自适应学习的多特征元素协同表示分类算法

针对基于传统的稀疏表示分类算法的单特征鉴别性较弱这一不足,提出一种基于自适应学习的多特征元素协同表示分类算法SLMCE_CRC。该算法结合多特征子字典的思想,对样本提出特征元素的双重分解,并分别从特征和元素角度分别进行相应的协同表示,自适应地学习出各个特征的稀疏权重和元素的残差权重,并进行线性加权,从而实现目标的分类。实验结果表明,使用该方法能显著提高识别率,尤其对含有较多特征细节的图像数据,具有一定的实用价值。     

自适应残差加权的多元素协同表示分类算法

提出了一种残差加权的多元素协同表示算法. 该算法针对SRC的单一鉴别性不足,对样本提出样本与字典的多元素分解并分别进行相应的协同表示,自适应地学习出多元素的残差权重并进行线性加权,从而提高分类的性能. 实验表明：自适应残差加权的多元素协同表示分类算法,能够有效提高识别性能.     

基于稀疏表示和决策融合的图像分类方法

利用多个稀疏表示分类器融合的决策信息对图像进行分类,可避免单个特征对图像分类的影响。提出一种自适应调节权重的多稀疏分类器融合图像分类方法。对原始图像分别提取3组不同特征,并训练出各自稀疏表示分类器;根据各个子分类器的准确率,通过迭代计算自适应确定各分类器最终权重;融合各子分类器的输出结果进行最终类别判断。基于Cifar-10图像数据集进行多组实验,结果表明,相对仅提取单特征的图像分类方法,该方法有效提高了图像分类准确率。     

SRC-ODP：面向稀疏表示分类器的正交鉴别投影

稀疏表示分类方法(SRC,Sparse Representation-based Classifier)在模式识别领域展现了巨大的潜力。最近提出的基于稀疏表示分类的鉴别投影(SRC-DP, SRC steered Discriminative Projection)则是建立在SRC分类准则基础上的降维方法,其在投影空间中最大化类间重构误差与类内重构误差的比值。针对SRC-DP中提取的特征之间具有冗余信息,从而影响其鉴别能力的问题,提出SRC-ODP(SRC oriented Orthogonal Discriminative Projection)方法,利用投影矩阵的正交约束取代SRC-DP中的约束条件,其优越性为：①正交投影矩阵具有更高的特征抽取效率,②所抽取的特征具有更强的鉴别能力。在AR数据库和Extended Yale B数据库上的实验表明,本文方法可以使SRC达到更好的分类结果。     

改进的局部稀疏表示分类算法及其在人脸识别中的应用

近年来,稀疏表示分类(Sparse Representation Based Classification,SRC)方法在人脸识别中受到越来越多的关注。原始SRC方法使用所有的训练样本组成字典矩阵,当训练样本比较多时,稀疏系数的求解会变得非常耗时。为了解决这一问题,提出一种新的局部稀疏表示分类(Local SRC,LSRC)方法。该方法针对每个测试样本,根据测试样本和训练样本稀疏系数之间的相似性来选择部分训练样本,由这些训练样本组成字典,然后在这个字典上对测试样本进行稀疏分解。该方法性能相比于原始LSRC方法更稳定。在ORL、Yale和AR人脸库上的实验结果表明,该方法的效果优于SRC和LSRC。     

基于局部表示的分类方法及其人脸识别应用

基于稀疏表示的分类方法SRC与基于协同表示的分类方法 CRC分别通过L1范数和L2范数最小化获得具有稀疏性的线性表示系数,在人脸识别中取得了很好的效果。为了解决这两种方法没有考虑数据局部信息的问题,提出了基于局部表示的分类方法 LRC。LRC使用测试样本局部范围内的训练样本对其进行线性表示,这样获得的局部表示系数在保持稀疏性的同时包含有效的局部信息。另外,通过求解一简单的约束最优化问题,LRC可快速获取局部表示系数。在ORL、YALE以及FERET人脸数据库上的实验结果,表明了LRC的有效性和高效性。     

结合改进LBP和SRC的高光谱图像分类研究

针对传统局部二值模型（local binary pattern,LBP）提取高光谱图像纹理特征信息量庞大的难题,提出一种基于对称旋转不变等价局部二值模型（symmetrical rotation invariant uniform LBP,SRIULBP）的高光谱图像特征提取方法,以缩减特征维度;针对稀疏表示分类（sparse representation classification,SRC）模型中稀疏字典冗余的缺陷,采用近邻思想,提出最近邻稀疏表示（nearest neighbor SRC,NNSRC）分类方法,实现高光谱图像的高效、高准确度分类。数据实验结合表明,SRIULBP能快速提取图像特征,提出的分类方法不仅在分类精度上优于其他稀疏表示分类算法,并且具有更强的时效性与泛化能力。     

