基于PCA特征基压缩传感算法的人脸识别

针对人脸识别对遮挡、表情和光照的鲁棒性问题,提出基于PCA特征基压缩传感算法的人脸识别方法。利用双向二维主成分分析提取图像行列2个方向的特征并进行降维,建立反映人脸特征投影矩阵,作为压缩传感算法的超完备基。通过求解最小化l1范数,寻求图像在该超完备基上的稀疏表示,以得到一组最优稀疏系数重构各类图像,求取测试图像与各类重构图像的最小残差进行分类识别。实验结果表明,该方法在较低的人脸特征维数下具有较高的人脸识别率,能有效提高人脸识别对遮挡、表情和光照的鲁棒性。     

具有Fisher判据约束的非负稀疏编码模型?

在标准非负稀疏编码(NNSC)的基础上,引入Fisher线性判据约束,提出一种改进NNSC模型。该模型能够提高稀疏系数的空间可分性和特征分类能力。通过测试掌纹自然图像可知,提取的图像特征具有方向性、空间性和选择性,利用掌纹特征基可实现图像重构,采用距离分类器可得到较好的识别效果。仿真结果验证了该模型在可视神经元建模、图像特征提取和模式分类中的有效性。     

基于ι~∞范数的稀疏ICA和FCM的自然图像特征提取

为了保证图像特征系数的稀疏性和加快寻找最优基的收敛速度,提出了一种基于l~∞范数的稀疏独立分量分析(SICA)的算法.该SICA算法采用l~∞范数作为ICA的稀疏性度量标准,用模糊C均值聚类算法初始化独立分量的特征基,有效地实现了自然图像的特征提取;而且,该SICA方法不需要优化高阶的非线性函数和密度估计,因而计算简单、且收敛速度较快;同时,利用提取的图像特征成功地实现了图像恢复,通过图像恢复对比实验表明了该方法在特征提取方面的合理性和实用性.     

基于改进稀疏线性预测的时延估计算法

针对噪声与混响环境下,基于稀疏线性预测的时延估计算法性能下降的问题,提出一种改进的线性预测模型。为了获得麦克风信号的有效预滤波,将语音幅度谱的稀疏性和线性预测向量的稀疏性同时引入最小二乘准则,以此构建凸约束线性预测模型;运用Split-Bregman迭代方法对模型进行求解;使用预测误差信号建立基于改进L2/L1范数稀疏线性预测预白化的时延估计器。实验结果表明:与GCC-PHAT和L2/L1范数稀疏线性预测算法相比,所提算法具有更好的时延估计性能。     

结构相似度稀疏编码及其图像特征提取

将结构相似度引入到稀疏编码模型中,提出基于结构相似度的稀疏编码模型。基于该模型提取出图像的稀疏编码特征。实验结果表明,改进后的稀疏编码模型更好地保持了结构信息,更加符合人眼视觉系统特性。将文中提出的模型应用到特征提取中,可获得结构信息保持得更好的图像特征。     

稀疏互质阵列的迭代加权l_1范数约束来波方向估计

在阵元数确定的情况下,稀疏互质阵列能增大阵列孔径。为利用阵列的互质关系形成具有更多自由度的互质差合成阵列,采用稀疏重构方法,提出一种迭代加权l_1范数约束波达方向(DOA)估计算法。通过矢量化对稀疏互质阵列进行孔径扩展,进而在相应的过完备基下获得观测模型的l_0范数约束稀疏重构,再用加权l_1范数约束代替l_0范数约束重构方法,采用多次迭代运算求取最优解实现DOA估计。实验结果表明,该算法能够更好地利用稀疏互质阵列的阵列孔径,提高测向精度,并且通过迭代运算来弥合l_1范数约束与l_0范数约束之间的差别,克服传统l_1范数约束类算法存在估计偏差的缺点。     

基于稀疏表示与能量分解的无参考图像质量评价

针对基于稀疏表示的图像质量评价算法特征信息挖掘不充分,忽略稀疏特性等问题进行了研究,提出了一种基于稀疏表示与能量分解的无参考图像质量评价方法。首先利用L1范数作为稀疏惩罚项学习稀疏编码字典,并计算待评价图像的稀疏表示系数。然后对稀疏系数矩阵进行奇异值分解,并重建若干个等能量的子矩阵。最后联合max-pooling和L1范数描述稀疏系数矩阵及其子矩阵特征,L1范数刻画着稀疏性,子矩阵丰富了特征信息。实验结果表明,该算法能在无参考的情况下更好地评价图像质量,主客观分值一致性好且时间复杂度较低,具有较好的应用价值。     

