基于局部敏感核稀疏表示的视频跟踪

为了解决l1范数约束下的稀疏表示判别信息不足的问题,该文提出基于局部敏感核稀疏表示的视频目标跟踪算法。为了提高目标的线性可分性,首先将候选目标的SIFT特征通过高斯核函数映射到高维核空间,然后在高维核空间中求解局部敏感约束下的核稀疏表示,将核稀疏表示经过多尺度最大值池化得到候选目标的表示,最后将候选目标的表示代入在线的SVMs,选择分类器得分最大的候选目标作为目标的跟踪位置。实验结果表明,由于利用了核稀疏表示下数据的局部性信息,使得算法的鲁棒性得到一定程度的提高。     

一种局部敏感的核稀疏表示分类算法

为了克服核稀疏表示分类(KSRC)算法无法获取数据的局部性信息从而导致获取的稀疏表示系数判别性受到限制的不足,提出一种局部敏感的KSRC(LS-KSRC)算法用于人脸识别。通过在核特征空间中同时集成稀疏性和数据局部性信息,从而获取具有良好判别性的用于分类的稀疏表示系数。在标准的ORL人脸数据库和Extended Yale B人脸数据库的试验结果表明,本文方法的分类性能优于传统的(KSRC)算法、稀疏表示分类(SRC)算法、局部线性约束编码(LLC)、支持向量机(SVM)、最近邻法(NN)以及最近邻子空间法(NS),用于人脸识别能够取得优越的分类性能。     

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.     

基于稀疏约束非负矩阵分解的人脸特征提取算法

非负矩阵分解(NMF)是最近流行的一种提取数据局部特征的算法,虽该算法已成功用于多种领域,但其并不能总是最好地表示局部特征。针对上述问题,文中在非负矩阵分解的同时加入稀疏的限制,并通过限制稀疏度从而提高局部特征的提取效果。通过在人脸图片上的实验可明显看出,加入稀疏限制的非负矩阵分解能更清楚地提取出所需的局部特征,以便于后续针对特征进行的各种工作。     

基于Gabor特征的稀疏表示纹理分割研究

稀疏表示和字典学习在图像去噪、图像重建和模式识别等应用上取得了良好的效果,其利用稀疏系数和重构误差来作为模式分类的判别准则。稀疏表示纹理分割方法是将图像分割问题转换为像素点的分类问题。但通常稀疏表示分类方法是基于图像块特征,难以准确表征图像纹理信息。为了解决上述问题,提出基于Gabor特征的稀疏表示纹理分割方法。因为Gabor特征对图像纹理信息的鲁棒性,算法首先从每类纹理中选择一些像素点作为训练样本,计算其不同尺度和方向下的Gabor特征,将其作为初始化字典,通过判别性的字典学习算法(D-KSVD)更新字典,该字典学习算法在KSVD基础上使得字典更具有类别判别能力,最后以待分割图像的每个像素点作为测试样本,计算其Gabor特征。利用OMP算法得到测试样本在字典下的稀疏系数,根据稀疏系数得到类标签,进而对像素点进行分类,完成分割。通过在Brodatz纹理库上的实验结果表明,该方法有效提高了稀疏表示算法对纹理图像分割的正确率。     

稀疏先验引导CNN学习的SAR图像目标识别方法

深度学习技术的应用给SAR图像目标识别带来了大幅度的性能提升,但其对实际应用中车辆目标局部部件的变化适应能力仍有待加强。利用数据内在先验知识,在高维语义特征中学习其内在的低维子空间结构,可以提升分类模型在车辆目标变体条件下的泛化性能。本文基于目标特征的稀疏性,提出了一种稀疏先验引导卷积神经网络（Convolution Neural Network,CNN）学习的SAR目标识别方法（CNN-TDDL）。首先,该方法利用CNN提取SAR图像目标的高维语义特征。其次,通过稀疏先验引导模块,利用特征稀疏性,对目标特征内在的低维子空间结构进行学习。分类任务驱动的字典学习层（Task-Driven Dictionary Learning,TDDL）将目标特征的低维子空间以稀疏编码的形式表示,再利用非负弹性正则网增强了稀疏编码的稳定性,使稀疏编码不仅有效地表征目标的低维子空间结构,并且能够提取更具判别性的类别特征。基于运动和静止目标获取与识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集以及仿真和实测配对和标记实验 （Synthetic and Measured Paired and Labeled Experiment,SAMPLE） 数据集的实验表明,相比于传统字典学习方法和典型深度学习方法,CNN-TDDL在MSTAR标准操作条件（Standard Operating Conditions, SOC）下识别精度提升0.85%~5.28%,型号识别精度提升3.97%以上,表现出更好的泛化性能。特征可视化分析表明稀疏先验引导模块显著提升了异类目标特征表示的可分性。      