基于鉴别稀疏保持嵌入的人脸识别算法

鉴于近年来稀疏表示（Sparse representation,SR）在高维数据例如人脸图像的特征提取与降维领域的快速发展,对原始的稀疏保持投影（Sparsity preserving projection,SPP）算法进行了改进,提出了一种叫做鉴别稀疏保持嵌入（Discriminant sparsity preserving embedding,DSPE）的算法. 通过求解一个最小二乘问题来更新SPP中的稀疏权重并得到一个更能真实反映鉴别信息的鉴别稀疏权重,最后以最优保持这个稀疏权重关系为目标来计算高维数据的低维特征子空间.该算法是一个线性的监督学习算法,通过引入鉴别信息,能够有效地对高维数据进行降维. 在ORL库、Yale库、扩展Yale B库和CMU PIE库上的大量实验结果验证了算法的有效性.     

基于Fisher字典学习稀疏表示的高光谱图像分类

近年基于稀疏表示的分类框架(Sparse Representation based Classification,SRC)在计算机视觉和模式识别领域取得了巨大成功,高光谱图像解译也逐渐引入稀疏表示方法。针对基于SRC的高光谱图像分类算法随机抽取训练样本构成字典较难捕获相似类别的相对差异性信息问题,提出采用Fisher字典学习方法增强相似类训练样本的可区分性。此外,考虑到高光谱图像具有较强空间相关性的特点,设计一种简单有效的投票策略进行类别判决。大量实验表明:基于Fisher字典学习的联合投票分类方法能够较好地改善高光谱分类精度。     

基于自步学习的加权稀疏表示人脸识别方法

近年来基于稀疏表示的分类方法（SRC）成为了一个新的热点问题,在人脸识别领域取得了很大的成功。但基于稀疏表示的方法在重建待测样本时,有可能会利用与待测样本相差较大的训练样本,并且没有考虑到表示系数的局部信息,从而导致分类结果不稳定。提出一种基于自步学习的加权稀疏表示算法SPL-WSRC,在字典中有效剔除与待测样本相差较大的训练样本,并利用加权手段考虑样本间的局部信息,以提高分类精度和稳定性。通过3个典型的人脸数据集中的实验,实验结果表明,所提算法优于原稀疏表示算法SRC,特别是当训练样本足够多时,效果更明显。     

特征加权组稀疏判别投影分析算法

近来, 稀疏表示分类算法已经在模式识别和特征提取领域获得了广泛的关注. 受最近提出的稀疏表示判别投影算法启发, 本文提出了一种新的特征加权组稀疏判别投影算法(Feature weighted group sparse classification steered discriminative projection, FWGSDP). 首先, 提出特征加权组稀疏分类算法(Feature weighted group sparsebased classification, FWGSC)进行稀疏系数编码, 该算法采用带特征加权约束的保局性信息, 能够鲁棒地重构给定的输入数据; 其次, 通过类内重构散度最小、类间重构散度最大为目标计算最优投影判别矩阵, 使得输入数据具有最佳的模式分类效果; 最后, 提出迭代重约束稀疏编码方法并结合特征分解操作进行FWGSDP模型高效求解. 在ExYaleB, PIE和AR三个人脸数据库的实验验证了所提算法在普通数据和带噪数据中的分类效果都优于现存的算法.     

基于随机投影与加权稀疏表示残差的光照鲁棒人脸识别方法

针对人脸识别中的光照变化问题,利用随机投影对传统稀疏表示分类器进行改进,提出一种基于随机投影与加权稀疏表示残差的光照鲁棒人脸识别方法。通过对人脸图像进行光照规范化处理,尽量消除人脸图像上的恶劣光照,取得经光照校正的人脸样本后进行多次随机空间投影,进一步丰富样本的光照不变特征,以减小光照变化对人脸识别带来的影响。在此基础上,对利用单一残差分类的传统稀疏表示分类方法进行改进,样本经过多次随机投影和稀疏表示会产生多个样本特征和重构残差,利用样本特征的能量来确定各个重构残差的融合权值,最终得到一种稳定性和可靠性更强的加权残差。在 Yale B 和 CMU PIE 两个光照变化较大的人脸库上的实验结果表明,改进的方法具有较强的光照鲁棒性。与传统稀疏表示方法相比,本文提出的方法在Yale B人脸库上两组实验的平均识别率分别提高了25.76%和46.39%,在CMU PIE上的平均识别率提高了10%左右。     

Sparse neighbor representation for classification

Recent research of sparse signal representation has aimed at learning discriminative sparse models instead of purely reconstructive ones for classification tasks, such as sparse representation based classification (SRC) which obtains state-of-the-art results in face recognition. In this paper, a new method is proposed in that direction. With the assumption of locally linear embedding, the proposed method achieves the classification goal via sparse neighbor representation, combining the reconstruction property, sparsity and discrimination power. The experiments on several data sets are performed and results show that the proposed method is acceptable for nonlinear data sets. Further, it is argued that the proposed method is well suited for the classification of low dimensional data dimensionally reduced by dimensionality reduction methods, especially the methods obtaining the low dimensional and neighborhood preserving embeddings, and it costs less time.     

