稀疏表示中字典学习的影响因子研究

研究了稀疏表示中影响字典矩阵构建质量的关键因素,并实现了关键因子定量化表示. 分别对图像数量、取块大小、字典列数和取块步长等因子进行参数调整并生成字典矩阵,结合系数矩阵对原始图像重构,以峰值信噪比和结构相似性索引测量这两种质量评价指标作为字典质量的评估依据. 实验以CMU_PIE_Face数据库为数据源,结果表明当图像数量为500张、取块大小为4个像素点、字典列数为512维、取块步长为2个像素点时,所得到的字典具备对原始图像的最佳表示能力. 因此,稀疏表示中关键因子的定量化表示可加速字典学习过程且简化模型复杂度,提高字典抽象层质量,具备更强的图像表现力.     

基于字典学习与稀疏表示的非结构化道路分割方法

针对野外环境自主车视觉导航问题,提出了一种新颖的基于字典学习与稀疏表示的道路分割算法。该算法以局部图像小片为处理单元,通过选取典型道路图像学习得到路面图像小片的一组字典,并利用车辆前方的一小块区域作为监督,通过在线字典学习对字典进行实时更新,使路面图像小片可在该字典上精确稀疏表示,而非路面图像小片则不能。因此建立了基于字典学习与稀疏表示的分类框架,利用局部图像小片在字典上的稀疏重构误差进行分类。大量实验结果表明,该算法能够适应多变的非结构化道路环境,且对光照、阴影及水坑等具有较好的鲁棒性。     

层次型非线性子空间字典学习

为了提高遥感图像场景分类的准确率,提出层次型非线性子空间字典学习(HNSDL)方法. 用所提方法训练多层网络模型学习多层非线性变换. 将遥感图像投影到子空间中,构建稀疏编码和投影编码的局部信息保持项,在保持局部结构信息的同时最小化样本的类内差异,增强模型的分类识别能力. 在模型目标式求解中,使用交替学习算法求解子空间和字典的联合学习任务,使所有参数同时达到最优解. 在Ucmerced、Google和WHU-RS数据集上进行实验设计和测试,结果表明所提方法在遥感图像的多种场景分类上均表现出较高的分类准确率.     

基于稀疏字典学习的VLSI温度场重构技术

多核处理器等超大规模集成电路芯片通常采用动态热管理技术处理热问题.高精度重构芯片温度场是动态热管理正确运行、保证被测芯片运行性能及工作可靠性的前提条件.基于频域分析的温度场重构技术损失了一部分高频信息,重构精度较低.为了提升温度场重构精度,该文提出了一种基于稀疏字典学习的温度场重构方法.该方法通过字典学习将温度场先验信...     

一种基于稀疏字典和残余字典的遥感图像超分辨重建算法

为了解决低分辨率遥感图像超分辨率重建问题,提出一种基于稀疏字典和结构自相似性的遥感图像超分辨方法.首先,引入了稀疏字典学习方法,改善了字典的结构性,得到的字典具有较好的正则性与灵活性.此外,为了更好地重建高分辨率图像,学习初始稀疏字典对和残余稀疏字典对.初始稀疏字典对用于重建初始高分辨率遥感图像;初始高分辨率遥感图像相对于原始高分辨率图像失去了部分细节信息,用残余稀疏字典对对图像的残留信息进行重建.最后,根据遥感图像存在大量的结构相似性特性,利用非局部均值算法对重建图像进行修正.实验结果表明,本算法与其他算法相比,图像质量在主观和客观方面都有所提高,峰值信噪(PSNR)比达到24.690 5,SSIM达到0.736 3.     

基于字典原子与类标签关系的字典学习

在稀疏表示理论中,如何构造字典和更新字典,而能得到一个辨别能力强的字典,始终是一个重要的开放问题,针对这一问题,提出了基于字典原子与类标签关系的字典学习方法.建立一个基于两者关系的矩阵,随着更新字典原子而更新关系矩阵,通过更新关系矩阵来构成字典自适应地确定原子与类标签的关系,提高字典的判别能力,为后续的分类识别提供必要的保证.该方法既避免了共享字典判别能力差的问题,又避免了因单独训练字典而占用大量时间和内存的缺点.在构建字典模型中,引用l21范数约束残差值来去除噪声,使之既能处理稀疏噪声,也能处理非稀疏噪声,提高了字典对噪声的鲁棒性.大量的实验结果证明,该方法较其他的字典学习方法鲁棒性强、识别率高.     

基于扩展字典学习的鲁棒人脸识别算法

针对传统人脸识别的有限训练样本字典学习不稳定、噪声处理不够鲁棒、运行速度慢等问题,提出了一种扩展字典学习的鲁棒人脸识别算法.首先利用原始训练样本生成两个扩展训练样本,然后对两个扩展训练样本添加以像素损坏为主要影响因素的随机噪声和以遮挡为主要影响因素的结构噪声,通过增加训练样本的多样性,获得更鲁棒的字典.实验结果表明,该...     

无监督域适应的表示学习算法

在传统模式识别的训练方法中,拥有大量标签的有监督学习方法在识别准确率上取得了很好的效果.然而在实际生活中样本常常缺失标签,或现存有标签的样本与目标样本具有较大分布差异而不能直接使用.为了解决这些问题,无监督域自适应算法应运而生,借助源域有标签但不同分布的样本去识别无标签的目的域样本.针对目标识别样本与训练样本分布不一致...     

