二维压缩感知多投影矩阵特征融合的SAR目标识别方法

针对合成孔径雷达（synthetic aperture radar,SAR）目标识别问题,提出联合多层次二维压缩感知投影特征的方法。采用二维压缩感知投影作为基础特征提取算法,具有不依赖训练样本、效率高等显著优势。构建多个二维压缩感知投影矩阵提取原始SAR图像的多层次特征。不同投影矩阵获得的特征具有差异性,从不同方面描述SAR图像的灰度分布特性;同时,这些特征源自相同的输入图像,因此也具有一定的内在关联性。采用联合稀疏表示对提取的多个特征矢量进行表征分析,在内在关联性约束下考察不同特征的独立鉴别能力,从而提升每一类特征的稀疏表示精度。最终,根据求解的稀疏表示系数,分别在各个训练类别上对测试样本的多类特征进行重构,获得重构误差。根据最小误差的准则,判定测试样本所属目标类别。通过综合运用多层次二维压缩感知特征提取和联合稀疏表示分类,提高SAR目标识别的整体性能。利用MSTAR数据集中的多类目标SAR图像对方法进行测试验证,结果反映其在标准操作条件（standard operating condition,SOC）和扩展操作条件（extended operating condition,EOC）均可保持可靠的识别性能。     

复杂场景下结合SIFT与核稀疏表示的交通目标分类识别

针对复杂场景下的交通目标分类识别难点,提出一种基于尺度不变特征转换(SIFT)与核稀疏表示的分类识别算法.该算法首先利用SIFT分别提取训练样本和待测目标局部特征信息,通过核方法将特征样本映射到核空间,构建过完备字典,最后通过待测目标在字典中的稀疏度与重构误差对交通目标类别进行判定.同时,分析了随机投影下的核稀疏表示分类与特征维数之间的关系.实验结果表明,与SVM、稀疏表示分类(SRC)相比,该方法增强了交通目标特征层的类判别能力,具有较好的识别率和鲁棒性.     

基于Gabor低秩恢复稀疏表示分类的人脸图像识别方法

针对含光照、表情、姿态、遮挡等误差或被噪声污染的人脸图像的识别问题,本文提出一种基于Gabor低秩恢复稀疏表示分类的人脸图像识别方法。该方法首先用低秩矩阵恢复算法求得训练样本图像对应的误差图像;然后,对每一个训练样本图像及其对应的误差图像进行Gabor变换,得到相应的Gabor特征向量,并将这些Gabor特征向量组成一个Gabor特征字典;进而,计算测试样本图像Gabor特征向量在该Gabor特征字典下的稀疏表示系数,并用该稀疏表示系数和Gabor特征字典,对测试样本图像的Gabor特征向量进行类关联重构,同时计算相应的类关联重构误差。最后,根据测试样本图像Gabor特征向量的类关联重构误差,实现对测试样本图像的分类识别。在CMU PIE、Extend-ed Yale B和AR数据库上的实验结果表明,本文提出的人脸图像识别方法具有较高的识别率和较强的抗干扰能力。     

基于自学习稀疏表示的动态手势识别方法

针对加速度传感器的手势采集方式提出一种基于自学习稀疏表示的动态手势识别方法。该方法将分类识别问题转化为求解待识别样本对于训练样本的稀疏表示问题,直接对原始加速度信号进行操作,省去了特征提取过程,可方便地添加新的手势类别和删除已有的手势类别;利用面向类别的字典学习,来寻求一个较小的并经过优化的超完备字典来计算待识别样本的稀疏表示,从而大大缩减算法的计算复杂度,满足实时性要求。在包含18种手势的3 000多个样本的公开数据集上进行测试,实验结果验证了该方法的有效性。     

