基于稀疏描述的SAR目标型号识别算法

对样本进行稀疏描述,可获得充分描述样本特征且具备区分能力的稀疏向量.提出一种基于稀疏描述的SAR目标型号识别算法.首先,对目标SAR图像进行特征提取,以抑制斑点噪声的影响.然后,利用全体训练样本构造字典矩阵,将测试样本在字典矩阵上进行投影得到其稀疏向量.最后,根据拥有相同标号且方位角最接近的样本之间差异最小的特点,构造单个样本重构误差最小准则,实现SAR目标的型号识别.在MSTAR数据上的实验验证了本文算法的有效性.     

基于稀疏表示的SAR图像目标识别方法

为了准确地进行SAR图像目标识别,提出一种基于稀疏表示的SAR目标识别方法,在用主成分分析（PCA）进行降维的前提下,利用降维后的训练样本构建稀疏线性模型,通过 ξ1范数最优化求解测试样本的稀疏系数解x,利用系数的稀疏性分布进行目标的分类识别。基于MSTAR数据进行了仿真验证,实验证明,基于稀疏表示的SAR目标识别方法在一定的特征维数下能够获得很好的识别性能,在目标方位角未知的情况下识别率仍可达到98%以上。     

基于压缩感知的单样本人脸识别

提出一种基于压缩感知的单样本人脸识别方法,通过局部邻域嵌入非线性降维和稀疏系数的方法产生冗余样本,则新样本包含了多种姿态和多种表情。将所有的新样本作为训练样本,运用改进后的稀疏表征分类算法进行人脸图像的识别。在单样本情况下,基于ORL人脸库和FERET人脸库的实验证明,该方法比原稀疏表征方法在识别率上分别提高了15.53%和7.67%。与RSRC、SSRC、DMMA、I-DMMA等方法相比,该方法同样具有良好的识别性能。     

基于L0稀疏约束的近似稀疏解人耳识别*

传统的人耳识别算法在人耳图像遮挡、噪声和人耳多姿态变化中表现出低识别率,近年来稀疏表示在模式识别领域中取得很好的成果。决定稀疏分类器识别精确度的因素主要是稀疏解的稀疏度。而稀疏度的估计就是稀疏向量中非0元素的估计,即向量L0范数。因此在人耳稀疏分类算法的研究中引入L0范数稀疏约束。综上所述,采取基于SRC（Sparse Representation-based Classification）稀疏模型,选取对人耳姿态变化具有强鲁棒性的特征逼近过完备字典,然后使用OMP(Orthogonal Matching Pursuit)算法直接解L0问题,并加入稀疏约束,从优化稀疏解的角度对人耳稀疏分类算法进行改进,提高人耳识别效率。     

基于粗糙集与改进LSSVM的入侵检测算法研究

提出了基于粗糙集和改进最小二乘支持向量机的入侵检测算法。算法利用粗糙集理论的可辨识矩阵对样本属性进行约简,减少样本维数;利用稀疏化算法对最小二乘支持向量机进行改进,使其既具备稀疏化特性又具备快速检测的特点,提高了数据样本分类的准确性。结合算法不仅充分发挥粗糙集对数据有效约简和支持向量机准确分类的优点,同时克服了粗糙集在噪声环境中泛化性较差,支持向量机识别有效数据和冗余数据的局限性。通过实验证明,基于粗糙集和改进最小二乘支持向量机的入侵检测算法的检测精度高,误报率和漏报率较低,检测时间短,验证了算法的实效性。     

基于压缩感知的鲁棒性人脸表情识别

为了有效提高噪声背景下的人脸表情识别性能,提出一种基于压缩感知的鲁棒性人脸表情识别方法.先通过对腐蚀的测试样本表情图像进行稀疏表示,再利用压缩感知理论寻求其最稀疏的解,然后采用求得的最稀疏解信息实现人脸表情的分类.在标准的Cohn-Kanade表情数据库的实验测试结果表明,该方法取得的人脸表情识别性能优于最近邻法、支持向量机以及最近邻子空间法.可见,该方法用于人脸表情识别,识别效果较好,鲁棒性较高.     

