基于Borda投票加权的子模块稀疏表示鲁棒模式识别算法

利用子模块稀疏表示进行分类时,具有遮挡或强烈光照变化的子模块中各类残差可能很相近,此时正确类别残差可能不是最小,依据稀疏表示分类的残差最小判别准则将导致子模块错误分类,影响最终判别结果.针对此问题,提出基于Borda投票加权的子模块稀疏表示分类算法.首先利用Borda分别对子模块中的每类进行投票,然后利用子模块稀疏度和子模块残差确定该子模块的可信度权重,依据子模块可信度权重将所有子模块中每类票数进行加权求和,进行最终分类判别.实验结果表明,当图像具有遮挡或强烈光照变化时,提出的分类算法具有很好的有效性和鲁棒性.     

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。      

基于局部和全局映射函数的流形降维空间球形覆盖分类算法?

为探索高维数据本质结构和低维表示,并避免一般流形学习中测试数据不能显式降维的不足,提出基于局部和全局映射函数的流形降维空间球形覆盖分类算法。该算法首先抽象融合局部和全局信息映射模型,分别优化局部拉普拉斯矩阵和全局拉普拉斯矩阵,通过对局部和全局拉普拉斯矩阵进行特征值分解,得到训练样本的低维表示。然后借助核映射获取测试样本的低维表示。最后在低维空间建立球形覆盖分类模型,实现目标分类。在MNIST手写体数据集、YaleB和AR人脸数据集上的实验表明文中算法的有效性,证明其在实际应用领域具有一定价值。     

非最小平方误差局部-全局加权融合的稀疏表示遮挡人脸识别

考虑到图像遮挡后部分局部信息属性改变,在利用最小残差判决函数分类时,各类残差可能因较接近而导致分类错误。针对此问题,从分类器判决函数出发,提出基于稀疏系数累积的局部-全局加权融合的稀疏表示遮挡人脸识别算法。该算法主要利用各类稀疏表示系数累积作为判决函数,使用Borda投票机制进行分类。利用系数累积进行全局分类,然后对局部各块分类,考虑到子块作用不同,利用稀疏度和残差两个参数表示其可信度权重,最后将全局和局部融合Borda投票,统计各类投票总数,实现分类。在公用数据库进行实验,结果表明该算法具有较好的有效性和鲁棒性。