基于样本-扩展差分模板的联合双稀疏表示人脸识别

在人脸识别中,每类数据分别位于由字典形成的高维空间中的多个低维线性子空间,考虑到这一结构信息对识别起到一定支持作用,利用块结构稀疏表示进行人脸识别。针对训练图像不能涵盖测试条件下的人脸变化这个问题,提出基于样本-扩展差分模板的联合双稀疏表示识别算法。它通过构造样本-扩展差分模板来表示训练样本与测试样本之间可能存在的差异,这些类内差异信息可被不同的类别所共享,即任何一类人脸图像的类内差异可表示为其他类别类内差异图像的原子稀疏线性组合。这样识别问题被转换为在训练样本空间和扩展差分模板空间寻找测试样本的块稀疏与原子稀疏的联合双稀疏表示。在AR和Extended Yale B数据库上的实验结果表明,在具有光照、表情变化和遮挡的情况下,本文提出的识别算法具有更好的有效性和鲁棒性。     

基于混沌吸引子重构和Low-rank聚类的跳频信号电台分选

辐射源无调制信息的暂态信号能够表征辐射源发射机的无意调制特性,对该暂态信号分析可实现辐射源识别。而跳频电台在开机以及频率转换瞬间,都存在一个无信息传送的暂态调整时间,该暂态调整瞬间,电台发射的信号是无调制信息的非线性、非平稳和非高斯信号。该暂态时间序列可反映跳频电台的器件特性,同时该序列往往呈现复杂的混沌特性。因此,借鉴混沌时间序列分析的思想,同时利用暂态信号的Low-rank特性,该文提出了一种基于暂态信号混沌吸引子重构和Low-rank聚类的跳频信号电台分选算法。实验测试表明:跳频电台的暂态信号时间序列属于混沌时间序列,同时实测多跳频信号的电台分选结果证明了Low-rank聚类算法在跳频电台分选上的可行性。     

基于低秩分解的联合动态稀疏表示多观测样本分类算法

通过互联网易获得同一对象的多个无约束的观测样本,针对如何解决无约束观测样本带来的识别困难及充分利用多观测样本数据信息提高其分类性能问题,提出基于低秩分解的联合动态稀疏表示多观测样本分类算法.该算法首先寻找到一组最佳的图像变换域,使得变换图像可以分解成一个低秩矩阵和一个相关的稀疏误差矩阵;然后对低秩矩阵和稀疏误差矩阵分别进行联合动态稀疏表示,以便充分利用类级的相关性和原子级的差异性,即使多观测样本的稀疏表示向量在类级别上分享相同的稀疏模型,而在原子级上采用不同的稀疏模型;最后利用总的稀疏重建误差进行类别判决.在CMU-PIE人脸数据库、ETH-80物体识别数据库、USPS手写体数字数据库和UMIST人脸数据库上进行对比实验,实验结果表明本方法的优越性.     

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。      

基于同步压缩小波变换的主信号抑制技术

在辐射源个体识别(SEI)技术中,能量较高的主信号往往导致微弱个体特征稳定性降低,进而影响最终的个体识别效果。为了解决该问题并提升辐射源个体识别性能,该文提出基于同步压缩小波变换的主信号抑制技术。首先,利用静态小波变换完成对带噪信号的去噪预处理;然后,利用同步压缩小波变换完成对主信号的检测和抑制,并以均方根误差和皮尔逊相关系数为数值指标,验证算法的有效性;最后,在主信号抑制的基础上,利用分形理论中盒维数完成对信号的特征提取,并利用单核支持向量机验证个体识别性能。实验结果表明,与主信号抑制之前相比,主信号抑制算法下个体识别率提升了10%左右,验证了同步压缩小波变换的主信号抑制算法对辐射源个体识别率提升的有效性。     

基于低秩子空间恢复的联合稀疏表示人脸识别算法

 针对阴影、反光及遮挡等原因破坏图像低秩结构这一问题,提出基于低秩子空间恢复的联合稀疏表示识别算法.首先将每个个体的所有训练样本图像看作矩阵 D ,将矩阵 D 分解为低秩矩阵 A 和稀疏误差矩阵 E ,其中 A 表示某类个体的'干净’人脸,严格遵循子空间结构, E 表示由阴影、反光、遮挡等引起的误差项,这些误差项破坏了人脸图像的低秩结构.然后用低秩矩阵 A 和误差矩阵 E 构造训练字典,将测试样本表示为低秩矩阵 A 和误差矩阵 E 的联合稀疏线性组合,利用这两部分的稀疏逼近计算残差,进行分类判别.实验证明该稀疏表示识别算法有效,识别精度得到了有效提高.     

