基于高阶奇异值分解的驾驶疲劳识别

提出一种基于人脸运动特征和高阶奇异值分解的驾驶疲劳识别方法。利用光流技术计算人脸皮层的运动速度,以此作为疲劳特征。为消除身份、光照和姿态等因素对疲劳识别的影响,利用高阶奇异值分解将疲劳特征与身份信息、光照信息、姿态信息分离。在疲劳子空间采用余弦距离最近邻方法进行疲劳识别。对不同光照条件下、不同人、不同姿态的疲劳状态进行识别实验,实验结果表明,该方法具有较好的识别效果。     

基于高阶奇异值分解和均方差迭代的图像去噪

目的 图像去噪是图像处理的难题,其难点是在尽量滤除噪声的同时对图像信息进行保持。针对该难点,本文提出了一种将非局部相似性和高阶奇异值分解(HOSVD)相融合,并利用均方差(MSE)迭代对图像进行去噪的iHOSVD算法。方法 首先利用非局部相似块聚类和高阶奇异值分解构建数据自适应的3维变换基及其变换系数;其次,对变换系数进行阈值处理后进行3维反变换,从而达到非局部协同滤波的目的;最后,由于一次去噪操作无法达到理想的去噪效果,采用一种基于均方差最优的迭代方法对图像进行去噪,并证明该迭代是一个权衡偏差和方差使得均方差达到最优的过程。结果 实验结果表明,iHOSVD算法既能够有效地去除噪声,又能够很好地保持纹理细节信息。结论 本文所提的图像去噪iHOSVD算法结合了非局部协同滤波与数据自适应去噪的思想,通过对3种高水平去噪算法BM3D、NCSR和PLOW的比较实验发现,不仅表现了较强的图像去噪能力,而且在图像纹理细节保持方面效果最好,适用于纹理信息较强的图像。     

基于表情分解-扭曲变形的人工表情合成算法

为了能快速有效地生成任意强度的人脸表情图像，提出了一种鲁棒的可以生成带任意强度表情图像的人工表情合成算法，该算法首先通过施加高阶奇异值分解（HOSVD）来把训练集分解为个人、表情和特征3个子空间，并把它们映射到表情子空间中，用来合成任意人脸正面照片的任意强度、任意表情的图像；在生成图像时，不采用通常所使用的线性组合基图像生成法，而是对源图像进行扭曲变形，这不仅能使训练数据和计算量大为减少，还可以生成任意尺寸、任意背景、任意光照、任意色彩或任意姿势的表情图像，且通过二次插值，还可以得到任意强度的表情图像。实验证明，该算法效率较高，且生成的图像效果很好。     

Augmented TP model transformation‐based parallel distributed compensation control design

The usual sampled hyper grid points of uniform sampling method are distributed equally in the TP model transformation, thus, the sampling results often omit the local extrema when the sampling step is not fine‐tuned. Then the resultant tensor which is used for controller design can not fully cover the state space, although the gain which is the feasible solution of the linear matrix inequalities. In this paper, we proposed a non‐uniform sampling method for tensor product model transformation, local extrema are considered in the sampling step, while the sampling step can vary dynamically for different function entries. In this paper, TP model transformation‐based parallel distributed compensation (PDC) controller is extended in three folds: (i) The existing TP model transformation‐based PDC controller with uniform sampling method is extended to TP model transformation‐based PDC tracking controller with the uniform sampling method and an extended signal. (ii) A new TP model transformation‐based PDC tracking controller is proposed based on a new sampling method, that is, the Hammersley sampling method. (iii) TP model transformation‐based PDC tracking controller is also proposed based on the non‐uniform sampling method. The proposed adaptive TP model transformation‐based PDC tracking controller is able to enhance the performance of the TP model transformation‐based PDC controller, and the adaptive TP model transformation‐based PDC controller obtains the best results due to the nearly exact sampling of the system.     

