基于张量分解的子空间频率估计及应用

为了提高短时序列的频率估计精度,提出一种基于张量分解的适用于多通道接收数据的子空间高分辨率的频率估计算法。该方法将接收到的多通道采样信号按照一定的形式构建三维数据结构,利用子空间的移不变性,采用张量的高阶奇异值分解直接对数据进行频率估计。仿真表明在低信噪比的情况下,基于张量分解的频率估计算法性能要优于基于矩阵奇异值分解的频率估计算法,将此算法应用于目标轨迹测量中,可以获得高精度的目标轨迹参数。     

一种快速非负矩阵分解的人脸识别算法

用于人脸识别的非负矩阵分解算法,虽可提高图像识别率,但因其是通过迭代方法同时计算出基矩阵和系数矩阵,故当迭代次数较多时,计算过程耗时长。文中将二维线性判别分析方法与非负矩阵分解方法融合,提出了一种快速的双边二维非负矩阵分解算法。通过在AR、Ｙale人脸数据库上的实验结果显示,较二维双边非负矩阵分解算法,文中算法不仅使得训练时间大幅减少,而且识别率也有所提高。     

融合奇异值分解和线性鉴别分析的人脸识别算法

本文提出了奇异值分解（SVD）和线性鉴别分析（LDA）相结合的人脸识别算法。理论上，当两种数据或分类器具有一定的独立性或互补性时，数据融合或分类器融合才能改善识别率。SVD和LDA之间有着明显的互补之处，LDA在fisher准则下能最大限度地把不同的类别区分开来，但作为一种子空间方法，LDA敏感于位移、旋转等几何变换。而作为一种代数特征提取方法的SVD则具有位移、旋转不变性等优点。因此，将这两种方法相结合就有可能提高分类性能（好于单独的SVD方法和单独的LDA方法）。在ORL数据库上的实验表明，SVD和LDA相融合的识别方法的确提高了人脸识别率。     

基于张量R-Tucker分解的BCI数据分类研究

张量分解作为一种高维数据分析工具能够结合多个模态的信息从而获取具有判别信息的特征,但是在高维空间上进行张量分解存在计算复杂度高的问题。为了解决该问题,研究借助随机奇异值分解速度快的特点,提出基于随机奇异值分解的张量Tucker分解（张量R-Tucker分解）,并将其用于BCICIV2b数据集的特征提取和分类中。实验结果显示：相比张量Tucker分解,张量R-Tucker分解特征提取速度提升22%,并且平均分类准确率达到80.93%,与现有基于矩阵的方法相比提高10.12%。     

融合奇异值分解和主分量分析的人脸识别算法

提出了奇异值分解(SVD)和主分量分析(PCA)相结合的人脸识别算法。理论上,当两种数据或分类器具有一定的独立性或互补性时,数据融合或分类器融合才能改善识别率。SVD和PCA之间有着明显的互补之处。PCA在图像表示上是最佳的(在均方差意义上),但敏感于位移、旋转等几何变换。而SVD则具有位移、旋转不变性。因此,将这两种方法相结合就有可能提高分类性能(好于单独的SVD方法和单独的PCA方法)。在ORL数据库上的实验表明,SVD和PCA相融合的识别方法的确提高了人脸识别率。     

基于分形编码和奇异值分解的混合人脸识别方法

该文提出了一种新的基于分形编码的人脸识别方法。在分形近邻距离的基础上,提出了分形奇异值近邻距离,并把分形编码和局部奇异值分解结合起来,提高了识别率。实验结果表明,与仅仅使用分形近邻距离相比,该算法对光照变化、表情和姿态变化具有更大的容忍度,而且训练时间短,识别率高。     

基于张量Tucker分解的频谱地图构建算法

该文研究使用少量监测样本数据构建动态电磁环境频谱地图。首先,将动态电磁环境的时变频谱地图建模为3维频谱张量,通过张量Tucker分解提取出具有物理意义的核张量和因子矩阵等低维特征。其次,根据频谱张量时域、空域、频域之间的相关性以及监测样本数据的稀疏性,设计一种基于Tucker分解的低秩张量补全模型,将频谱地图构建任务转化为数据缺失的低秩张量补全问题,并提出两种无需先验信息的频谱地图构建算法：高精度频谱地图构建算法和快速频谱地图构建算法。前者采用交替最小二乘法对核张量和因子矩阵交替求解,通过“补全-分解”的迭代过程实现对频谱地图的高精度构建。后者采用序列截断高阶奇异值分解法,对潜在多个低秩近似张量加权平均,该算法具有收敛快速和计算复杂度低的优势,在牺牲少量构建精度的情况下能够快速构建频谱地图。仿真实验结果表明,该文提出的两种算法能够精确构建频谱地图,在构建精度、运行时间消耗和噪声鲁棒性上均优于对比算法。     