低秩稀疏和改进SAM的高光谱图像误标签检测

为了解决基于监督学习的高光谱图像分类算法训练样本中存在的噪声标签会降低后续的分类精度的问题, 采用了一种基于低秩稀疏表示和改进光谱角制图(SAM)的高光谱图像误标签检测算法。首先对高光谱图像中信号子空间进行预测, 根据预测到的子空间对原始高光谱图像重构并去噪; 然后通过基于归一化的光谱角制图算法来获取每一类样本间的距离信息, 得到每类样本间的光谱相似度, 并利用密度峰值聚类算法得到每个训练样本的局部密度; 最后采用基于局部密度的决策函数对噪声标签进行检测, 使用支持向量机在两个真实数据集上验证。结果表明, 该算法比先进的层次结构的高光谱图像误标签检测算法提高了1.91%的总体精度。这一结果对高光谱图像分类是有帮助的。     

Semi-supervised radio transmitter classification based on elastic sparsity regularized SVM

Non-collaborative radio transmitter recognition is a significant but challenging issue, since it is hard or costly to obtain labeled training data samples. In order to make effective use of the unlabeled samples which can be obtained much easier, a novel semi-supervised classification method named Elastic Sparsity Regularized Support Vector Machine (ESRSVM) is proposed for radio transmitter classification. ESRSVM first constructs an elastic-net graph over data samples to capture the robust and natural discriminating information and then incorporate the information into the manifold learning framework by an elastic sparsity regularization term. Experimental results on 10 GMSK modulated Automatic Identification System radios and 15 FM walkie-talkie radios show that ESRSVM achieves obviously better performance than KNN and SVM, which use only labeled samples for classification, and also outperforms semi-supervised classifier LapSVM based on manifold regularization.     

原子稀疏结合块结构稀疏的联合表示图像识别算法

针对结构稀疏表示识别算法中稀疏准则的选择以及字典内块的划分两个重要问题,提出两种改进的结构稀疏表示识别算法。首先,针对结构稀疏准则会出现较多系数不为零的情况,提出将结构稀疏准则与原子稀疏准则相结合的思路,包括并行和串行两种结合方式。并行结合是将两者以加权求和的方式同时作为稀疏表示的判别准则进行分类,串行结合则是在结构稀疏表示后,通过重组字典,再对测试样本进行原子稀疏表示实现分类。然后,针对字典中类内样本的块划分问题,提出基于MLP的结构稀疏表示识别算法,先将类内样本经过MLP的划分,保证各个分块分别位于低维的线性子空间中,再进行结构稀疏表示的分类。实验结果证明两种改进的结构稀疏表示识别算法的有效性。      

基于卡尔曼滤波算法船舶AIS轨迹估计研究

AIS是集船舶导航、避碰、海事监管于一体的现代化无线电系统,在水上交通运输领域里发挥着重要作用。为了弥补AIS数据堵塞等原因导致更新数据不及时,造成船舶轨迹的不准确或者误差较大的问题,提出利用对卡尔曼滤波算法进行适当的修改,引入系统噪声和测量噪声,利用AIS船舶观测节点数据对系统状态做最小二乘法估计,对船舶运动轨迹进行平滑和预测,并对不同时间段可靠性误差进行分析,能够比较正确地估计出船舶轨迹。     

一种基于局部排序的约束稀疏编码的图像分类方法

图像分类作为计算机视觉分析领域一个重要的研究方向,其分类性能很大程度上取决于图像的特征表示.为了能够更好地进行图像分类,本文提出了一种基于局部约束稀疏编码的神经气算法（Neural Gas based Locality-constrained Sparse Coding,NGLSC）用来实现图像分类.引入局部排序适配器作为距离正则化约束项已经应用在神经气（Neural Gas,NG）的算法矢量量化中,旨在通过软竞争学习算法来弥补K均值聚类（K-means）算法的不足.在稀疏编码阶段此算法可求解得到封闭解.此外,字典更新一般由目标函数的误差项来决定,已有一些经典的算法采用这种方式更新字典.本文使用ORL数据库和COIL20数据库将所提出算法和现有算法局部约束线性编码（Locality-constrained Linear Coding,LLC）,脸元数据学习方法（Metaface Learning,MFL）进行比较.实验结果证明本文所提出的算法在图像分类上准确率可达95%以上.可以看出,本文为计算机视觉图像分类工作提供了一种有价值的解决思路.     

