核协同表示在人脸识别的遮挡问题中的应用

人脸识别算法是一个特征提取和分类器设计的过程.针对人脸识别中的遮挡问题,提出一种基于核主成分分析(KPCA)和协同表示(CRC)相结合的人脸识别算法.提取特征时,利用KPCA提取人脸图像中利于判决的非线性结构特征,使得样本在保留了最有效判别信息的同时降低了特征维数.设计分类器时,考虑到样本之间的协同性,采用综合考虑样本之间信息的协同表示分类器进行分类识别.实验结果证明,该算法获得了很好的识别效果,效率也得到了提高.     

基于AccelDSP的LBP算法在人脸识别中的应用

针对人脸识别中实时性的要求,采用FPGA硬件方式实现人脸的实时识别,对传统的LBP算法在硬件实现上存在的问题进行了详细分析,并提出了一种符合硬件数据流处理的LBP优化算法。利用AccelDSP综合工具对该优化算法进行硬件设计,并在Dasal公司的Anaconda卡的IPU FPGA上进行实验验证,满足了人脸识别中实时性的要求。实验结果表明优化后的LBP算法不仅人脸识别率得到了提高,而且在硬件上特征值提取速度是软件上的19倍,能够满足实时性的要求,达到每秒处理100幅人脸图像。     

鲁棒主元分析及在故障诊断中的应用

在故障诊断过程中,传统的主元分析(Principal Component Analysis,PCA)算法,假设建模使用的历史数据为正常模式下采集的纯净数据,而在工业现场这一假设难以满足。针对传统PCA算法的这一缺陷,文中提出一种鲁棒PCA算法。该算法利用流形学习的思想,通过构造数据间近邻图的方式,计算各数据点的能量密度函数,并以此为依据去除历史数据中混杂的噪声和故障数据,增强PCA算法的鲁棒性。同时在文中给出了鲁棒PCA算法在故障诊断中的应用步骤,并通过对Tennessee Eastman过程的仿真研究,验证了鲁棒PCA算法在故障诊断中的可行性和有效性。     

基于分块稀疏表示的部分遮挡人脸识别

人脸识别利用已有的人脸数据库对给定的人脸图像进行识别,不同光照、不同姿态、部分遮挡情况下的识别问题是其中的热门研究课题。笔者针对人脸图像中的部分遮挡问题,通过AR人脸库对处理过的人脸图像采用分块稀疏表示的方法,在不同训练样本下进行多次实验。实验结果表明,分块稀疏表示对部分遮挡人脸的识别率有较大提升。     

基于二维PCA算法的三维人脸识别

在二维PCA人脸识别算法的基础上,将PCA算法用于三维人脸识别,采用鼻尖点作为特征点。在CASIA三维人脸数据库中进行测试,达到了约为89.5%的识别率,能够识别出受外界干扰如扭转角度的图片,该算法性能优良。     

基于车辆任务可靠性的协同车辆路径问题

研究一类属于不同公司的配送中心共享车队、仓储等资源为客户协同配送货物的协同车辆路径问题,将之视为"部分客户被一车辆访问"的集合划分问题。考虑车辆容量、车辆行驶最大里程、车辆配送任务的可靠性概率、时间窗等约束条件,建立以车辆配送总费用最小为目标的混合整数规划模型,并设计了求解该问题的遗传算法求解该问题。最后,通过一个算例验证了模型的正确性和合理性。     

基于血流模型和贝叶斯的红外人脸识别

人脸识别是图像处理领域的一个热点。由于红外人脸识别可以避免可见光人脸识别存在的一些固有的缺陷,因此有着广阔的应用前景。本文从统计学角度和生物特征角度提出基于贝叶斯分类和血流模型的红外人脸识别方法,这种方法可以充分利用人脸血流模型的优势,减弱环境因素对红外人脸识别的性能的影响,提取精确的生物学特征,同时根据统计特征,并使用贝叶斯分类器,增加样本之间的类间距,减少样本之间的类内距。该方法首先将人脸温谱图转换为人脸血流图,然后使用PCA算法对人脸血流模型数据进行降维处理,并训练产生内部子空间和外部子空间,最后通过贝叶斯分类算法进行人脸识别。文中按照这个思路做了对比实验,实验结果证明这种方法是行之有效的。     

