基于样本-扩展差分模板的联合双稀疏表示人脸识别

在人脸识别中,每类数据分别位于由字典形成的高维空间中的多个低维线性子空间,考虑到这一结构信息对识别起到一定支持作用,利用块结构稀疏表示进行人脸识别。针对训练图像不能涵盖测试条件下的人脸变化这个问题,提出基于样本-扩展差分模板的联合双稀疏表示识别算法。它通过构造样本-扩展差分模板来表示训练样本与测试样本之间可能存在的差异,这些类内差异信息可被不同的类别所共享,即任何一类人脸图像的类内差异可表示为其他类别类内差异图像的原子稀疏线性组合。这样识别问题被转换为在训练样本空间和扩展差分模板空间寻找测试样本的块稀疏与原子稀疏的联合双稀疏表示。在AR和Extended Yale B数据库上的实验结果表明,在具有光照、表情变化和遮挡的情况下,本文提出的识别算法具有更好的有效性和鲁棒性。     

基于Gabor特征的稀疏表示纹理分割研究

稀疏表示和字典学习在图像去噪、图像重建和模式识别等应用上取得了良好的效果,其利用稀疏系数和重构误差来作为模式分类的判别准则。稀疏表示纹理分割方法是将图像分割问题转换为像素点的分类问题。但通常稀疏表示分类方法是基于图像块特征,难以准确表征图像纹理信息。为了解决上述问题,提出基于Gabor特征的稀疏表示纹理分割方法。因为Gabor特征对图像纹理信息的鲁棒性,算法首先从每类纹理中选择一些像素点作为训练样本,计算其不同尺度和方向下的Gabor特征,将其作为初始化字典,通过判别性的字典学习算法(D-KSVD)更新字典,该字典学习算法在KSVD基础上使得字典更具有类别判别能力,最后以待分割图像的每个像素点作为测试样本,计算其Gabor特征。利用OMP算法得到测试样本在字典下的稀疏系数,根据稀疏系数得到类标签,进而对像素点进行分类,完成分割。通过在Brodatz纹理库上的实验结果表明,该方法有效提高了稀疏表示算法对纹理图像分割的正确率。     

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。      

基于块稀疏贝叶斯学习的SAR图像目标方位角估计方法

提出了一种基于块稀疏贝叶斯学习的合成孔径雷达（Synthetic aperture radar,SAR）图像目标方位角估计方法。SAR图像具有较强的方位角敏感性,因此对于具有某一方位角的SAR图像仅能与其具有相近方位角的样本具有较高的相关性。方法基于稀疏表示的基本思想,首先对所有训练样本按照方位角顺序排列为全局字典。在此条件下,待估计样本在该字典上的线性表示系数具有块稀疏特性,即非零表示系数主要聚集在字典上的某一局部区域。求解得到的块稀疏位置包含的训练样本可以有效地反映待估计样本的方位角信息。采用块稀疏贝叶斯学习（Block sparse Bayesian learning, BSBL）算法求解全局字典上的稀疏表示系数,并根据具有最小重构误差的原则获得最佳的局部分块。在获取最佳分块的基础上,方位角计算方法采用线性加权的方式综合了该分块区间内所有训练样本的方位角信息从而获得更为稳健的估计结果。所提出的方法在充分考察SAR图像方位角敏感性的基础上,综合运用局部区间内样本的有效信息,避免了基于单一样本估计的不确定性。为了验证所提出方法的有效性,基于Moving and stationary target acquisition and recognition （MSTAR）数据集进行了方位角估计实验并与几类经典方法进行对比分析。实验结果验证了所提出方法的性能优势。     

基于优化字典学习的遥感图像融合方法

为提升全色图像和多光谱图像的融合效果,该文提出基于优化字典学习的遥感图像融合方法。首先将经典图像库中的图像分块作为训练样本,对其进行K均值聚类,根据聚类结果适度裁减数量较多且相似度较高的图像块,减少训练样本个数。接着对裁减后的训练样本进行训练,得到通用性字典,并标记出相似字典原子和较少使用的字典原子。然后用与原稀疏模型差异最大的全色图像块规范化后替换相似字典原子和较少使用的字典原子,得到自适应字典。使用自适应字典对多光谱图像经IHS变换后获取的亮度分量和源全色图像进行稀疏表示,把每一个图像块稀疏系数中的模极大值系数分离,得到极大值稀疏系数,将剩下的稀疏系数称为剩余稀疏系数。针对极大值稀疏系数和剩余稀疏系数分别选择不同的融合规则进行融合,以保留更多的光谱信息和空间细节信息,最后进行IHS逆变换获得融合图像。实验结果表明,与传统方法相比所提方法得到的融合图像主观视觉效果较好,且客观评价指标更优。     