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。     

一种快速张量分解算法及其在人脸识别中的应用

基于张量代数的人脸识别技术对姿态、光照和表情的变化具有很好的鲁棒性.本文在高阶奇异值分解的基础上,提出了一种基于特征空间的快速张量分解算法.首先使用传统的子空间学习方法对观测图像进行降维,然后在低维的特征空间对训练数据进行张量分解.通过在Weizmann人脸数据库上进行人脸识别实验,验证了本文方法的有效性.     

基于快速三维主成分分析的肺CT图像检测

为解决基于二维图像处理的计算机辅助诊疗系统(CAD)仅考虑每幅图像自身包含的信息而忽略不同扫描层之间的联系,以及数据处理过程中的海量计算问题,提出一种新的基于快速三维主成分分析(3D PCA)的有效肺CT病灶检测算法。该算法首先引入高维张量奇异值分解(HOSVD)设计3D PCA;然后以提取出的三维空间特征点为种子点,进行区域增长以获取完整的疑似病灶区域;最后,根据医学图像具体特征,设计了一种HOSVD的简化分解算法。对来自吉林省肿瘤医院的10个典型病例的五百余幅临床CT图像进行了实验,并将实验结果与当前同类算法做了比较。结果表明,检测精确度提高了约10%~21%;另外,快速算法与原算法比较,计算复杂度可降低约1/3。由于快速3D PCA可以挖掘更多存在于不同连续扫描层间的有用信息,更精准提取病灶特征,在一定程度上提高了检测率。     

Applying HOSVD to Alleviate the Sparsity Problem in Context-aware Recommender Systems

It is quite a great challenge for Context- aware recommender systems （CARS） to generate accurate recommendations with only a few available none-zero con= textual user preferences. This paper presents a new ap- proach to alleviate this high sparslty problem by applying the Higher order singular value decomposition （HOSVD） technique. Firstly, it constructs an N-order tensor to rep- resent multidimensional contextual user preferences and decompose it into （N- 2） 3-order tensors according to different types of context （such as time, location and ac- tivity）. Secondly, it introduces HOSVD to automatically discover the latent associations among these different 3- dimensional objects and predicts unknown unidimensional contextual user preferences. Finally, it calculates every contextual influence coefficient that each type of context factor influences user preferences and then constructs a new N-order tensor using weighted linearization method in order to provide recommendations. Experimental eval- uation on a simulated personalized mobile services envi- ronment demonstrates the efficacy of our approach against the other baseline ones.     

基于高阶奇异值分解的天波雷达海杂波抑制算法

天波超视距雷达的监测范围非常广,实际中经常要求其在短相干积累时间(Coherent Integration Time,CIT)条件下检测舰船目标,然而短CIT导致多普勒分辨率降低,很难从强大海杂波中检测出舰船目标.针对上述问题,提出了基于高阶奇异值分解(Higher-Order Singular Value Decomposition,HOSVD)子空间估计的海杂波抑制算法.利用舰船目标所在距离单元的回波数据建立Hankel张量,然后采用HOSVD求解Hankel张量的海杂波子空间和目标子空间,应用正交投影方法将Hankel张量映射到目标子空间以抑制海杂波.仿真结果表明:该方法与现有子空间类海杂波抑制方法相比,提高了主旁瓣比和信干噪比.     

基于张量表示的直推式多模态视频语义概念检测

提出了一种基于高阶张量表示的视频语义分析与理解框架.在此框架中,视频镜头首先被表示成由视频中所包含的文本、视觉和听觉等多模态数据构成的三阶张量;其次,基于此三阶张量表达及视频的时序关联共生特性设计了一种子空间嵌入降维方法,称为张量镜头;由于直推式学习从已知样本出发能对特定的未知样本进行学习和识别.最后在这个框架中提出了一种基于张量镜头的直推式支持张量机算法,它不仅保持了张量镜头所在的流形空间的本征结构,而且能够将训练集合外数据直接映射到流形子空间,同时充分利用未标记样本改善分类器的学习性能.实验结果表明,该方法能够有效地进行视频镜头的语义概念检测.