基于奇异值分解的Contourlet域三维彩码鲁棒水印算法

移动互联网时代,三维彩码因其技术优势和便捷性成为条码发展的新趋势,但其版权保护问题也随之而来。结合奇异值分解提出了一种基于Contourlet变换域的鲁棒水印算法,首先对载体图像的蓝色分量进行Contourlet变换,然后对其产生的逼近子带进行奇异值分解再嵌入水印。实验结果表明提出的算法有良好的不可见性和鲁棒性,即使在水印嵌入强度微小、几乎不改变宿主图像的同时依然能很好地提取水印,不仅可对三维彩码进行版权保护,而且对常见攻击如JPEG压缩、噪声、滤波、旋转、裁切等具有较强的鲁棒性。     

基于样本扩充和改进2DPCA的单样本人脸识别

针对大多数人脸识别方法在单个训练样本条件下识别性能下降的问题,提出了结合多种样本扩充方法和改进二维主成分分析(2DPCA)的人脸识别算法。通过分析各种样本扩充方法的优缺点,用多种样本扩充方法来生成虚拟样本,以充分利用单一样本所提供的信息。采用改进的2DPCA方法对生成的虚拟样本进行特征提取,对训练样本进行分块,并用类内平均值规范后的分块来构造总体散布矩阵。在ORL和Yale人脸库上的实验表明,所提出的方法在识别性能方面优于普通的2DPCA方法,优于单一的样本扩充方法。     

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.