基于局部特征的非负稀疏编码神经网络模型

在非负稀疏编码(NNSC)的基础上,考虑特征基向量的稀疏度约束和特征基的局部性,提出一种基于局部特征的NNSC神经网络模型。该模型利用梯度和倍增因子相结合的优化算法实现特征系数的学习;利用倍增算法实现特征基的学习。对掌纹图像进行特征提取测试,结果表明,与传统NNSC模型和局部非负矩阵分解(LNMF)方法相比,该模型能有效提取图像的局部特征,收敛速度较快,可模拟初级视觉系统处理自然界信息的稀疏编码策略。     

基于2DPCA和压缩感知的人脸识别方法

提出一种基于二维主成份分析(2DPCA)和压缩感知的人脸识别方法.阐述2DPCA提取特征向量的工作原理,利用压缩感知方法求解待识别图像在足够样本下的稀疏表示.由所有训练图的特征向量构成测量矩阵,将每一幅待识别图像的特征向量作为测量值,由压缩感知中求解的L1范数极小值得到待识别图像的编码信号,根据该编码信号识别人脸图像....     

改进的单幅图像自学习超分辨率重建方法

针对传统超分辨率重建方法稀疏表示依赖大训练样本字典的局限性问题,基于L2范数的弱稀疏性特 点,提出一种改进的单幅图像自学习超分辨率重建方法。通过自学习建立非金字塔阶梯式训练图像集,采用自 定义的方法分别提取训练集中低分辨率和相应高分辨率图像特征块及特征像素值;结合L2范数的协作表示 (collaborative representation,CR）理论和支持向量回归（support vector regression,SVR）技术学习多层超分辨率映 射模型。实验结果表明,提出的超分辨率方法不仅可行有效,而且与传统的单幅图像的超分辨率方法比较,其 PSNR平均提高了0.06～3.92dB,SSIM平均提高了0.0024～0.0348,从客观数值和主观视觉证明了所提方法的优秀性。     

Robust Latent Factor Analysis for Precise Representation of High-Dimensional and Sparse Data

High-dimensional and sparse (HiDS) matrices commonly arise in various industrial applications, e.g., recommender systems (RSs), social networks, and wireless sensor networks. Since they contain rich information, how to accurately represent them is of great significance. A latent factor (LF) model is one of the most popular and successful ways to address this issue. Current LF models mostly adopt L₂-norm-oriented Loss to represent an HiDS matrix, i.e., they sum the errors between observed data and predicted ones with L₂-norm. Yet L₂-norm is sensitive to outlier data. Unfortunately, outlier data usually exist in such matrices. For example, an HiDS matrix from RSs commonly contains many outlier ratings due to some heedless/malicious users. To address this issue, this work proposes a smooth L₁-norm-oriented latent factor (SL-LF) model. Its main idea is to adopt smooth L₁-norm rather than L₂-norm to form its Loss, making it have both strong robustness and high accuracy in predicting the missing data of an HiDS matrix. Experimental results on eight HiDS matrices generated by industrial applications verify that the proposed SL-LF model not only is robust to the outlier data but also has significantly higher prediction accuracy than state-of-the-art models when they are used to predict the missing data of HiDS matrices.      

鲁棒的半监督多标签特征选择方法

针对现有的半监督多标签特征选择方法利用l₂-范数建立谱图易受到噪声影响的问题，文中提出一种鲁棒的半监督多标签特征选择方法，利用全局线性回归函数建立多标签特征选择模型，结合l₁图获取局部描述信息提高模型准确度，引入l_2，1约束提升特征之间可区分度和回归分析的稳定性，避免噪声干扰。在4种开源数据集上借助多种性能评价标准验证所提出方法，结果表明:本文方法能有效提高分类模型的准确性和对外界噪声的抗干扰性。     

基于L1和L2混合范式的序列图像超分辨率重建

针对超分辨率重建时需要同时滤除高斯噪声和脉冲噪声的问题,提出一种基于L₁和L₂混合范式并结合双边全变分(BTV)正则化的序列图像超分辨率重建方法。首先基于多分辨率策略的光流场模型对序列低分辨率图像进行配准,使图像的配准精度达到亚像素级,进而可以利用图像间的互补信息提高图像分辨率;其次利用L₁和L₂混合范式的优点,用BTV正则化算法解决重建的病态性反问题;最后进行序列图像超分辨率重建。实验数据显示算法可以降低图像均方误差,并将峰值信噪比(PSNR)提高1.2 dB~5.2 dB。实验结果表明,提出的算法能够有效地滤除高斯和脉冲噪声,保持图像边缘,提高图像可辨识度,可为车牌识别、人脸识别和视频监控等方面提供了良好的技术基础。     

