基于稀疏表示的图嵌入降维算法在人脸识别中的应用研究

随着社会的发展,公共安全对于人们来说显得愈发重要,如何快速准确的识别生物特征则是重中之重。在应用人脸识别时,通常会因为光照以及人脸的遮挡等客观因素,使得在人脸识别时的准确度降低,进而使得人脸的识别率不高。根据人脸识别过程中的技术需要,使用小波变换和数据降维算法对人脸图像降维变换处理,可以有效的提高人脸识别率。首先通过稀疏表示方法及其构图以及基于图嵌入的降维模型的研究;其中稀疏表示主要对其概念、字典构建以及构图进行研究,然后为了验证改进算法的有效性,在ORL库上进行了一系列的Matlab仿真实验,对提出的方法与其它方法进行对比,从而可以证明提出的基于稀疏表示的图嵌入降维算法在人脸识别中具有比较好的应用效果。     

基于Gabor特征的全局加权稀疏表示

针对Gabor特征的稀疏表示分类方法中最小范数l1稀疏求解精度的问题,提出了一种基于Gabor特征的全局稀疏表示的人脸识别算法.首先利用Gabor小波变换处理人脸图像得到Gabor特征,建立超完备字典,然后在全局特征中引入向量总变差模型,并融合Gabor特征和全局特征,最后利用稀疏表示模型对融合后的特征进行优化.通过实验可以得出,这种新型人脸识别算法无论是对于图像的光照还是姿态和表情等多种变化因素都具备较强的鲁棒性.     

基于判别式字典的正则化稀疏表示人脸识别算法

为了克服非约束性(光照、表情变化)条件下会大大降低人脸识别率的缺陷,提出一种基于Fisher判别准则的正则化稀疏表示人脸识别算法.首先将人脸图像经过Gabor滤波器滤波得到Gabor幅值图像,提取其统一化的局部二进制直方图,然后利用Fisher判别准则学习得到新的字典,最后通过正则化的稀疏表示判断测试图像所属类.利用AR数据库的数据进行实验的结果表明,与SRC、FDDL、RSC识别算法相比,本文算法在非约束性条件下具有最佳的识别率.     

一种自商图与压缩感知相结合的人脸识别算法

鉴于SRC人脸识别方法在实际运用中遇到的高维、光照变化问题,该文提出了Q_SRC解决方法,即在基于稀疏表示算法的基础上,利用自商图提取光照不变量,通过主成分析法将图像数据进行降维处理,实现了在实际环境中的人脸识别。实验结果表明,Q_SRC提高了识别率。     

近邻样本协作表示的人脸识别算法

在Gabor特征空间,根据相关系数寻找测试图像的近邻样本,并用这些近邻样本构造完备的冗余字典,从而提出一种基于Gabor特征的近邻样本协作表示的人脸识别算法.在l2范数约束下,利用可变厚度的紧致字典对测试图像进行稀疏表示,根据稀疏系数逐类计算重构图像和测试图像之间的误差,并判断测试图像所属类别.该算法在FERET、ORL和AR数据上进行了无遮挡测试,在AR库上进行了有遮挡测试.实验结果表明,无论有无遮挡,识别速度和识别率都得到了明显改善.     

基于l_p范数和融合字典的人脸识别算法

针对传统人脸识别算法在光照、遮挡和采样不足等情况下识别率低、运行速度慢的问题,提出一种基于l_p范数(0p1)和融合字典的人脸识别算法。首先将训练样本矩阵分解,得到由类中心矩阵和类内变化矩阵组成的融合字典;然后利用l_p范数求解测试样本在融合字典下的稀疏表示。结果表明:该算法不仅鲁棒性强,识别率高,而且运行速度快。在Extended Yale B数据库上,与目前运行速度最快的基于l_p范数(0p1)稀疏编码的人脸识别算法(SRC-p)相比,该算法的单张图像运行速度提高了1.39倍。     

基于稀疏表示的人脸图像压缩方法

基于稀疏表示的人脸图像压缩算法首先对人脸图像进行分块,其次利用K-SVD字典学习算法,训练一个图像的冗余字典,最后用OMP算法对其进行稀疏编码,得到压缩的图像.由于OMP算法复杂度较高,为了降低复杂度,提高算法效率,提出了一种基于稀疏表示理论的新的人脸压缩算法.该算法在稀疏编码阶段,用基于块坐标松弛(Block Coordinate Relation)字典学习算法对人脸图像进行稀疏编码,最后用重构算法对压缩数据进行重构.通过实验仿真,与JPEG压缩方法及OMP算法比较,所提方法在同等压缩比下,重构的图像质量有所提高.     

