基于稀疏表示模型和自回归模型的高光谱分类

针对高光谱分类中对光谱信息和空间信息利用不足的问题,提出了一种基于稀疏表示模型和自回归模型相结合的分类算法。该算法利用稀疏表示模型和自回归模型,设计联合字典:在光谱维上,利用稀疏表示模型将高光谱的每个光谱向量表示为字典中训练样本的稀疏线性组合;在空间维上,利用自回归模型对每个光谱向量的8邻域进行约束。针对不同样本分别构造一个字典,在减少计算量的同时减小重构误差,最后在最小重构误差和邻域相关性的约束下求解稀疏表示问题,以最小重构误差为准则实现高光谱数据的分类。仿真结果表明,该方法能够有效地提高高光谱数据的分类精度。     

基于全局约束的监督稀疏保持投影降维方法研究

非约束环境下采集的人脸图像复杂多变,稀疏保持投影降维效果不理想。鉴于此,提出一种基于全局约束的监督稀疏保持投影(SSPP-GC)算法。通过引入监督超完备字典和类内紧凑度约束,增强同类非近邻样本的重构关系;并且,在低维投影时增加全局约束因子,使得投影矩阵既考虑了样本的局部稀疏关系,也考虑了全局分布特性,进一步消除异类伪近邻样本的低维映射影响。在AR库、Extended Yale B库、LFW库和PubFig库上进行实验仿真,大量实验结果验证了本文算法的有效性。     

基于稀疏表示和学习图正则的高光谱图像特征提取

针对传统局部特征提取算法难以确定邻域参数,以及仅考虑数据间的单一结构而漏掉重要信息的问题,提出一种基于稀疏表示和学习图正则的局部判别与全局稀疏保持投影算法。该算法首先对稀疏表示模型施加基于学习的图正则器,用该改进的稀疏表示模型自适应揭示样本数据间的局部线性结构,通过局部判别模型全局集成算法来提取局部线性结构中的判别信息;利用基于学习图正则稀疏表示模型构建的新型稀疏图来揭示数据间的全局稀疏结构;使得数据的局部判别结构和全局稀疏结构在低维特征空间得以保持。通过1-近邻和支持向量机分类器对实验结果进行评估,在PaviaU和Indian Pines两个高光谱公共数据集上的实验显示,提出的局部判别与全局稀疏保持投影算法较对比算法取得了最好的性能,由于提取了全局和局部的判别信息,有效提升了高光谱图像的地物分类精度。     

一种利用分布式传声器阵列的声源三维定位方法

为了提高噪声和混响条件下分布式传声器阵列进行声源定位的性能,提出一种利用空间稀疏性和压缩感知原理的声源三维定位方法。该方法首先通过两次离散余弦变换方式提取出声音信号特征,并用该特征来构建稀疏定位模型,以便能够综合利用语音信号的短时和长时特性,同时降低模型维数;然后利用在线字典学习技术动态调整字典,克服稀疏模型与实际信号之间的失配问题,增强稀疏定位模型的鲁棒性;进而提出一种改进的平滑l₀范数稀疏重构算法来进行声源位置解算,以提高低信噪比条件下的重构精度。仿真结果表明该方法不仅可以实现多目标定位,而且具有较强的抗噪声和抗混响能力.      

基于在线检测和尺度自适应的相关滤波跟踪

针对相关滤波跟踪在遮挡及目标尺度变化等情况下容易跟踪失败的问题,提出一种基于在线检测和尺度自适应的相关滤波跟踪算法。相关滤波跟踪器融合方向梯度直方图特征、颜色属性特征和光照不变特征进行目标定位;通过局部稀疏表示模型的重构残差进行遮挡判别,如果发生遮挡则进行在线支持向量机检测,实现目标重定位;进行由粗至精的尺度估计,通过尺度预估计和牛顿迭代法得到目标的精确尺度。采用均衡的模型更新策略,固定更新相关滤波器,保守更新稀疏表示模型和支持向量机。实验结果表明:与现有跟踪算法相比,所提算法能有效降低遮挡、目标尺度变化等复杂因素的干扰,并在50组测试序列上取得较高的距离精度和成功率,其整体性能优于其他对比算法。     

