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。     

一种基于稀疏编码的多核学习图像分类方法

 本文提出一种基于稀疏编码的多核学习图像分类方法.传统稀疏编码方法对图像进行分类时,损失了空间信息,本文采用对图像进行空间金字塔多划分方式为特征加入空间信息限制.在利用非线性SVM方法进行图像分类时,空间金字塔的各层分别形成一个核矩阵,本文使用多核学习方法求解各个核矩阵的权重,通过核矩阵的线性组合来获取能够对整个分类集区分能力最强的核矩阵.实验结果表明了本文所提出图像分类方法的有效性和鲁棒性.对Scene Categories场景数据集可以达到83.10%的分类准确率,这是当前该数据集上能达到的最高分类准确率.     

基于稀疏约束的SAR目标特征提取方法研究

特征提取是合成孔径雷达目标识别关键技术与核心任务。为了更好地提取目标特征,稀疏约束将被添加在非负矩阵分解法中,并应用于图像目标特征提取,通过利用稀疏约束的非负矩阵分解方法对sAR目标图像进行分解,构建具有稀疏性的目标特征矢量,提高了特征矢量的类内相似性与类间差异性。利用基于支持向量机的分类方法对MSTAR数据进行目标识别试验,试验结果表明,添加稀疏约束的NMF方法与PCA、ICA以及一般NMF特征提取方法相比,能够显著提高目标识别的稳定性和准确率。     

基于中心对齐多核学习的稀疏多元逻辑回归算法

稀疏多元逻辑回归(SMLR)作为一种广义的线性模型被广泛地应用于各种多分类任务场景中。SMLR通过将拉普拉斯先验引入多元逻辑回归(MLR)中使其解具有稀疏性,这使得该分类器可以在进行分类的过程中嵌入特征选择。为了使分类器能够解决非线性数据分类的问题,该文通过核技巧对SMLR进行核化扩充后得到了核稀疏多元逻辑回归(KSMLR)。KSMLR能够将非线性特征数据通过核函数映射到高维甚至无穷维的特征空间中,使其特征能够充分地表达并最终能进行有效的分类。此外,该文还利用了基于中心对齐的多核学习算法,通过不同的核函数对数据进行不同维度的映射,并用中心对齐相似度来灵活地选取多核学习权重系数,使得分类器具有更好的泛化能力。实验结果表明,该文提出的基于中心对齐多核学习的稀疏多元逻辑回归算法在分类的准确率指标上都优于目前常规的分类算法。     

基于SVM的多核学习飞秒激光烧蚀光斑图像分类

在利用飞秒激光加工单晶硅材料的过程中,会出现等离子体发光现象。随着飞秒激光烧蚀功率的变化,烧蚀过程中单晶硅材料表面溢出的等离子体光斑轮廓特征也大不相同。针对不同烧蚀功率下的光斑图像在分类过程中准确率不高的问题,提出了一种基于SVM的多核学习方法。首先,选取大量不同烧蚀功率下的光斑图像,对其进行预处理后提取光斑边缘轮廓信息,使用Hu不变矩和傅里叶描述子分别对图像轮廓特征进行描述。其次,建立光斑图像样本库,选取最合适的复合核函数以及核参数对分类模型进行训练。最后,使用高斯核函数与Sigmoid核函数的复合函数对光斑图像进行分类识别,实验研究表明:基于SVM的多核学习有效提高了光斑烧蚀功率的分类准确率。     

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。     

基于多核学习SVM的图像分类识别算法

针对单核支持向量机在图像分类识别中检测精度较低的问题,提出一种多核学习SVM的图像分类识别算法,并将其应用到行人检测问题中。首先,提取行人的积分通道特征包括梯度直方图、彩色通道和梯度特征;然后,使用直方图交叉核、多项式核和径向基核构建混合核SVM分类器;最后,使用交叉验证和网格搜索的方法确定各种核的融合系数。在TUD数据集上的测试结果表明,该方法具有较好的鲁棒性和较高的检测精度。     

基于Optuna框架的Lp范数约束下多核支持向量机在违约风险预测中的应用

针对违约数据存在数据量大、维度多、不平衡及噪声大等缺点,提出一种改进的支持向量机方法,即基于Optuna框架的L_p范数约束的代价敏感的多核支持向量机(L_p-Optuna-SVM)。该方法采用成本矩阵对不同预测错误赋予不同数值,通过多核学习引入多核混合核函数组合;同时采用Optuna优化框架对犯错成本、核函数的参数和权重实现了自动化的调优过程;还在核函数权重上引入L_p范数约束,以提高模型对噪声和异常数据的鲁棒性。最后,对4种常用的基础核函数组合的L_p-Optuna-SVM进行探讨,并与单核支持向量机以及K邻近法、逻辑回归、高斯贝叶斯进行对比。结果表明,在给定数据集上,L_p-Optuna-SVM在违约数据上的g-mean和AUC均高于其他算法,并且在加了不同方差的噪声数据集上,该算法整体依旧保持较好的鲁棒性。     

基于局部约束编码的稀疏保持投影降维识别方法研究

稀疏表示技术的引入可有效解决降维处理对图参数的依赖,但这类降维方法不能同时兼顾稀疏重构和样本数据的邻近性问题。针对该问题,本文提出了一种基于局部约束编码的稀疏保持投影降维识别方法。通过稀疏表示分类模型构建了图边权矩阵,引入局部约束因子设计了降维投影模型,推导降维求解过程,分析了本文方法与SPP （ Sparse Preserving Projections ）和SLPP（ Soft Locality Preserving Projections ）方法之间的共性和区别,最后给出了识别算法流程。采用人脸图像数据集和高分辨SAR（ Synthetic Aperture Radar ）图像数据集对算法的有效性进行仿真验证,由于考虑了数据间的邻近性,本文方法较传统方法可获得更好的识别性能。     