近邻类加权结构稀疏表示图像识别算法

针对如何将近邻、子空间学习与稀疏表示结合起来解决稀疏分类计算量较大的问题。由于子空间中样本的类内散度小,类间散度大,且同类中所有样本对重构的影响相似,因此按类而非样本处理的思想更符合基于类重构误差进行分类的算法要求,为此提出一种基于近邻类加权结构稀疏表示算法用于图像识别。该算法首先利用线性类重构误差选取 个最近邻类,并将其对应的系数作为权值对投影后的近邻类加权,其次在投影子空间上,用 个类的加权训练样本集对测试样本进行结构稀疏表示,最后根据最小类重构误差得出分类结果。在AR,Yale B,MNIST,PIE数据库上的实验结果表明该方法在训练样本数较少的情况下获得较高的识别率且具有一定的鲁棒性。      

基于Gabor低秩恢复稀疏表示分类的人脸图像识别方法

针对含光照、表情、姿态、遮挡等误差或被噪声污染的人脸图像的识别问题,本文提出一种基于Gabor低秩恢复稀疏表示分类的人脸图像识别方法。该方法首先用低秩矩阵恢复算法求得训练样本图像对应的误差图像;然后,对每一个训练样本图像及其对应的误差图像进行Gabor变换,得到相应的Gabor特征向量,并将这些Gabor特征向量组成一个Gabor特征字典;进而,计算测试样本图像Gabor特征向量在该Gabor特征字典下的稀疏表示系数,并用该稀疏表示系数和Gabor特征字典,对测试样本图像的Gabor特征向量进行类关联重构,同时计算相应的类关联重构误差。最后,根据测试样本图像Gabor特征向量的类关联重构误差,实现对测试样本图像的分类识别。在CMU PIE、Extend-ed Yale B和AR数据库上的实验结果表明,本文提出的人脸图像识别方法具有较高的识别率和较强的抗干扰能力。     

基于欠样本混合内变基字典的扩展协同表示算法

协同表示算法对人脸图像具有快速分类的特点,但在单样本或欠样本情况下,对变化复杂的人脸识别率还不够理想,无法满足工程要求。针对该问题,提出一种基于欠样本混合内变基字典的扩展协同表示算法。首先借助在同一环境下采集到的不同人脸的变化过程,提取人脸的变化共同特征并生成内变基,再融合两种及两种以上不同人脸变化的共同特征生成混合内变基,提高内变基的通用性,建立训练样本与测试样本之间变化的稀疏字典。训练样本在字典帮助下近似构建出测试样本的特征人脸,达到扩展训练样本集的目的,再对人脸协同分类。利用AR库、ORL库、Yale库和Yale B库进行识别实验。结果表明,本文算法能有效提高协同表示算法的识别率,在欠样本情况下识别率提高7.33%～33.17%,在单样本情况下识别率提高6.78%～24.47%。     

基于结构化稀疏表达的高分辨率光学遥感图像的船只检测

为克服近岸船只检测中复杂港内背景干扰和基于深度学习算法的大视场光学遥感图像标注工作量大的困难,本文提出了基于小样本集的结构化稀疏表达方法来实现近岸船只检测的算法。构建由近岸船只目标,背景干扰信息和误差矩阵等三部分子字典组成的结构化稀疏表达字典,经小样本集的字典训练过程生成判别性稀疏编码。首先将多方向近岸船只目标样本与港内复杂背景信息样本经过HOG特征提取和PCA分析对原子进行初始化,然后使用K-SVD和LASSO算法对字典进行训练。在字典中引入误差矩阵对样本的类内差异进行表示,增强了稀疏编码的判别能力和系统鲁棒性。最后提出船只目标区域提取的置信度计算方法,对生成的结构化稀疏编码进行判别,提取船只目标区域,实现船只检测。通过对不同尺寸字典模型、引入误差矩阵前后的结构化稀疏表达模型进行实验,实验结果表明提出的引入误差矩阵的结构化稀疏表达方法的有效性,以及在小样本集下比现有技术方法具有更好的检测性能。      