快速局部协同表示分类器及其在人脸识别中的应用

针对协同表示分类器(CRC)计算时间复杂度较高的问题,利用重构系数的大小与样本标签之间的正相关性,提出了局部快速协同表示器并用于人脸识别。首先使用最小二乘法求解L2范数约束下的线性回归问题;然后对重构系数进行筛选,舍弃对分类不利的负重构系数;最后抛弃原CRC算法中的样本重构环节,转而使用最大相似性准则确定测试样本所属分类。该方法利用样本的局部相似性,使识别率得到了一定的提升。同时该方法无需样本重构,求解复杂度大幅度降低。在AR和CMU PIE数据集上的实验结果表明,所提方法的时间复杂度极大幅度优于CRC,且在各种光照、表情、角度等状态下其识别率均高于现有其他相关算法。     

基于稀疏表示的单幅图像超分辨率重建

针对单幅低分辨率灰度图像,提出一种基于稀疏表示和字典学习的超分辨率重建算法,通过选择合适的过完备字典,图像块可表示为字典元素的稀疏线性组合。对于输入的低分辨率图像,寻求每一图像块的稀疏表示,利用此表示系数产生高分辨率图像输出。为消除Elad方法重建图像中产生的黑色边缘并提高重建图像的质量,文中在稀疏表示方法的基础上利用反向投影法对其进行改进。仿真实验结果表明,本文改进算法不仅实现了上述目的,而且在图像信噪比和算法运行效率上都有所提高,从而达到了算法改进的目的。     

基于加权协同表示的人脸识别方法

为提高协同表示模型的特征表达能力和鲁棒性,解决对正则参数敏感的问题,提出加权协同表示分类器(WCRC)并运用于人脸识别。基于L2范数求解最优化问题,利用训练样本的先验距离信息作为权重,将待识别图像与每类样本的距离信息作为先验信息引入到特征表示函数中,增强距离待识别样本较近的某类样本的重构权重,利用最小二乘法求解表示系数,根据待识别图像与每类训练图像的重构残差大小判断待识别图像的类别。通过实验测试以及与其它算法的对比验证了该方法的有效性。     

基于知识管理的协同办公系统设计与实现

随着网络的普及,信息进入高速增长阶段,知识已成为衡量生产力水平的关键因素。在全球化竞争中,知识管理能力显得尤为重要。本文将协同办公系统与知识管理融合在一起,实现以数据为核心到以信息交流为核心的转变,对提高自动化办公质量,提供合理决策,增强竞争能力都有着重要的意义。     

FFD算法的研究与应用

排课问题是一个有约束的、多目标的组合优化问题,而FFD(First Fit Decreasing)算法是计算机数学组合优化的近似算法。文中针对排课中教室分配问题,引入FFD算法,采用首次适应贪婪思想,先将教室和课程按容量和上课人数从大到小排序,然后依次从前往后选择最先适合教室分配给课程。以国际自动排课问题研究团队(WATT)组织的第二次国际竞赛数据和规则为基准,通过与二部匹配算法、NFD(Next Fit Decreasing)和NF(Next Fit)策略进行比较,FFD算法能在最优安排全部课程的上课教室前提下,对于竞赛给定的惩罚函数,所得惩罚值最小,并且教室利用率最高。     

信息艺术在产品设计中的应用

信息艺术是一个前沿、交叉的学科,从产品设计的视角,将艺术与信息科学交叉是一个新兴的研究领域。本文基于信息技术与产品设计融合的角度,通过对数字化时代产品设计的新方向研究,运用归纳分析的方法,探讨了信息艺术与产品设计的关系,分析了信息艺术与产品设计结合要重点解决的三大关键技术。产品设计师通过把握以计算机技术为代表的信息科技发展方向,关注新技术、新材料,充分运用信息艺术手段是设计出更加人性化、更加满足用户需求的产品的重要途径。     

