应用非负矩阵分解和RBPNN模型的掌纹识别方法

提出一种基于非负矩阵分解（NMF）和径向基概率神经网络的掌纹识别方法。NFM是一种有效的图像局部特征提取算法,用于图像分类时能得到较高的识别率。考虑PolyU掌纹图像数据库,应用NMF、局部NMF（LNMF）、稀疏NMF（SNMF）和具有稀疏度约束的NMF（NMFSC）算法分别对掌纹图像进行特征提取,并对提取到的局部特征基图像进行分析对比;在特征提取的基础上,应用径向基概率神经网络（RBPNN）模型对掌纹特征进行分类,分类结果表明了RBPNN模型对掌纹特征具有较好的识别能力。实验对比结果证明了基于RBPNN的NMF掌纹识别方法在掌纹识别中的有效性,具有一定的理论研究意义和实用性。     

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。     

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。     

基于拉普拉斯非负稀疏编码的图像分类

针对复杂背景下的图像分类问题,结合非负稀疏编码和局部保持投影算法,提出一种拉普拉斯正则化非负稀疏编码算法。相比于已有的稀疏编码算法,该算法不仅能更好地模拟哺乳动物初级视觉系统主视皮层V1区简单细胞感受野的行为,同时也可使相似的特征经过编码后仍然相似,从而保证特征度量的一致性。将该算法与空间金字塔匹配模型相结合应用于图像分类,在多个图像数据库上的实验结果表明,该算法具有较高的分类精度。     

非负局部Laplacian稀疏编码和上下文信息的图像分类

目的 稀疏编码是图像特征表示的有效方法,但不足之处是编码不稳定,即相似的特征可能会被编码成不同的码字。且在现有的图像分类方法中,图像特征表示和图像分类是相互独立的过程,提取的图像特征并没有有效保留图像特征之间的语义联系。针对这两个问题,提出非负局部Laplacian稀疏编码和上下文信息的图像分类算法。方法 图像特征表示包含两个阶段,第一阶段利用非负局部的Laplacian稀疏编码方法对局部特征进行编码,并通过最大值融合得到原始的图像表示,从而有效改善编码的不稳定性;第二阶段在所有图像特征表示中随机选择部分图像生成基于上下文信息的联合空间,并通过分类器将图像映射到这些空间中,将映射后的特征表示作为最终的图像表示,使得图像特征之间的上下文信息更多地被保留。结果 在4个公共的图像数据集Corel-10、Scene-15、Caltech-101以及Caltech-256上进行仿真实验,并和目前与稀疏编码相关的算法进行实验对比,分类准确率提高了约3%~18%。结论 本文提出的非负局部Laplacian稀疏编码和上下文信息的图像分类算法,改善了编码的不稳定性并保留了特征之间的相互依赖性。实验结果表明,该算法与现有算法相比的分类效果更好。另外,该方法也适用于图像分割、标注以及检索等计算机视觉领域的应用。     

一种改进的非负稀疏编码图像编码方案

稀疏编码就是对人类等哺乳动物视觉系统主视皮层强大图像编码能力的成功模拟,具有自适应性,且得到的图像基具有空间的局部性、方向性和频域的带通性。在稀疏编码基础上发展而来的非负稀疏编码,克服了特征间的相互抵消现象,编码性能更为优越。而利用经验模态分解技术加入图像结构信息的非负稀疏编码方法,在兼顾非负稀疏编码特性的基础上能更好地体现图像的结构性特征。本文提出了基于图像基的图像压缩方法,把这种改进的非负稀疏编码算法用于图像压缩,在保证较好图像解码质量的情况下,获得了理想的压缩比。     

SENSC: 一个稳定高效的非负稀疏编码算法

非负稀疏编码(Nonnegative sparse coding, NSC)已成功应用在很多领域的研究中. 目前使用的NSC算法通过梯度投影法和基于辅助函数的乘性更新法相结合来实现, 其性能受迭代步长的影响很大, 且效率较低. 为增强NSC的可应用性, 本文通过对一组凸超抛物面函数做交替最小化来实现NSC, 并依据凸超抛物面特性、点到非负数集合的投影规则以及点到原点处单位超球的投影规则构造了一个无用户定义优化参数的稳定高效的NSC算法---SENSC. 从数学角度, 文中推断了SENSC比现有算法高效且它的解优于当前算法的解, 证明了它的稳定性和收敛性. 实验验证了上述理论推断的正确, 说明了SENSC调节编码稀疏性的能力比已有算法更强.     

基于稀疏编码局部时空描述子的动作识别方法

针对已有动作识别算法训练速度慢且识别精度不高等问题,提出了基于稀疏编码局部时空描述子的动作识别方法。该方法首先对深度图像进行法线提取,同时应用基于运动能量的自适应时空金字塔对动作帧分块;然后局部聚集法线,得到显著性局部时空描述子;对局部时空描述子进行稀疏编码得到一组字典向量来重构样本数据;最后利用简化粒子群（sPSO）优化SVM分类器找到最适合样本数据的分类模型。实验在MSRAction3D和MSRGesture3D公开数据集上达到了93.80%和95.83%的识别率,且训练速度较传统方法有明显提升,证明了该方法的有效性和鲁棒性。     