基于核函数SVM的穿戴式姿态识别系统

设计一种基于核函数支持向量机(SVM)的穿戴式姿态识别系统。采集嵌入用户服装中的倾角传感器的数据,提取相应的特征参数,利用2种分类算法对样本进行姿态分类评估。测试实验结果表明,核函数SVM算法对日常姿态的分类效果较好,姿态识别系统对用户日常的多种姿态识别率较高。     

一种强鲁棒性的稀疏NMF算法研究与应用

为提高稀疏非负矩阵分解(SNMF)算法对含噪声图像提取特征的有效性,引入噪声项,并结合SNMF设计新的稀疏优化目标函数,给出该目标函数的优化求解表达式,使提取出的特征具有稀疏性且能增强噪声抵抗能力。针对手机图像,提出一种强鲁棒性的SNMF算法,描述手机待分类界面图和模板子图集概念,以获取手机图像特征,并结合支持向量机实现分类识别。应用结果表明,该算法能够对图像数据进行大规模压缩获取手机图像特征,具有较强的鲁棒性,且以稀疏矩阵作为计算分类识别的目标矩阵,具备较高的识别率。     

改进的最小二乘支持向量机在入侵检测系统中的应用

介绍最小二乘支持向量机的基本原理论．提出基于最小二乘支持向量机的网络入侵检测系统模型。由于计算经验风险的损失函数为二次函数形式．LSSVM丧失了标准支持向量机的稀疏性,为使LSSVM具有稀疏性,从统计分析的角度出发,应用主成分分析的方法,对样本集进行特征提取,消除变量间的相关性。选取训练样本中分类作用最大的若干样本个体作为支持向量,并将非支持向量上的分类信息转移至支持向量上．提出新的LSSVM稀疏化算法——基于主成分分析的最小二乘支持向量机算法。实验结果表明,由此构建的稀疏LSSVM分类器保持了支持向量机的良好分类性能．而稀疏率相对高,其支持向量数甚至少与标准支持向量机,明显提高了LSSVM的分类效率和实时性。     

基于数据融合的压缩感知多目标定位算法

文中提出一种基于数据融合的压缩感知多目标定位算法,该算法能够同时处理多种不同类型的定位数据。与传统算法相比,该算法以目标个数的稀疏性为基础,通过压缩感知技术来重构目标位置向量,从而大大减少了传感器的数目。算法分为数据预处理和数据融合定位两个阶段。在数据预处理阶段,将不同类型的数据转换到同一个数量级,使得各类型数据能被充分用于提高目标定位性能;在数据融合定位阶段,提出一种基于多测量向量的压缩感知重构算法来估计目标位置向量。仿真证明,相比于现有的压缩感知定位算法,所提算法具有更高的定位精度和更强的鲁棒性。     

Label-dependent sparse representation for synthetic aperture radar target configuration recognition

Synthetic aperture radar (SAR) target images suffer from target aspect angle sensitivity. To overcome the obstacle that seriously influences recognition performance, a label-dependent sparse representation (LSR) algorithm is proposed to realize SAR target configuration recognition in the sparse domain. The label of the training sample is embedded into the sparse representation (SR) model, and dictionaries are constructed individually to eliminate disturbances. LSR is implemented according to a statistical model based on the Gaussian mixture distribution (GMD). Experiments are conducted on a wide range of moving and stationary target acquisition and recognition (MSTAR) databases. The experimental results demonstrate the effectiveness of the proposed algorithm, which outperforms other existing algorithms in terms of recognition accuracy.     

基于稀疏重构框架下剪切波的SAR图像去噪

SAR图像很容易被乘性噪声多污染,进而影响SAR图像后序的分析与处理。本文中提出了一种基于剪切波稀疏编码的SAR图像移除乘性噪声的新模型。首先通过压缩感知理论建立SAR图像去噪模型;其次通过剪切波变换获得剪切波系数,每个尺度的系数视为一个单元;对于每个单元,通过剪切波域的贝叶斯估计对稀疏系数进行迭代估计。重现的单元最后结合起来构造去噪后的图像。SAR图像去噪效果显示了该算法有良好的表现性,对噪声具有鲁棒性;本文提出的算法不仅有较好的去噪效果,而且还保存了更多的边界信息。     

基于时空相关性的分布式压缩感知多假设预测重构算法

综合考虑到视频序列本身的不同特性以及时空相关性, 将传统视频编码中的多假设预测运动估计思想引入到分布式压缩感知视频编码系统中, 提出一种新的基于时空相关性的分布式压缩感知多假设预测重构算法。在编码端增加CS帧的块模式判别, 在解码端CS帧根据模式判别进行相应的基于块的多假设预测估计和残差稀疏重构。仿真实验表明, 与传统的分布式压缩感知多假设预测重构算法相比, 所提出的算法能够较好地改善视频序列的重建质量。     

SAR target configuration recognition based on the Dempster–Shafer theory and sparse representation using a new classification criterion

Synthetic aperture radar (SAR) images are sensitive to target aspect angles. To weaken the influences of target aspect angle sensitivity on recognition, a new classification criterion is proposed for sparse representation (SR) based target configuration recognition in this paper. Different from the existing SR-based algorithms which utilize the reconstruction error of each class to identify the targets, the proposed algorithm establishes a supportive degree function to realize recognition. The supportive degree function can enhance the impacts of the samples with small reconstruction errors. Moreover, to further improve the performance of the proposed algorithm, the Dempster–Shafer theory (DST) is used to fuse the information of several similar samples. Experiments on the moving and stationary target acquisition and recognition (MSTAR) database verify the advantage of the proposed algorithm.     