局部加权稀疏表示的文本分类算法研究

基于稀疏表示方法的文本分类强调使用训练样本特征的全局结构对测试样本进行稀疏表示,而对文本特征的局部邻域结构和文档之间相似性缺乏考虑,导致文本分类准确率低和高耗时。为了解决上述问题,本研究以最近邻和最近特征子空间为基础,并建立局部邻域结构和距离加权机制,提出一种局部加权稀疏表示的文本分类算法,使文本语义信息表达更丰富、稀疏表示更具判别力。实验结果表明本文算法准确率高于基线算法2.4%～5%,运行速度提高1.35～2.8倍。     

基于局部线性嵌入稀疏表示的人群行为检测

针对人群行为检测中行为特征维数高,数据量大以及特征局部流形结构不稳定的问题,本文提出了一种新的人群行为检测方法。该方法首先利用改进变分光流算法初步提取人群运动特征,对视频序列中各帧图像分块获取低维行为特征,然后利用局部线性嵌入稀疏表示对其进行分类。基于局部线性嵌入(Locally linear embedding,LLE)的正则项能够有效的保留测试样本的局部流形结构,提高样本的判别能力。实验结果表明本文的算法能够有效地提高人群行为检测效率。     

一种基于超完备字典学习的图像去噪方法

 基于超完备字典的图像稀疏表示因其具有稀疏性、特征保持性、可分性等特点而被广泛应用于图像处理.本文提出一种超完备字典学习算法并应用于图像去噪.将字典学习等价于一个二次规划问题,并提出适合于大规模运算的投影梯度算法.学习所得字典能有效描述图像特征.基于此超完备学习字典,获得图像的稀疏表示,并恢复原始图像.实验结果表明,与小波类去噪方法相比,本文的学习算法能更好地去除图像噪声,保留图像细节信息,获得更高的PSNR值.     

基于多核融合与局部约束的协同表示目标跟踪

针对局部约束线性编码和协同表示编码的判别信 息不足问题,本文提出一种基于多核融合与局部 约束的协同表示目标跟踪算法。首先为了获得更好的分类性能,采用局部约束线性编码方法 ,将样本数据 的局部结构引入到协同表示方法中;然后利用核函数将该协同表示扩展到多特征融合的核空 间,使得字典 和稀疏表示系数对目标特征的类判别能力得到增强;最后视目标跟踪为二分类问题,在粒子 滤波框架下将 分类器得分最高的候选目标作为跟踪目标。实验结果表明,本文算法在发生目标运动模糊、 尺度变化与快 速运动以及遮挡、光照变化时具有准确且鲁棒的目标跟踪效果。     

核稀疏保持投影及生物特征识别应用

稀疏表示系数包含较强的鉴别信息,稀疏保持投影(Sparsity Preserving Projections,SPP)利用稀疏表示系数进行特征提取.本文通过核方法获取高维特征空间的核稀疏表示系数,并利用核稀疏表示系数构造邻接矩阵,提出核稀疏保持投影(Kernel Sparsity Preserving Projections,KSPP).核稀疏表示系数比稀疏表示系数包含更强的鉴别信息,因此KSPP可以比SPP提取更有效的鉴别特征.在多个数据库上的生物特征识别实验,KSPP都取得了不错的实验结果.     

基于信号暂态稀疏表示的AIS辐射源个体识别方法

针对民用船舶自动报告系统通信辐射源个体识别问题,该文提出一种基于信号暂态稀疏表示的个体识别方法。该算法求解一个充分利用信号暂态样本类别信息且可保持样本稀疏表示结构的投影变换,来提取低维个体特征矢量。该算法通过最大化类间特征的重构误差和最小化类内特征的重构误差来构造目标函数求解投影变换,并在低维辨别子空间以最小稀疏表示重构误差准则来判定测试样本类别属性。对实际数据处理结果表明该文提出的新算法可有效识别不同辐射源个体;对辐射源暂态信号建模仿真结果,验证了该文算法的正确性和有效性,且平均正确识别率优于现有算法。      