改进的非负稀疏编码神经网络模型及其应用

提出了一种改进的基于NIG（Normal Inverse Gaussian）密度和稳健主成分分析（PCA）的非负稀疏编码（NNSC）神经网络模型,该模型实质上实现了一个二阶段的学习过程。并利用这个模型成功地建模了视觉感知系统V1区的感受野。该NNSC模型具有很强的自适应于自然数据统计特性的能力。另外,利用类似小波收缩法去噪原理,该模型能够有效地去除图像中的高斯加性噪声,对自然图像编码的仿真实验也表明了该模型在生物学上的合理性和可行性。     

基于非负稀疏表示的人脸识别

对稀疏表示在人脸识别中的应用进行了研究,提出了人脸识别的非负稀疏表示方法和采样方法.提出了非负稀疏表示的乘性迭代算法,分析了该方法与非负矩阵分解的联系,设计了基于非负稀疏表示的分类算法.在仿射传播算法的基础上,提出了人脸数据集的采样方法,并在人脸图像集上进行了实验.与稀疏表示相比,非负稀疏表示在计算复杂度和鲁棒性上具有优越性;与随机采样方法相比,该采样方法具有较高的识别精度.     

Face recognition using localized features based on non-negative sparse coding

Neural networks in the visual system may be performing sparse coding of learnt local features that are qualitatively very similar to the receptive fields of simple cells in the primary visual cortex, V1. In conventional sparse coding, the data are described as a combination of elementary features involving both additive and subtractive components. However, the fact that features can ‘cancel each other out’ using subtraction is contrary to the intuitive notion of combining parts to form a whole. Thus, it has recently been argued forcefully for completely non-negative representations. This paper presents Non-Negative Sparse Coding (NNSC) applied to the learning of facial features for face recognition and a comparison is made with the other part-based techniques, Non-negative Matrix Factorization (NMF) and Local-Non-negative Matrix Factorization (LNMF). The NNSC approach has been tested on the Aleix–Robert (AR), the Face Recognition Technology (FERET), the Yale B, and the Cambridge ORL databases, respectively. In doing so, we have compared and evaluated the proposed NNSC face recognition technique under varying expressions, varying illumination, occlusion with sunglasses, occlusion with scarf, and varying pose. Tests were performed with different distance metrics such as the L ₁-metric, L ₂-metric, and Normalized Cross-Correlation (NCC). All these experiments involved a large range of basis dimensions. In general, NNSC was found to be the best approach of the three part-based methods, although it must be observed that the best distance measure was not consistent for the different experiments.     

基于稀疏编码的手背静脉识别算法

为提高静脉特征提取的有效性,提出了基于稀疏编码的手背静脉识别算法。首先,在图像采集过程中,依据实时的质量评价结果对采集系统参数进行自适应调整,获取高质量静脉图像;其次,针对主观选择的特征有效性主要依赖于经验的缺陷,提出了基于稀疏编码的特征学习机制,从而获得客观优质的静脉特征。实验结果表明,基于所提算法获得的静脉特征具有较好的类间区分性与类内紧凑性,令使用该算法的系统具有较高的识别率。     

基于稀疏编码的动态纹理识别

目的 线性动态系统有效地捕捉了动态纹理在时间和空间的转移信息。然而,线性动态系统属于非欧氏空间模型,无法直接应用传统的稀疏编码进行分类识别,为此提出一种基于稀疏编码线性动态系统的求解方法并应用于动态纹理识别。方法 基于约束凸优化公式,将稀疏编码和控制论中相似性变换结合,优化学习模型参数,解决应用稀疏编码进行分类识别的问题,实现有效的动态纹理识别。结果 在公开的动态纹理图像数据库UCLA上进行实验并与其他方法进行比较,实验结果表明,本文方法具有更好的性能,识别率可达97%,且对遮挡具有更好的鲁棒性。结论 本文方法对动态纹理及遮挡情况具有更好的识别率。     

一种融合神经稀疏编码机制的层次目标识别算法

针对基本层次化目标识别计算模型缺乏明确学习概念和有效学习方法的问题,利用神经稀疏编码的学习规则,生成原型向量集合。通过模拟复杂细胞的感受野特性,实现层次化的稀疏编码过程,提出基于神经稀疏编码的层次目标特征提取算法。并利用简化的分类器设计,完成复杂场景下的广义目标识别问题。在Caltech101数据库上进行实验对比,结果表明本文算法相对Serre计算模型在识别正确率上有较大提高,时间复杂度增加并不明显,且更加符合生物视觉机理。     

小波分解与PCA方法的掌纹特征提取方法*

提出了一种新的掌纹特征提取方法,其目的在于在不降低识别率的情况下,提高掌纹特征提取速度。首先将原始掌纹图像进行小波分解,获得低分辨率的掌纹图像;其次通过主成分分析（PCA）方法获得一个低维子空间,即“特征掌”;最后通过将训练、测试样本在该“特征掌”上投影来提取掌纹特征。实验结果表明,所提出方法与单一PCA方法比较,在同样识别率情况下,特征提取速度明显提高。     

基于二维双向FLD的掌纹识别方法

采用二维双向Fisher线性判别分析对掌纹图像进行特征提取,即通过在水平和垂直2 个方向上各执行1 次二维Fisher线性判别分析,能消除掌纹图像行和列的相关性。运用Fisher准则选取更适合于分类的矩阵分量,将特征信息压缩到图像矩阵的左上角,缩小了特征的维数。测试结果表明,该方法具有更高的识别率和更低的计算复杂度。