数据挖掘技术在电子商务中的应用

电子商务网站中一般都有搜索引擎来帮助客户进行查询商品和信息,通过数据挖掘在搜索引擎方面的应用可以提高查准率。     

云计算技术在电力系统中的应用

云计算作为一种新兴的资源交付和使用模式,代表着未来的发展趋势。它将改变现有的应用和数据访问模式,将数据和应用集中部署和管理于企业数据中心,通过高效的交付协议,实现安全、高效、无限扩展、按需提供的应用交付,是一种理想的解决方案。文章简要概述了云计算的含义和特征,探讨了云计算技术在电力系统中的应用,并对云计算技术在电力系统中应用前景进行了思考。     

浅谈计算机技术在档案管理中的应用

互联网的迅速发展使得基于网络的学随着档案管理工作的现代化管理进程,计算机技术在档案管理的应用中发挥着着越来越重要的作用,它促进计算机信息处理与档案信息管理的有机结合,本文讨论了计算机在档案管理中的作用,简单探讨了计算机在档案信息管理可采取的几点措施。     

基于判别低秩矩阵恢复和协同表示的遮挡人脸识别

针对训练样本和测试样本均受到严重的噪声污染的人脸识别问题,传统的子空间学习方法和经典的基于稀疏表示的分类(SRC)方法的识别性能都将急剧下降。另外,基于稀疏表示的方法也存在算法复杂度较高的问题。为了在一定程度上缓解上述问题,提出一种基于判别低秩矩阵恢复和协同表示的遮挡人脸识别方法。首先,低秩矩阵恢复可以有效地从被污损的训练样本中恢复出干净的、具备低秩结构的训练样本,而结构非相关性约束的引入可以有效提高恢复数据的鉴别能力。然后,通过学习原始污损数据与恢复出的低秩数据之间的低秩投影矩阵,将受污损的测试样本投影到相应的低维子空间,以修正污损测试样本。最后,利用协同表示的分类方法(CRC)对修正后的测试样本进行分类,获取最终的识别结果。在Extended Yale B和AR数据库上的实验结果表明,本文方法对遮挡人脸识别具有更好的识别性能。     

基于Gabor特征与加权协同表示的人脸识别算法

针对基于稀疏表示分类方法的训练样本于与类别标签信息提取不足,特别是在训练样本和待测样本都受到噪声污染的情况下将会明显下降及算法复杂度较高的问题,提出以Gabor特征以及加权协同为基础的人脸识别算法;最初需要对人脸图像内所包含的各个尺度以及方向的Gabor特征完成提取,在稀疏表示中引入Gabor特征,将降维后的Gabor特征矩阵作为超完备字典,再用稀疏表示增强加权协同表示得到该字典下的的稀疏表示系数,然后利用增强系数与训练样本的标签矩阵完成对测试样本进行分类识别,从而得到Gabor特征以及加权的协同表示分类方法,在Yale人脸数据库、Extended Yale B和AR人脸数据库上以及在FERET人脸数据库对人脸姿态变化的实验表明新算法具有更好的识别率和较短的计算时间.     

核主元分析及其在人脸识别中的应用

传统的基于数据二阶统计矩的特征脸法(Eigenface)或主元分析法(PCA)是一种有效的数据特征提取方法,是基于原始特征的一种线性变换。但是,当原始数据中存在非线性属性时,用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量,是一种非线性变换,在图像识别中它可以描述多个像素之间的相关性。该文采用KPCA法提取人脸特征,利用线性支持向量机设计分类器,实验结果表明,基于核主元分析方法的识别正确率明显优于基于主元分析法。     

类特定字典学习-局部核协同表示分类的人脸识别法

针对人脸识别中的光照变化和遮挡等固有难题,提出一种核函数和分块相结合的人脸识别方法。对人脸图像分块,利用高斯核映射各子块到更高维空间;结合类特定字典学习得到各子块对应的局部核协同表示的每类重构误差;根据重构误差的倒数以投票完成从人脸局部到全局的识别。在Extend Yale B,AR,CMU PIE人脸库上的实验表明:提出的方法不仅具有较高的识别正确率,同时对光照变化以及遮挡的人脸图像具有较强的鲁棒性。