基于稀疏表示的船体检测方法研究

为进一步强化航道安全，解决海事CCTV人工值守、非自动化问题，提出了基于稀疏表示的船体检测方法。利用稀疏表示实现对船体的检测时，首先构建样本特征矩阵，然后利用K-SVD算法对样本特征矩阵进行学习，得到冗余字典，最后对测试样本进行重构，根据马氏距离判断测试样本属性。通过与传统方法的试验比较，实验结果表明，该算法实时性好、检测准确率高，可以很好地对CCTV视频监控的船体进行检测与跟踪，解决CCTV人工值守、非自动化问题，节省大量人力资源。     

融合CNN和SRC决策的SAR图像目标识别方法

提出基于卷积神经网络（Convolutional Neural Network,CNN）与稀疏表示分类（Sparse Representation-based Classification,SRC）联合决策的合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别方法。CNN通过深度网络学习SAR图像的多层次特征,进而对其所属的目标类别进行判决。研究表明,CNN在训练样本充足的条件下可以取得很好的识别性能。然而,对于训练样本未能包含的条件,CNN的分类性能通常会出现明显下降。因此,先采用CNN对待识别的测试样本进行分类,再根据输出的决策值（即,各个训练类别对应的后验概率）计算当前分类结果的可靠性。当分类结果判定可靠时,则直接采信CNN的决策,输出测试样本的目标类别。反之,则根据CNN输出的决策值筛选若干候选类别,然后基于它们的训练样本构建全局字典用于SRC分类。对于SRC的分类结果,进一步采用Bayesian融合算法将其与CNN的分类结果进行融合。最终,根据融合后的结果判定测试样本的目标类别。提出方法通过层次化的思路融合CNN和SRC的优势,有利于发挥两者对不同测试条件的优势,达到提高识别稳健性的目的。实验中,基于MSTAR数据集开展测试分析,结果验证了提出方法的有效性。     

Sparse representation for robust face recognition by dictionary decomposition

Sparse representation-based classification (SRC) method has gained great success in face recognition due to its encouraging and impressive performance. However, in SRC the data used to train or test are usually corrupted, and hence the performance is affected. This paper proposes a robust face recognition approach by means of learning a class-specific dictionary and a projection matrix. Firstly, the training data are decomposed into class-specific dictionary, non-class-specific dictionary, and sparse error matrix. Secondly, in order to correct the corrupted test data, the data are projected onto their corresponding underlying subspace, and a projection matrix between the original training data and the class-specific dictionary is learned. Then, the features of the class-specific dictionary and the corrected test data are extracted by using Eigenface method. Finally, the SRC is performed to classify. Extensive experiments conducted on publicly available data sets show that the proposed algorithm performs better than some state-of-the-art methods.     

自适应核协同表示在SAR目标识别中的应用

针对合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别中方位角差距大的训练样本之间存在干扰的问题,对传统协同表示字典进行了改进,得到更适应于当前测试样本且能够降低弱相关原子对系统影响的自适应字典,基于此提出了一种自适应原子选择的核函数变换协同表示算法,并在美国DARPA中的运动和静止目标获取与识别计划公开发布的SAR图像数据库上进行了验证实验.实验结果表明,相较于基于全部训练样本字典的核协同表示模型,基于自适应原子选择的核协同表示方法降低了干扰原子的不良影响,提高了对SAR目标识别的可靠性和鲁棒性.     

Atom specific multiple kernel dictionary based Sparse Representation Classifier for medium scale image classification

Kernel based Sparse Representation Classifier (KSRC) can classify images with acceptable performance. In addition, Multiple Kernel Learning based SRC (MKL-SRC) computes the weighted sum of multiple kernels in order to construct a unified kernel while the weight of each kernel is calculated as a fixed value in the training phase. In this paper, an MKL-SRC with non-fixed kernel weights for dictionary atoms is proposed. Kernel weights are embedded as new variables to the main KSRC goal function and the resulted optimization problem is solved to find the sparse coefficients and kernel weights simultaneously. As a result, an atom specific multiple kernel dictionary is computed in the training phase which is used by SRC to classify test images. Also, it is proved that the resulting optimization problem is convex and is solvable via common algorithms. The experimental results demonstrate the effectiveness of the proposed approach.     