基于WSSRC单样本人脸识别及样本扩充方法研究

由于传统的SRC方法的实时性不强、单样本条件下算法性能低等缺点,提出了融合全局和局部特征的加权超级稀疏表示人脸识别方法(WSSRC),同时采用一种三层级联的虚拟样本产生方法获取冗余样本,将生成的多种表情和多种姿态的新样本当成训练样本,运用WSSRC算法进行人脸识别分类。在单样本的情况下,实验证实在ORL人脸库上该方法比传统的SRC方法提高了15.53%的识别率,使用在FERET 人脸库上则提高7.67%。这样的方法与RSRC 、SSRC、DMMA、DCT-based DMMA、I-DMMA相比,一样具备较好的识别性能。     

自适应加权特征字典与联合稀疏相结合的遥感目标检测

随着分辨率的提高,遥感图像空间包含的有用信息越来越丰富,这使得遥感数据的处理变得更加复杂,容易发生维数灾难并影响识别效果。针对这一情况,提出一种自适应加权特征字典与联合稀疏相结合的遥感图像目标检测方法(GJ-SRC)。首先将训练图像和待测图像进行Gabor变换以提取特征图像。然后计算各个特征值在进行稀疏表示时的贡献权重,通过自适应方法构造特征字典,使字典具有更强的判别能力。最后,提取每一类图像的公共特征和单个图像的私有特征构成联合字典,并利用测试图像稀疏表示进行目标检测识别。为了避免Gabor变换产生的维数灾难,在处理过程中采用PCA方法对特征字典进行降维,以降低计算成本。实验表明,与现有的SRC方法和遥感目标检测方法等相比,所提方法具有较好的检测效果。     

自调优自适应遗传算法的WKNN特征选择方法

针对大多已有基于[K]近邻和遗传算法的特征选择方法中没有考虑各个特征的重要度不同,并且容易出现过早收敛,特别是局部最优解问题,提出了一种基于自调优自适应遗传算法的WKNN特征选择方法。该方法使用WKNN算法预测样本的类别,为每个特征分配一个权重来衡量特征的分类能力,然后采用自调优自适应遗传算法,对变异率、种群规模和收敛阈值进行参数调整,在迭代进化过程中搜索最优特征权重向量。为了评价该方法的有效性,与已有7种特征选择方法在5个标准数据集上进行了比较。实验结果表明,该方法是有效的,且具有较高的分类性能。     

利用CNN和PCA约束优化模型实现稀疏表示分类

目的 传统的稀疏表示分类方法运用高维数据提升算法的稀疏分类能力,早已引起了广泛关注,但其忽视了测试样本与训练样本间的信息冗余,导致了不确定性的决策分类问题。为此,本文提出一种基于卷积神经网络和PCA约束优化模型的稀疏表示分类方法（EPCNN-SRC）。方法 首先通过深度卷积神经网络计算,在输出层提取对应的特征图像,用以表征原始样本的鲁棒人脸特征。然后在此特征基础上,构建一个PCA（principal component analysis）约束优化模型来线性表示测试样本,计算对应的PCA系数。最后使用稀疏表示分类算法重构测试样本与每类训练样本的PCA系数来完成分类。结果 本文设计的分类模型与一些典型的稀疏分类方法相比,取得了更好的分类性能,在AR、FERET、FRGC和LFW人脸数据库上的实验结果显示,当每类仅有一个训练样本时,EPCNN-SRC算法的识别率分别达到96.92%、96.15%、86.94%和42.44%,均高于传统的表示分类方法,充分验证了本文算法的有效性。同时,本文方法不仅提升了对测试样本稀疏表示的鲁棒性,而且在保证识别率的基础上,有效降低了算法的时间复杂度,在FERET数据库上的运行时间为4.92 s,均低于一些传统方法的运行时间。结论 基于卷积神经网络和PCA约束优化模型的稀疏表示分类方法,将深度学习特征与PCA方法相结合,不仅具有较好的识别准确度,而且对稀疏分类也具有很好的鲁棒性,尤其在小样本问题上优势显著。     

一种新的拓展稀疏人脸识别算法

近几年来,基于稀疏表示分类是一个备受关注的研究热点。如果每类训练样本较充分,该类方法可以取得比较好的识别效果。当训练样本比较少时,它的分类效果可能就不理想。拓展的稀疏分类算法可以较好的解决这一问题,它在表示测试样本时,引入了训练样本的类内变量矩阵,利用它和训练样本集来表示测试样本,从而提高了人脸识别率。然而,该算法并没有考虑训练样本在表示测试样本中所起的作用,即所有训练样本的权重都等于1。本文采用高斯核距离对训练样本加权,提出用加权的训练样本和类内散度矩阵来共同表示测试样本,即基于加权的拓展识别算法。实验证明所提算法能够取得更好的人脸识别效果。