情识别字典构建方法.通过协作低秩和分层稀疏表示(C-HiSLR)有效分离与待识别个体相关部分,保留表情变化部分,并结合标签一致区分字典学习(LC-KSVD)算法,进行相应待训练表情序列的重构识别和对应类别字典的区分程度的优化学习.该方法在CK+数据集上进行验证,识别效果较一般基于稀疏表示模型算法有明显的提升.     

单样本人脸识别线性回归分类

对线性回归分类器在单样本人脸识别中的应用进行研究,提出使用稀疏表示结合线性回归分类的方法对单样本人脸进行识别,并对该方法进行分析和评论。计算单个训练样本在辅助样本集上的稀疏表示,选出和训练样本近邻的几个人脸,计算这些样本的类内变化,将它们和训练样本一起构成人脸模型,使用线性回归分类器进行分类。在AR和FERET人脸库上的实验验证了该方法的有效性。     

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。     

结合分块LBP与投影字典对学习的表情识别

针对字典学习和分类过程所采用的表示系数[l1]范数稀疏约束求解过程代价过高的问题,同时为获取更有效的表情相关特征来进行字典学习,提出一种结合分块LBP特征与投影字典对学习的表情识别方法。提取图像的分块LBP特征替代原始数据样本,用来训练和测试。学习一个分析字典和一个综合字典,分析字典可求得表示系数,综合字典具备重构能力。利用综合字典和分析字典求出各类别的重构误差进行分类,从而实现人脸表情识别。在JAFFE和CK+数据库上的实验结果表明,与其他方法相比,所提出的方法不仅可以大大降低训练和测试阶段的时间复杂度,而且可以在分类任务中达到更高的识别率。     

Image super-resolution by dictionary concatenation and sparse representation with approximate L0 norm minimization

This paper proposes a different image super-resolution (SR) reconstruction scheme, based on the newly advanced results of sparse representation and the recently presented SR methods via this model. Firstly, we online learn a subsidiary dictionary with the degradation estimation of the given low-resolution image, and concatenate it with main one offline learned from many natural images with high quality. This strategy can strengthen the expressive ability of dictionary atoms. Secondly, the conventional matching pursuit algorithms commonly use a fixed sparsity threshold for sparse decomposition of all image patches, which is not optimal and even introduces annoying artifacts. Alternatively, we employ the approximate L₀ norm minimization to decompose accurately the patch over its dictionary. Thus the coefficients of representation with variant number of nonzero items can exactly weight atoms for those complicated local structures of image. Experimental results show that the proposed method produces high-resolution images that are competitive or superior in quality to results generated by similar techniques.     

小波域中双稀疏的单幅图像超分辨

目的 过去几年,基于稀疏表示的单幅图像超分辨获得了广泛的研究,提出了一种小波域中双稀疏的图像超分辨方法。方法 由小波域中高频图像的稀疏性及高频图像块在空间冗余字典下表示系数的稀疏性,建立了双稀疏的超分辨模型,恢复出高分辨率图像的细节系数;然后利用小波的多尺度性及低分辨率图像可作为高分辨率图像低频系数的逼近的假设,超分辨图像由低分辨率图像的小波分解和估计的高分辨率图像的高频系数经过二层逆小波变换来重构。结果 通过大量的实验发现,双稀疏的方法不仅较好地恢复了图像的局部纹理与边缘,且在噪声图像的超分辨上也获得了不错的效果。结论 与现在流行的使用稀疏表示的超分辨方法相比,双稀疏的方法对噪声图像的超分辨效果更好,且计算复杂度减小。     

Fusion of multispectral and panchromatic images via sparse representation and local autoregressive model