基于多核稀疏编码的三维人体姿态估计

为了准确有效的重构多视角图像中的三维人体姿态,该文提出一种基于多核稀疏编码的人体姿态估计算法.首先,针对连续帧姿态估计的歧义问题,该文设计了一种用于表达多视角图像的HA-SIFT描述子,其中,人体局部拓扑、肢体相对位置及外观信息被同时编码;然后,在多核学习框架下建立同时考虑特征空间内在流形结构与姿态空间几何信息的目标函数,并在希尔伯特空间优化目标函数以更新稀疏编码、过完备字典与多核权值;最后,利用姿态字典原子的线性组合来估计对应未知输入的三维人体姿态.实验结果表明,与核稀疏编码、Laplace稀疏编码及Bayesian稀疏编码相比,文本方法具有更高的估计精度.     

多核学习融合局部和全局特征的人脸识别算法

提出一种基于词袋模型的新的人脸识别算法.该方法将词袋模型和词袋模型的全局模式分别作为人脸图像的局部特征和全局特征描述,最后使用多核学习方法将二者进行融合.AR、FERET、CMU PIE以及LFW公开人脸数据库上的实验结果表明,本文方法能够更好的解决小样本问题,并且对人脸的表情变化、姿态变化以及面部遮挡具有更优良的鲁棒性.     

基于一种混合核函数的支持向量机聚类

在支持向量聚类中,采用单个核函数的支持向量机具有很大局限性,为了得到学习能力和泛化能力都很强的核函数,采用了一种新的混合核函数。将该混合核函数应用于支持向量聚类运算中,并且与普通核函数构造的支持向量机的实验结果进行了对比。结果表明了该方法的有效性。     

尺度核函数支撑矢量机

本文提出了一种可容许的支撑矢量机核—尺度核.该尺度核函数可以被看作是一个具有平移因子的多维尺度函数,它能作为平方可积空间的子空间上一组完备的基函数.在此意义上,采用尺度核函数的支撑矢量机,可以认为是在尺度空间中寻找最佳的尺度系数.因此在理论上尺度核函数支撑矢量机能够以零误差逼近某一空间上的任何目标函数,文中给出的仿真实验进一步验证了它的可行性和有效性.     

基于共同决策方向矢量的多源迁移及其快速学习方法

多源迁移学习提取了多个相似领域之间有用信息,提高了学习效率,但存在计算核矩阵的空间和时间复杂度较高的问题.提出了一种多源迁移学习方法,该方法基于结构风险最小框架理论,以共同决策方向矢量为基准,将多个相似领域的决策方向矢量嵌入到支持向量机的训练过程中,提高了目标领域分类器的分类性能.并结合核心向量机理论提出了共同决策方向矢量核心向量机,实现对大样本数据集的快速分类学习.模拟和真实数据集实验表明了所提算法的有效性.     

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.     

小波核极限学习机分类器

分析了核极限学习机的原理,提出了一种小波核极限学习机,将小波函数做为极限学习机的核函数,证明了它是一种允许的极限学习机核。通过在双螺旋数据上的测试表明,小波核极限学习机在无训练数据分布的空间也具有分类能力,而高斯核极限学习机在没有训练数据分布的空间不具备分类能力。通过在不同的UCI数据集中的测试得出小波核极限学习机具有较高的分类性能。最后将小波核极限学习机应用到了人脸识别问题上,同样取得了优良的性能,说明小波核极限学习机具有一定的应用价值。     

支持向量分类和多宽度高斯核

支持向量分类中,高斯核不区分样本中各个特征的重要性,显然各个特征对分类的贡献一般是不相同的.为了体现这种差别从而提高支持向量机的泛化性能,文中提出了多宽度高斯核的概念.多宽度高斯核增加了支持向量机的超级参数,进一步地,文中提出了多参数模型选择算法.算法利用误差界自动实现模型选择.通过实验验证了多宽度高斯核和多参数模型选择算法的有效性.     

基于支持向量机的改进高斯核函数聚类算法研究

针对基于支持向量机的聚类算法中,由于高斯核在无限远处的衰减几乎为零,从而影响聚类效果的问题,采用了改进的高斯核函数。该方法使在高维特征空间中,核函数不仅满足在测试点附近有较快的衰减速度,而且在无限远处仍能保持适度的衰减,从而提高聚类效果。实验表明,改进的高斯核比高斯核聚类错误率更低。     

基于支持向量机核函数算法的图像分割研究

为了提高图像分割的质量,采用支持向量机核函数算法。首先寻找像素分类间隔最大的最优分类面,将非线性输入空间的样本映射到高维特征空间进行求解;然后局部核函数选择高斯径向基核函数,全局核函数选择多项式核函数,为了满足训练集中支持向量取值带来的连续性要求,通过组合系数平衡高斯核函数和多项式核函数的权重;接着选择像素的邻域灰度均值作为用于分割的特征,利用不规则度统计图像邻域灰度均值连通区域的离散程度;最后给出了算法流程。实验仿真显示本文算法分割图像清晰,目标区域十分突出,定性分析中指标归一化互相关系数为0.9946,分割时间为0.7512,误割率为0.0237。