基于稀疏优化的图像压缩感知重建算法

在信号的稀疏表示方法中,传统的基于变换基的稀疏逼近不能自适应性地提取图像的纹理特征,而基于过完备字典的稀疏逼近算法复杂度过高.针对该问题,文章提出了一种基于小波变换稀疏字典优化的图像稀疏表示方法.该算法在图像小波变换的基础上构建图像过完备字典,利用同一场景图像的小波变换在纹理上具有内部和外部相似的属性,对过完备字典进行灰色关联度的分类,有效提高了图像表示的稀疏性.将该新算法应用于图像信号进行稀疏表示,以及基于压缩感知理论的图像采样和重建实验,结果表明新算法总体上提升了重建图像的峰值信噪比与结构相似度,并能有效缩短图像重建时间.     

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。      

A video semantic detection method based on locality-sensitive discriminant sparse representation and weighted KNN

Video semantic detection has been one research hotspot in the field of human-computer interaction. In video features-oriented sparse representation, the features from the same category video could not achieve similar coding results. To address this, the Locality-Sensitive Discriminant Sparse Representation (LSDSR) is developed, in order that the video samples belonging to the same video category are encoded as similar sparse codes which make them have better category discrimination. In the LSDSR, a discriminative loss function based on sparse coefficients is imposed on the locality-sensitive sparse representation, which makes the optimized dictionary for sparse representation be discriminative. The LSDSR for video features enhances the power of semantic discrimination to optimize the dictionary and build the better discriminant sparse model. More so, to further improve the accuracy of video semantic detection after sparse representation, a weighted K-Nearest Neighbor (KNN) classification method with the loss function that integrates reconstruction error and discrimination for the sparse representation is adopted to detect video semantic concepts. The proposed methods are evaluated on the related video databases in comparison with existing sparse representation methods. The experimental results show that the proposed methods significantly enhance the power of discrimination of video features, and consequently improve the accuracy of video semantic concept detection.     

基于核Fisher判别字典学习的稀疏表示分类

在基于稀疏表示分类的模式识别中,字典学习(DL) 可以为稀疏表示获得更为精简的数据表示。最近的基于Fisher判别的字典学习(FDDL)可以学 习到更加判别的稀疏字典,使得稀疏表示分类具有很强的识别性能。核空间变换可以学习到 非线性结构信息,这对判别分类非常有用。为了充分利用 核空间特性以学习更加判别的稀疏字典来提升最终的识别性能,在FDDL的基础上,提出了两 种核化的稀疏表示DL方法。首先原始训练数据被投影到高维核空间,进行基于Fisher 判别的核稀 疏表示DLFDKDL;其次在稀疏系数上附加核Fisher约束,进行基于核Fisher判别的核稀疏表 示DL(KFDKDL),使得所学习的字典具有更强的判别能力。在多个公开的图像数据库上的稀疏 表示分类实验结果验证了所提出的FDKDL和KFDKDL方法的有效性。     

多观测样本联合信息加权稀疏表示分类算法

多观测样本分类问题中,同一对象的多观测样本均看作一个整体进行识别,其同等看待各个观测样本。考虑到其每个观测样本包含判别信息量不同,针对如何有效利用其可信度问题,提出基于观测样本联合加权稀疏表示多观测样本分类算法。首先将多多观测样本分解成单样本,分别对各个样本进行稀疏求解得到其各自的稀疏度和残差,进而联合二者确定其相应可信度。然后给各观测样本进行可信度加权,重构出加权多观测样本。最后,再采用整体稀疏表示对其进行分类。在ETH-80物体数据库、CMU-PIE人脸数据库和BANCA数据库上进行大量对比实验,实验结果证明该算法的有效性,提高识别精度的同时使算法的鲁棒性得到保证。      

基于稀疏表达的图像去噪方法研究

提出一种基于混合字典的图像稀疏分解去噪方法。使用小波包函数和离散余弦函数构成混合字典,采用匹配追踪算法对图像进行稀疏分解,提取含噪图像中的稀疏成分,最后利用稀疏成分进行图像重构,达到去除图像中噪声的目的。实验中与单一字典稀疏分解去噪算法进行了对比,结果表明,所提出的混合字典稀疏去噪算法可有效提取图像中的稀疏结构,改善重构图像的主客观质量。