Sparse representation for face recognition by discriminative low-rank matrix recovery

This paper proposes a discriminative low-rank representation (DLRR) method for face recognition in which both the training and test samples are corrupted owing to variations in occlusion and disguise. The proposed method extends the sparse representation-based classification algorithm by incorporating the low-rank structure of data representation. The DLRR algorithm recovers a clean dictionary with enhanced discrimination ability from the corrupted training samples for sparse representation. Simultaneously, it learns a low-rank projection matrix to correct corrupted test samples by projecting them onto their corresponding underlying subspaces. The dictionary elements from different classes are encouraged to be as independent as possible by regularizing the structural incoherence of the original training samples. This leads to a compact representation of a corrected test sample by a linear combination of more dictionary elements from the corrected class. The experimental results on benchmark databases show the effectiveness and robustness of our face recognition technique.     

一种快速低秩的判别子字典学习算法及图像分类

本文提出了一种快速低秩的判别子字典学习算法。在训练阶段,构造一个子字典的低秩约束项和拉普拉斯矩阵正则化项,加入判别字典学习的目标函数中。将原始样本映射到一个新的空间中,使同一类别的相邻点彼此靠近,同时增强子字典对同类样本的重构能力,针对每类样本的判别性特征,学习出相应的学习字典。在测试阶段,利用k NN分类器估计测试样本的类别标签。同时,将算法应用在3种数据集上,与其他的字典学习算法进行比较,取得了较好的分类结果。     

L0-norm sparse representation based on modified genetic algorithm for face recognition

The typical sparse representation for classification (SRC) exploits the training samples to represent the test samples, and classifies the test samples based on the representation results. SRC is essentially an L₀-norm minimization problem which can theoretically yield the sparsest representation and lead to the promising classification performance. We know that it is difficult to directly resolve L₀-norm minimization problem by applying usual optimization method. To effectively address this problem, we propose the L₀-norm based SRC by exploiting a modified genetic algorithm (GA), termed GASRC, in this paper. The basic idea of GASRC is that it modifies the traditional genetic algorithm and then uses the modified GA (MGA) to select a part of the training samples to represent a test sample. Compared with the conventional SRC based on L₁-norm optimization, GASRC can achieve better classification performance. Experiments on several popular real-world databases show the good classification effectiveness of our approach.     

Kernel dictionary learning based discriminant analysis

Sparse representation based classification (SRC) has been successfully applied in many applications. But how to determine appropriate features that can best work with SRC remains an open question. Dictionary learning (DL) has played an import role in the success of sparse representation, while SRC treats the entire training set as a structured dictionary. In addition, as a linear algorithm, SRC cannot handle the data with highly nonlinear distribution. Motivated by these concerns, in this paper, we propose a novel feature learning method (termed kernel dictionary learning based discriminant analysis, KDL-DA). The proposed algorithm aims at learning a projection matrix and a kernel dictionary simultaneously such that in the reduced space the sparse representation of the data can be easily obtained, and the reconstruction residual can be further reduced. Thus, KDL-DA can achieve better performances in the projected space. Extensive experimental results show that our method outperforms many state-of-the-art methods.     

基于小波字典稀疏表示的SAR图像目标识别

针对稀疏表示识别算法在图像域构造冗余字典时过分依赖预处理及原子维数较大的问题,提出基于小波字典的 SAR图像稀疏表示识别算法。首先采用二维离散小波变换将原始图像变换到小波域,建立小波域 SAR图像特征模型,得出小波域低频成分可充分表征目标类别信息的结论。然后取小波域低频成分进行2DPCA特征抽取构造小波字典,最后由改进 OMP 算法稀疏分解系数得到识别结果。SAR MSTAR数据的实验结果表明,在无预处理的情况下识别率高达99％,并且在含噪比10％的情况下识别率仍达96％。     

基于低秩特征脸与协同表示的人脸识别算法

在人脸识别中,人脸图像往往受到表情、光照、遮挡、姿态变化的影响,对此本文提出一种基于低秩特征脸与协同表示的人脸识别算法。该算法先用低秩矩阵恢复算法分解出训练样本图像的误差图像,再分别对训练样本与误差图像提取特征构造特征字典,计算测试样本图像特征字典下的协同表示系数,最后通过重构误差进行分类。通过AR和ORL人脸库进行实验,结果表明,本文提出的人脸识别算法的识别率、识别速率得到有效提高。