基于奇异值分解的基图像的人脸识别

研究了基于奇异值分解的人脸识别问题。首先证明了图像的大量信息主要体现在图像矩阵奇异值分解的前几个最大奇异值所对应的左、右奇异向量中,然后给出了模板图像的基图像,并将图像展开成基图像的线性表示,提取其组合系数作为图像的代数特征并用于人脸识别中。实验表明,较以投影系数向量为代数特征的人脸识别方法,该方法所需的运行时间明显降低,而且与基于奇异值向量作为图像特征的方法相比,该方法的识别精度明显提高。     

基于张量分解的加速欠定盲源分离算法

盲源分离（Blind Source Separation, BSS）可以在源信号和混合模型未知情况下,仅依据源信号的统计特性便可从观测信号中恢复源信号,凭借着该技术优势BSS现已成为信号处理领域的关键技术,在无线通信、生物医学、机械工业等领域得到了广泛的应用。欠定盲源分离技术（观测信号数目小于源信号数目）作为盲源分离中的一个重要分支,更加符合现实应用场景。传统的欠定盲源分离技术利用观测信号的稀疏性进行聚类求解,然而,在复杂的通信环境中,信号的稀疏性极易受到噪声的干扰导致信号稀疏性被破坏,难以在低信噪比情况下实现欠定盲源分离,极大地限制了该类算法的应用范围。为了解决上述问题,本文提出了一种基于张量分解的加速欠定盲源分离算法。该算法首先,以观测信号在不同时延处的三阶累积量作为统计信息构造四阶张量,并利用高阶奇异值分解（High Order SVD, HOSVD）对四阶张量进行压缩以降低张量维度,在充分描述信号特征的同时降低了计算复杂度。随后,将混合矩阵估计问题转为张量分解问题。最后,利用增强平面搜索（Enhanced Plane Search, EPS）算法将搜索空间分解为多个平面,在每个平面上进行搜索,在搜索过程中对搜索空间进行增强以加快交替最小二乘法（Alternating Least Squares, ALS）收敛速度,同时避免了收敛陷入“瓶颈”状态。实验结果表明,该算法在信噪比为25 dB时,估计3×4混合矩阵的相对误差为-22.41 dB,相比于现有的算法估计混合矩阵性能更好,且收敛速度更快。     

一种基于小波分解及鲁棒估计的ICA算法及其在人脸识别中的应用

鲁棒主分量分析(RPCA)模型在选取幅度参数时,忽略了各变量独有的统计特性.为克服RPCA模型的这一不足,本文提出了通用鲁棒主分量分析(GRPCA)模型,采用M估计器(M-Estimator)为每个变量估计符合其自身统计特性的幅度参数,以提高模型的鲁棒性和通用性,并在此基础上提出了一种集成小波分解、鲁棒估计及独立分量分析的WR-ICA人脸识别算法.WR-ICA对人脸识别中的多种外部干扰(残缺人脸图像、化妆及遮挡等)都表现出很好的鲁棒性.理论分析和实验结果证实了WR-ICA的有效性,采用Cos距离作相似性度量时,WR-ICA的平均识别率达到99.44%.     

基于改进的子模式局部保持映射人脸识别方法

虽然子模式局部保持映射算法(Sub-pattern Locality Preserving Projections,SpLPP)对外部因素如光照、表情等变化具有较好的鲁棒性,但是流形的LPP在人脸识别过程中常常碰到奇异值问题,所以提出了一种利用奇异值分解的SpLPP方法,以此解决奇异值问题。该算法的关键点是将样本数据映射到一个非奇异正交矩阵中,然后再根据SpLPP求出新样本空间的低维投影子空间。在标准人脸数据库(ORL、YALE)上进行验证,实验结果表明改进的子模式局部保持映射算法在人脸识别中的有效性。     

基于Gabor的特征提取算法在人脸识别中的应用

针对人脸识别中的特征提取问题,提出一种新的基于Gabor的特征提取算法,利用Gabor小波变换良好的提取区分能力和LDA所具有的判别性优势来进行特征提取。首先利用Gabor小波变换来提取人脸特征。然后对得到的高维特征采用PCA进行初次降维,再利用LDA实现再次降维,得到最终的特征向量。在ORL和YAI正人脸库上的实验验证了该算法的有效性。     

基于局部结构张量的无参考型图像质量评价方法

该文提出一种基于局部结构张量奇异值分解的无参考型图像质量评价方法,由于图像局部结构张量能反映图像几何结构,因此利用张量特征值之间的关系来度量图像噪声与模糊水平,将两个度量结合得到图像质量的综合评价。通过分析仿真图像和实际图像的质量评价结果,该方法能同时度量因噪声和模糊造成失真后的图像质量。与图像质量评价数据库的主观评价结果比较表明,该文方法与主观评价结果相关性强,能很好地反映图像质量的视觉感知效果,并且易于实现。     