基于联合稀疏描述的多姿态三维人脸识别

提出一种基于联合稀疏描述的多姿态三维人脸识别算法。该算法基于多幅不同姿态的三维人脸测试样本联合完成身份识别,通过假设多幅测试样本共享同一稀疏类型,联合多视图信息,构建三维空间字典和稀疏描述模型,用于对稀疏描述向量进行联合重建。该方法最显著的特点就是利用所有观测视图的相互关系,避免单独对待每一个观测值时所潜在的错误判别风险,从而提高识别准确率。在国际三维人脸数据库FRGC2.0上的实验证明该算法对多姿态三维人脸的识别性能优于相互子空间算法和稀疏表示识别算法。     

基于压缩感知和图像分块的遮挡人脸识别

针对基于压缩感知的SRC算法对遮挡人脸识别效果不够理想的问题, 提出一种先将图像分块再进行识别的方法。将遮挡分散在尽可能少的分块中以降低遮挡对人脸识别的不利影响, 从而提高识别率。在AR人脸数据库上的实验结果表明, 使用该方法的遮挡人脸识别率可超过80%, 显著高于基本SRC算法40%~50%的识别率。       

基于发育网络的人脸朝向识别研究

针对人脸识别中人脸的朝向、位置以及背景光线不固定的特点,提出了一种基于发育网络的人脸朝向识别新方法.对图像进行处理后发现人眼的特征非常突出,故选择眼睛的位置作为人脸朝向的特征向量,利用发育网络模型对不同背景光线图像中人脸的朝向进行识别.通过和其它方法的测试结果对比,该方法可以有效地解决不同光照条件下人脸朝向识别问题,并具有快速、稳定、高效的特点,且识别率高达100%.     

基于自适应词典学习和稀疏表示的人脸表情识别

提出了一种基于随机块特征和自适应词典学习的人脸表情识别方法。利用Haar like特征和人脸几何结构信息可靠定位眼睛和嘴巴;在眼睛和嘴巴附近抽取随机块,构建特征矢量;将特征矢量进行词典学习,得到表情词典;根据待测表情在表情词典上的稀疏分解对表情进行分类。在JAFFE和Cohn kanade表情库中进行了对比实验,结果表明该方法具有较好的识别性能,对噪声和遮挡具有较好的鲁棒性。     

结合自适应字典学习的稀疏贝叶斯重构

贝叶斯压缩感知是一种基于统计分析的压缩感知算法,具有很好的鲁棒性,能够充分利用信息间的相关性,它的重构依赖于图像的稀疏性表达.针对贝叶斯压缩感知的深层次稀疏化问题,笔者结合自适应字典学习思想,提出一种冗余自适应字典表示的稀疏贝叶斯学习算法.该算法对图像进行局部分块,从待重建图像的迭代中间图像分块中学习字典,并以该字典作为图像的稀疏变换基,通过稀疏贝叶斯学习算法获得稀疏解.实验结果表明,基于自适应字典的贝叶斯学习算法能提高稀疏化,明显改善图像的重构质量.     