基于K-SVD算法和组合字典的语音信号清浊音判决研究

针对语音中清音和浊音特性的不同,本文提出了一种新的清浊音判别方法,利用K奇异值分解(K singular value decomposition,KSVD),分别对数据样本中的清音和浊音进行字典学习,训练出符合样本信号特性的浊音字典和清音字典,将多个单清音字典组合成组合清音字典,多个单浊音字典组合成组合浊音字典,并将待测信号在组合浊音字典和组合清音字典上进行稀疏表示,通过对比其系数的稀疏性来判别清浊音。研究结果表明,在相同条件下,与传统的清浊音判别方法相比,基于组合字典的判别方法对于多音素的清浊音判决具有更加准确的判决结果。该研究对语音识别和语音编码具有重要作用。     

基于自适应词典学习和稀疏表示的人脸表情识别

提出了一种基于随机块特征和自适应词典学习的人脸表情识别方法。利用Haar like特征和人脸几何结构信息可靠定位眼睛和嘴巴;在眼睛和嘴巴附近抽取随机块,构建特征矢量;将特征矢量进行词典学习,得到表情词典;根据待测表情在表情词典上的稀疏分解对表情进行分类。在JAFFE和Cohn kanade表情库中进行了对比实验,结果表明该方法具有较好的识别性能,对噪声和遮挡具有较好的鲁棒性。     

基于稀疏表示的特定目标识别

针对轮廓检测系统输出采样信号的特点,结合稀疏表示及主成分分析理论,提出了一种基于稀疏表示的特定目标识别方法。该方法首先通过主成分分析提取采样信号的主要成分以消除冗余信息,同时将信号转换为相同维数的特征向量,然后将特征向量投影到低维空间构造出字典,通过该字典对测试信号进行稀疏表示、识别。数值仿真与现场实验结果表明:该方法在低维空间下具有很好的识别效果;并结合实际情况,对有损坏传感器的系统进行测试,结果表明本文方法具有较好的鲁棒性。     

利用判别字典学习的视觉跟踪方法

针对复杂背景及遮挡等引起目标跟踪性能显著下降的问题,提出一种目标跟踪方法。该方法首先根据目标时空局部相关性获取目标及背景样本。而后建立字典学习模型:基于误差项捕获遮挡等产生的异常值,利用极大极小凹加函数惩罚稀疏编码及误差矩阵,且对字典施加不一致约束项以提高字典的鲁棒性和判别性。针对所构建的非凸字典学习优化问题,利用优化最小化方法对其求解以获得较好的收敛性。最后,由所得判别字典计算候选目标的重构误差以构建目标观测模型,并基于贝叶斯推理框架实现目标精确跟踪。仿真结果表明,与现有主流算法相比,所提方法在复杂环境下可显著地提高目标跟踪的精度及鲁棒性。     

采用多特征联合学习的噪声稳健HRRP识别方法

为提高低信噪比条件下雷达目标高分辨一维距离像的识别性能,提出一种采用多特征联合学习的噪声稳健目标识别方法．该方法利用核函数实现对稀疏与低秩的联合表示,用来提取目标高分辨一维距离像的局部特征与全局特征．在训练阶段,利用联合可分性分析多分类器综合结构字典学习方法对特征提取字典进行优化,从而提高特征向量的可分性;在测试阶段,利用对消原理对噪声进行自适应抑制,实现噪声干扰下的稳健识别．利用实测数据进行实验,结果表明该方法可有效地对被噪声污染的目标高分辨一维距离像进行恢复,并提高低信噪比下的目标识别准确率,且满足实际应用中的实时性要求．由此可见,该方法可以有效地提高高分辨一维距离像目标识别系统在低信噪比下的总体性能．     

一种利用稀疏表示的距离扩展目标检测新方法

针对在高斯白噪声背景下距离扩展目标检测问题,通过构造Sinc基来线性表示距离扩展目标的一维距离像,将稀疏表示理论引入到目标检测中,提出了基于Sinc基的自适应子空间检测器检测新方法．首先由基追踪算法估计噪声功率,再由基追踪去噪算法得到的残余分量估计噪声协方差矩阵,最后通过一阶高斯模型自适应子空间检测器来实现距离扩展目标检测．基于实测宽带雷达回波数据的实验结果表明,所构造的Sinc基可以很好地线性表示距离扩展目标的一维距离像,有效地实现距离扩展目标检测．     

Vehicle recognition using acoustic sensor networks in complex scenes via kernel sparse representation

This paper proposes a method of vehicle recognition via kernel sparse representation using acoustic sensor networks in complex scenes. This algorithm uses the Mel frequency cepstral coefficients to extract the acoustic features of vehicles and maps them into a high-dimensional feature space with a kernel function to get linearly separable samples. After extending sparse representation to the kernel space and constructing the over-complete dictionary, the objective vehicles will be recognized by solving the optimization problem. Experiments show that the proposed algorithm gives good performance on vehicle recognition under the circumstance of complex data sets. Compared with other traditional acoustic classification algorithms, the method improves the precision of recognition.