一种基于分块个体子空间的人脸识别方法

针对传统PCA算法的局限性,本文提出了一种基于个体子空间和分块特征提取的人脸识别方法。该方法不同于传统的PCA算法,它为每一个体人脸对象建立一个该个体对象所独有的人脸子空间,并且运用分块特征提取,加强了对样本局部特征信息的提取。在识别过程中,将待测人脸图像对不同个体人脸子空间进行投影后,再运用最近距离分类原则进行分类识别。该方法相对于传统的PCA算法能够更好地描述不同个体人脸之间的差异性,克服各类噪声。本文的实验结果表明,该方法的识别率相对于传统PCA特征脸算法具有一定的提高,能够较好地克服光照、表情和姿态变化的影响。     

基于并行算法的快速人脸识别系统设计与实现

为了提高人脸识别实时处理速度,并充分利用当前多核处理器资源,文章实现了一种在Python环境下基于并行算法的快速人脸识别系统。人脸特征与数据库的储存实时交互,利用各子程序安全通信实现同步处理,并行处理实时人脸检测和人脸特征编码提取,同时进行最相似人脸匹配。实验结果表明,程序并行后有着速度快、准确度高、实时性强等优点。为大数据人脸识别处理提供了方法,也有利于实际的使用。     

一种改进的基于峰值信噪比-高阶奇异值分解的天波超视距雷达自适应海杂波抑制算法

天波超视距雷达(OTHR)舰船目标的检测性能受目标区海杂波的影响严重,准确且自适应的海杂波抑制效能对改善低可探测舰船目标的检测性能意义重大。该文针对基于高阶奇异值分解(HOSVD)的海杂波抑制算法非自适应机制的不足,通过引入峰值信噪比(PSNR),提出一种改进的基于PSNR-HOSVD的自适应算法。该算法仅利用第3等效模式展开矩阵的左奇异向量构造一个投影矩阵,相比于HOSVD算法,该文算法可有效降低计算复杂度,同时由于海杂波仅在第3等效模式展开矩阵的列空间中具有聚集特性,因此该文算法具有比HOSVD算法更好的海杂波抑制性能。实测数据处理结果表明,在电离层状态理想和非理想的情况下,该文PSNR-HOSVD自适应算法的性能均优于EVD自适应算法和HOSVD非自适应算法。     

复杂光照条件下的多姿状鲁棒性人脸识别方法

为改善复杂光照条件下的多姿状鲁棒性人脸识别的效果,提出了小波变换与LBP的多姿状鲁棒性人脸识别方法.通过二维离散小波变换对人脸图像进行二级小波分解提取到低频特征信息分量,并以重构初始图像的方式实现降噪滤波处理,滤除低频光照分量后完成复杂光照补偿;继续分解复杂光照补偿后的图像,采用LBP算子对子图像的鲁棒性部分纹理特征进...     

Singular Value Decomposition Projection for solving the small sample size problem in face recognition

Numerous dimensionality reduction methods have achieved impressive performance in face recognition field due to their potential to exploit the intrinsic structure of images and to enhance the computational efficiency. However, the FR methods based on the existing dimensionality reduction often suffer from small sample size (SSS) problems, where the sample dimensionality is larger than the number of training samples per subject. In recent years, Sparse Representation based Classification (SRC) has been demonstrated to be a powerful framework for robust FR. In this paper, a novel unsupervised dimensionality reduction algorithm, called Singular Value Decomposition Projection (SVDP), is proposed to better fit SRC for handling the SSS problems in FR. In SVDP, a weighted linear transformation matrix is derived from the original data matrix via Singular Value Decomposition. The projection obtained in this way is row-orthonormal and it has some good properties. It makes the solution be robust to small perturbations contained in the data and has better ability to represent various signals. Thus, SVDP could better preserve the discriminant information of the data. Based on SVDP, a novel face recognition method SVDP-SRC is designed to enable SRC to achieve better performance via low-dimensional representation of faces. The experiments carried out with some simulated data show that SVDP achieves higher recovery accuracy than several other dimensionality reduction methods. Moreover, the results obtained on three standard face databases demonstrate that SVDP-SRC is quite effective to handle the SSS problems in terms of recognition accuracy.     

Color image canonical correlation analysis for face feature extraction and recognition

Canonical correlation analysis (CCA) is a powerful statistical analysis technique, which can extract canonical correlated features from two data sets. However, it cannot be directly used for color images that are usually represented by three data sets, i.e., red, green and blue components. Current multi-set CCA (mCCA) methods, on the other hand, can only provide the iterative solutions, not the analytical solutions, when processing multiple data sets. In this paper, we develop the CCA technique and propose a color image CCA (CICCA) approach, which can extract canonical correlated features from three color components and provide the analytical solution. We show the mathematical model of CICCA, prove that CICCA can be cast as solving three eigen-equations, and present the realization algorithm of CICCA. Experimental results on the AR and FRGC-2 public color face image databases demonstrate that CICCA outperforms several representative color face recognition methods.