一种基于小波稀疏基的压缩感知图像融合算法

随着压缩感知技术的发展,基于压缩感知的图像融合技术研究逐渐受到越来越多的重视。针对图像小波分解系数特点,提出了一种基于双放射状采样模式的压缩传感域图像融合算法。该算法首先通过双放射状采样模式获得待融合图像的小波稀疏域线性测量值;然后利用一种简单的绝对值最大融合规则直接在压缩感知域进行融合,最后通过最小全变分的方法重构融合图像。主客观实验结果表明,该算法具有良好的融合效果。     

采用二阶锥规划和压缩感知的方向图综合算法

针对常规自适应方向图综合在求解最优权值向量时需经过复杂的广义矩阵求逆运算,计算过程繁琐,占用存储空间大的缺陷,提出一种采用二阶锥规划与压缩感知理论的改进自适应方向图综合算法。改进的算法将传统算法中的误差性能函数通过数学变换转换成标准二阶锥规划形式快速求解。同时应用压缩感知理论将大规模阵列权值稀疏化处理,从而得到最优天线阵列权值向量并减少训练时间。仿真结果表明,采用二阶锥规划与压缩感知的改进算法在大规模阵列天线方向图综合时求解速度快,运算精度高,且在应用压缩感知后形成的方向图有较低旁瓣,干扰方向零陷深,接近满阵时的波束性能。     

学习原型超平面融合SILD的户外人脸识别

非限制环境下光照、姿势、表情等变化已成为户外人脸识别的主要瓶颈所在。针对这一问题,提出了一种学习原型超平面融合线性判别边信息的算法进行人脸识别。利用支持向量机将弱标记数据集中的每个样本表示成一个原型超平面中层特征;使用学习组合系数从未标记的通用数据集中选择支持向量稀疏集;借助于Fisher线性判别准则最大化未标记数据集的判别能力,并使用迭代优化算法求解目标函数;利用线性判别边信息进行特征提取、余弦相似性度量以完成最终的人脸识别。在Extended YaleB和户外标记人脸（LFW）和通用人脸数据集上进行实验,验证了所提算法的有效性和可靠性。实验结果表明,相比其他几种较为先进的人脸识别算法,所提算法取得更好的识别性能。     

基于多尺度压缩感知金字塔的极化干涉SAR图像分类

提出了一种新的基于多尺度压缩感知(Compressed sensing, CS)金字塔的分类方法, 用于合成孔径雷达(Synthetic aperture radar, SAR)图像的分类. 首先通过原始图像上的小波平滑和特征提取构建多尺度极化干涉特征空间, 然后利用压缩感知提取每一个尺度上图像子块的观测域特征并在数据域重建稀疏特征, 最后组合多尺度的稀疏特征生成最终用于分类的多尺度金字塔表达. 针对稀疏编码和一般金字塔算法的局限性, 提出了基于压缩感知和多尺度金字塔的方法, 利用观测矩阵降低特征维数的优势的同时, 对SAR图像的纹理特征进行不同尺度的分析. 在国内首批极化干涉SAR数据上的实验证明了上述算法的有效性.     

基于稀疏表示的低分辨率人脸疲劳表情识别

为了有效提高低分辨率图像的人脸疲劳表情识别性能,提出一种基于稀疏表示的低分辨率人脸疲劳表情的识别方法。首先,采用肯德尔和谐系数可信度分析法构建了低分辨率人脸疲劳表情图像库TIREDFACE。其次,通过图像库中的低分辨率样本疲劳表情图像进行稀疏表示,再利用压缩感知理论寻求低分辨率测试样本的最稀疏解,采用求得的最稀疏解实现低分辨率人脸疲劳表情的分类。在低分辨率人脸视觉特征的疲劳表情图像库TIREDFACE的实验测试结果表明,将该方法用于低分辨人脸疲劳表情识别,性能优于线性法、最近邻法、支持向量机以及最近邻子空间法。可见,该方法用于低分辨率人脸疲劳表情识别时识别效果较好,精确度较高。