基于弹性网和直方图相交的非负局部稀疏编码

针对稀疏编码模型在字典基的选择时忽略了群效应,且欧氏距离不能有效度量特征与字典基之间距离的问题,提出基于弹性网和直方图相交的非负局部稀疏编码方法（EH-NLSC）。首先,在优化函数中引入弹性网模型,消除字典基选择数目的限制,能够选择多组相关特征而排除冗余特征,提高了编码的判别性和有效性。然后,在局部性约束中引入直方图相交,重新定义特征与字典基之间的距离,确保相似的特征可以共享其局部的基。最后采用多类线性支持向量机进行分类。在4个公共数据集上的实验结果表明,与局部线性约束的编码算法（LLC）和基于非负弹性网的稀疏编码算法（NENSC）相比,EH-NLSC的分类准确率分别平均提升了10个百分点和9个百分点,充分体现了其在图像表示和分类中的有效性。     

Multi-SVM based Dempster–Shafer theory for gesture intention understanding using sparse coding feature

The Dempster–Shafer theory based on multi-SVM to deal with multimodal gesture images for intention understanding is proposed, in which the Sparse Coding (SC) based Speeded-Up Robust Features (SURF) are used for feature extraction of depth and RGB image. Aiming at the problems of the small sample, high dimensionality and feature redundancy for image data, we use the SURF algorithm to extract the features of the original image, and then perform their Sparse Coding, which means that the image is subjected to two-dimensional feature reduction. The dimensionally reduced gesture features are used by the multi-SVM for classification. A fusion framework based on D–S evidence theory is constructed to deal with the recognition of depth and RGB image to realize the gesture intention understanding. To verify the effectiveness of the proposal, the experiments on two RGB-D datasets (CGD2011 and CAD-60) are conducted. The results of 10-fold cross validation test show that the recognition rates were higher than those produced by other methods under the condition when each sensor was considered individually. Meanwhile, the preliminary experiments are also carried out in the developing emotional social robot system. The results indicate that the proposal can be applied to human–robot interaction.     

基于多尺度特征融合Hessian稀疏编码的图像分类算法

针对传统稀疏编码图像分类算法提取单一类型特征,忽略图像的空间结构信息,特征编码时无法充分利用特征拓扑结构信息的问题,提出了基于多尺度特征融合Hessian稀疏编码的图像分类算法（HSC）。首先,对图像进行空间金字塔多尺度划分;其次,在各个子空间层将方向梯度直方图（HOG）和尺度不变特征转换（SIFT）进行有效的融合;然后,为了充分利用特征的拓扑结构信息,在传统稀疏编码目标函数中引入二阶Hessian能量函数作为正则项;最后,利用支持向量机（SVM）进行分类。在Scene15数据集上的实验结果表明,HSC的准确率比局部约束线性编码（LLC）高了3~5个百分点,比支持区别性字典学习（SDDL）等对比方法高了1~3个百分点;在Caltech101数据集上的耗时实验结果表明,HSC的用时比多核学习稀疏编码（MKLSC）少40%左右。所提HSC可以有效提高图像分类准确率,算法的效率也优于对比算法。     

基于局部非负稀疏编码的掌纹识别方法

为了更有效地提取出图像的局部特征,在传统的非负稀疏编码(Hoyer-NNSC)算法的基础上,提出了一种新的具有稀疏度约束的局部NNSC (LNNSC)算法。该算法考虑了特征基向量的稀疏度约束和特征的最大化代表性,能够得到强化的图像局部特征;同时利用拉普拉斯密度模型作为特征系数的稀疏惩罚函数,保证了图像结构的稀疏性。在特征提取的基础上,进一步利用径向基概率神经网络(RBPNN)分类器,实现了掌纹的自动识别。仿真实验结果表明,与基于非负矩阵分解(NMF)、局部非负矩阵分解(LNMF)和Hoyer-NNSC的掌纹识别方法相比,该算法在掌纹识别研究中有较高的可行性和实用性。     

一种基于L1范数正则化的回声状态网络

针对回声状态网络存在的病态解以及模型规模控制问题,本文提出一种基于L1范数正则化的改进回声状态网络.该方法通过在目标函数中添加L1范数惩罚项,提高模型求解的数值稳定性,同时借助于L1范数正则化的特征选择能力,控制网络的复杂程度,防止出现过拟合.对于L1范数正则化的求解,采用最小角回归算法计算正则化路径,通过贝叶斯信息准则进行模型选择,避免估计正则化参数.将模型应用于人造数据和实际数据的时间序列预测中,仿真结果证明了本文方法的有效性和实用性.