基于深度学习编码模型的图像分类方法

针对矢量量化编码的量化误差严重,而稀疏编码只是一种浅层学习模型,容易导致视觉词典对图像特征缺乏选择性的问题,提出了一种基于深度学习特征编码模型的图像分类方法。首先,采用深度学习网络无监督的受限玻尔兹曼机（RBM）代替传统的K-Means聚类及稀疏编码等方法对SIFT特征库进行编码学习,生成视觉词典;其次,对RBM编码添加正则化项分解组合每个特征的稀疏表示,使得生成的视觉单词兼具稀疏性和选择性;然后,利用训练数据的类别标签信息有监督地自上而下对得到的初始视觉词典进行微调,得到图像深度学习表示向量,以此训练SVM分类器并完成图像分类。实验结果表明,本文方法能有效克服传统矢量量化编码及稀疏编码等方法的缺点,有效地提升图像分类性能。     

采用多层卷积稀疏表示的红外与可见光图像融合

为提升光学图像在低照度条件下的可用性,对红外图像与可见光图像进行融合从而结合两者的优势是一种有效的技术手段。稀疏表示理论在红外与可见光图像融合领域已经得到了广泛的应用,然而基于稀疏表示理论的图像融合方法所采用的局部建模方式易于导致语义信息损失和对误匹配的低容忍度两大缺陷。卷积稀疏表示的全局建模能力对克服上述不足具有巨大的优势,本研究借鉴卷积神经网络的结构设计了一种前馈式基于多层卷积稀疏表示的红外与可见光图像融合网络,该网络包含5层:第1、2层为卷积稀疏层,通过预训练的字典滤波器获取源图像的卷积稀疏响应;第3层为融合层,通过活性图评价以获取融合结果;第4、5层为重建层,基于融合结果结合字典滤波器重建融合图像。实验结果表明,所提出的图像融合方法有效抑制了稀疏表示理论应用于图像融合的两大不足,在客观评价指标方面明显优于基于稀疏表示、基于单层卷积稀疏表示和基于卷积神经网络的图像融合算法,在算法的计算复杂度和运行时间方面优于基于稀疏表示和基于卷积神经网络的图像融合算法。     

基于字典学习与稀疏表示的非结构化道路分割方法

针对野外环境自主车视觉导航问题,提出了一种新颖的基于字典学习与稀疏表示的道路分割算法。该算法以局部图像小片为处理单元,通过选取典型道路图像学习得到路面图像小片的一组字典,并利用车辆前方的一小块区域作为监督,通过在线字典学习对字典进行实时更新,使路面图像小片可在该字典上精确稀疏表示,而非路面图像小片则不能。因此建立了基于字典学习与稀疏表示的分类框架,利用局部图像小片在字典上的稀疏重构误差进行分类。大量实验结果表明,该算法能够适应多变的非结构化道路环境,且对光照、阴影及水坑等具有较好的鲁棒性。     

基于局部敏感直方图的稀疏表达跟踪算法

为解决目标跟踪过程中光照变化、姿态变化等问题,提出了一种基于局部敏感直方图特征的稀疏表达跟踪方法。对粒子滤波获取的多个候选目标提取局部敏感直方图特征,并根据模板字典,采用改进的L1范数模型求取每个候选目标的稀疏表示系数;然后计算每个候选目标的权重,选取权重最大的候选目标作为跟踪结果。实验结果表明,本算法能很好实现对目标的跟踪,在解决光照变化、姿态变化等问题方面有较好的效果。     

车辆图像稀疏特征表示及其监控视频应用

针对传统车辆图像特征在复杂场景下响鲁棒性和泛化能力低的问题,提出了车辆图像稀疏特征表示方法,并实现了基于稀疏特征的车辆图像支持向量机线性分类器,构建了基于稀疏特征和背景建模的监控车辆分类识别应用框架。与传统方法相比,该方法将车辆图像表示成字典集的低维稀疏线性组合,提高了特征表示泛化能力,能适应实时性监控视频分析的需求。实验结果表明,基于稀疏特征的车辆识别准确率比传统方法明显提升,并在低分辨率、阴影、遮挡等复杂场景下有较好的鲁棒性。     

基于冗余字典的一种新的数字图像水印算法

基于图像的超完备字典稀疏表示是一种新的图像表示理论,利用字典的冗余性可以有效地得到图像的几何结构特征,从而实现图像的表示.当前稀疏表示的理论研究主要集中在稀疏分解算法和字典构造算法两方面.基于此稀疏特性,本文提出了一种新的基于冗余字典的数字水印方法.此方法利用图像在超完备字典上的自适应稀疏分解,通过在字典域实现数字水印算法.实验结果证实了本文所提方法的有效性.