In this paper, a novel model-based pan-sharpening method via sparse representation and local autoregressive (AR) model is proposed. To recover the high-resolution multispectral (HRMS) image from the observed images, we impose sparsity prior on the unknown HRMS image in the restoration model. The quality of the recovered HRMS image depends on the employed sparse domain. Hence, a new sparse representation model for the HRMS image is constructed, in which we suppose that the low-frequency and high-frequency components of the HRMS image can be sparsely represented by a spectral dictionary and a spatial-detail dictionary respectively. The spectral dictionary and spatial-detail dictionary are learned from the source images: low-spatial-resolution multispectral (LRMS) image and high-spatial-resolution panchromatic (HRP) image adaptively. Additionally, local autoregressive (AR) model is employed to improve the spatial structure of the HRMS image patch. Firstly, a set of AR model parameters are learned from the PAN image patches. Then, the local spatial structure of a given HRMS image patch is regularized by an AR model with the learned parameters. By solving the l₁ -norm optimization problem, the HRMS image can be well reconstructed. Experiments are carried out on very high-resolution QuickBird and GeoEye-1 images. In the simulated and real experiments, our proposed method demonstrates its good performance in terms of visual analysis and quantitative evaluation.     

基于带补偿字典的松弛稀疏表示的小样本人脸识别*

在训练集类内变化类型不可控的小样本人脸识别问题中,补偿字典很难发挥足够作用。在基于带补偿字典的稀疏表示的人脸识别方法中,训练集字典和补偿字典对测试图片表示的能力不同,文中讨论因此不同而导致的二者在稀疏性上的不同要求,通过对两类字典采用不同的稀疏性约束,提出基于带补偿字典的松弛稀疏表示的人脸识别方法。实验表明,在训练集图片类内变化类型不可控的小样本人脸识别问题中,文中方法能取得较优效果。     

Robust visual tracking via discriminative appearance model based on sparse coding

In this paper, we formulate visual tracking as a binary classification problem using a discriminative appearance model. To enhance the discriminative strength of the classifier in separating the object from the background, an over-complete dictionary containing structure information of both object and background is constructed which is used to encode the local patches inside the object region with sparsity constraint. These local sparse codes are then aggregated for object representation, and a classifier is learned to discriminate the target from the background. The candidate sample with largest classification score is considered as the tracking result. Different from recent sparsity-based tracking approaches that update the dictionary using a holistic template, we introduce a selective update strategy based on local image patches which alleviates the visual drift problem, especially when severe occlusion occurs. Experiments on challenging video sequences demonstrate that the proposed tracking algorithm performs favorably against several state-of-the-art methods.     

Pixel-level image fusion with simultaneous orthogonal matching pursuit

Pixel-level image fusion integrates the information from multiple images of one scene to get an informative image which is more suitable for human visual perception or further image-processing. Sparse representation is a new signal representation theory which explores the sparseness of natural signals. Comparing to the traditional multiscale transform coefficients, the sparse representation coefficients can more accurately represent the image information. Thus, this paper proposes a novel image fusion scheme using the signal sparse representation theory. Because image fusion depends on local information of source images, we conduct the sparse representation on overlapping patches instead of the whole image, where a small size of dictionary is needed. In addition, the simultaneous orthogonal matching pursuit technique is introduced to guarantee that different source images are sparsely decomposed into the same subset of dictionary bases, which is the key to image fusion. The proposed method is tested on several categories of images and compared with some popular image fusion methods. The experimental results show that the proposed method can provide superior fused image in terms of several quantitative fusion evaluation indexes.     

图像组转置训练及非凸约束的去噪去模糊算法

针对稀疏表示模型的过完备字典集训练过程中图像块采样不充分问题,提出图像组转置训练及非凸约束的去噪去模糊算法.采用组间方差约束的图像块搜索策略,并根据自适应软阈值对筛选的字典集进行转置学习.在重构过程中采用l_p(0范数约束以保证结果的强稀疏性.最后采用Bregman拆分迭代法求解文中非凸模型.实验表明,文中算法重构图像具有较好的视觉效果,去噪去模糊效果较优.