基于压缩感知的相关干涉仪测向算法

针对相关干涉仪测向系统,提出了一种基于压缩感知的测向算法.该算法将相关干涉仪的测量矢量分解为以测向数据库为基底的含有噪声的稀疏表示,采用再加权的l₁范数凸优化算法,迭代更新加权矢量,以逼近最优的l₀范数.所提算法和传统的计算相关系数最大值方法相比,额外利用了辐射源信号在空域上的稀疏性,可以对同频多信号进行测向.采用计算机仿真对所提算法的性能进行了验证.     

基于最大熵准则的多视角SAR目标分类方法

针对合成孔径雷达（Synthetic aperture radar,SAR）目标分类问题,提出基于最大熵准则的多视角方法。采用经典的图像相似度测度构建不同视角SAR图像之间的相关性矩阵,在此基础上分别计算不同视角组合条件下的非线性相关信息熵值。非线性相关信息熵值可分析多个变量之间的统计特性,熵值的大小即可反映不同变量之间的内在关联。根据最大熵的原则选择最优的视角子集,其中SAR图像具有最大的内在相关性。分类过程以联合稀疏表示为基础,对具有最大熵值的多个视角进行联合表示。联合稀疏表示模型同时处理若干稀疏表示问题,在它们具有关联的条件下具有提升重构精度的优势。根据不同视角求解得到的表示系数,按照类别分别计算对于选取多视角的重构误差,并根据误差最小的准则进行最终决策。文中方法可有效对多视角SAR图像样本进行相关性分析,并利用联合稀疏表示利用这种相关性,能够更好提高分类精度。采用MSTAR数据集对方法进行分析测试,通过与几类其他方法在多种测试条件下进行对比,结果显示了最大熵准则在多视角选取中的有效性和文中方法对SAR目标分类性能的优越性。     

基于CSR和能量特征的红外与可见光图像融合

传统稀疏表示(SR)分块处理策略降低了图像连续性,使得特征信息损失严重。因此,提出了基于卷积稀疏表示(CSR)和能量特征的红外与可见光图像融合算法。该算法将非下采样轮廓波变换(NSCT)域低频子带分解成低频基础分量和细节特征分量,使用局部拉普拉斯能量法(LLE)和卷积稀疏表示分别进行融合,获得低频子带融合图像。同时,根据底层视觉特征构建新活性度量方法来融合高频子带,最后对高、低频部分进行NSCT反变换重建。实验结果表明:该算法有效结合了源图像的边缘纹理信息,在主观和客观评价上皆优于现有的大部分算法。     

深度特征联合表征的红外图像目标识别方法

针对红外图像目标识别问题,提出了联合卷积神经网络和联合稀疏表示的方法。卷积神经网络学习红外目标图像的深度特征,描述目标的多层次特性。不同深度特征可实现对目标不同特性的描述,因此具有良好的互补性。综合运用多层次深度特征,可为目标识别提供更为充分的信息。分类过程中,采用联合稀疏表示对待识别样本的多层次深度特征矢量进行表征,通过不同特征矢量之间的相关性约束提升整体表示精度。因此,联合稀疏表示在利用各层次深度特征的同时,充分考察了它们之间的内在关联。根据联合稀疏表示的输出结果,按照误差最小的原则判定输入样本的目标类别。实验基于中波红外（ MWIR）目标图像数据集开展,分别在原始测试样本、噪声测试样本以及少量训练样本3类条件下对提出方法进行了测试,并与4类现有红外目标识别方法进行了对比分析。实验结果表明,提出方法在设置的3类测试条件下均可以取得优势性能,表明其对于红外图像目标识别问题具有应用潜力。