融合底层和中层字典特征的行人重识别

针对当前行人重识别方法采用单一底层特征识别率较低的问题,提出一种融合底层和中层特征的识别方法,由粗到精对人体目标进行匹配识别。首先提取目标的颜色直方图和纹理直方图进行粗分类;然后将人体目标分为头部、躯干和腿部3个部分。忽略包含信息量较少的头部,对躯干和腿部,提出一种中层图像块字典提取方法,并对照该字典生成中层特征,进行精确分类。底层特征结合中层特征使算法既具有较好的区分度,又具有良好的泛化能力。实验结果表明本文算法在VIPeR数据库上的n AUC比已有方法提高6.3%,对遮挡和背景粘连的鲁棒性更好。     

汽车自动变速箱油的近红外光谱识别研究

利用自编码网络(autoencoder network, AN)流形学习和稀疏表示(sparse representation, SR)方法对汽车变速箱油进行近红外光谱品种识别研究。以壳牌、美孚、嘉实多、上海大众和上海通用五种变速箱油为对象,利用AN方法对600～1800 nm近红外光谱数据进行非线性降维,获取10个特征变量。每种变速箱油选取30个样本(共150个样本)作为训练样本,每种30个样本(共150个样本)作为测试样本。所有训练样本的特征变量组成了稀疏表示方法的整体训练样本矩阵,将变速箱油品种分类识别问题转化为一个求解待识别测试样本对于整体训练样本矩阵的稀疏表示问题,通过求解L-1范数意义下的最优化问题来实现。经过主成分分析(principal component analysis,PCA)和AN降维后,分别利用线性判断分析法(linear discriminant analysis,LDA)、偏最小二乘支持向量机法(least squares-support vector machine,LS-SVM)和本文提出的稀疏表示分类算法进行分类比较。结果表明,结合自编码网络和稀疏表示方法对五种汽车变速箱油品种的平均识别准确率达97.33%,为汽车变速箱油品种近红外光谱快速准确识别提供了有效的新途径。     

基于监督稀疏流形嵌入的高光谱遥感影像分类

稀疏流形聚类和嵌入算法通过仿射空间中的稀疏表示获得稀疏系数,并能由稀疏系数自适应地选取来自同一流形的数据点.但稀疏流形聚类和嵌入算法没有直接的投影矩阵,且为非监督学习方法.针对稀疏流形聚类和嵌入算法算法的不足,提出一种新的监督稀疏流形嵌入算法.该方法首先在仿射空间中采用稀疏优化法得到稀疏系数,然后根据稀疏系数构建相似权值,并在权值中嵌入样本类别信息,增加同类数据间的聚集性,并在低维嵌入空间中保持这种相似性不变,提取鉴别特征来提升分类性能.实验结果表明:该文方法不仅能保持数据的稀疏特性,而且通过利用样本数据的类别信息使同类数据在低维空间尽可能聚集,提取鉴别特征,进而改善高光谱影像的地物分类效果.     

基于可见光谱图的大豆外观品质判别方法

提出一种基于可见光谱图多模态词典特征低秩稀疏表示框架的大豆外观品质判别方法,以精确确定大豆品质等级。首先,提取大豆粒子可见光谱图像的多尺度空间梯度特征和色差分量(YCbCr)颜色空间特征;将上述提取的空间梯度特征和颜色空间特征看作视觉词汇,通过Kernel K-means聚类算法获取视觉词汇的核空间局部分布聚类中心,形成视觉词典;然后,使用低秩稀疏表示法耦合上述两种特征,用于消除高维异质模态词典描述符中冗余信息的影响;最后,在高维耦合空间中根据样本之间的度量对低秩稀疏耦合表示多模态词典特征进行分类。所提方法充分利用多模态多尺度空间梯度特征和YCbCr颜色空间特征来描述大豆粒子外观品质的语义特征归属。实验结果表明:建模集和预测集总的识别精度分别达92.7%和80.1%,所提方法的识别精度优于文献中提出的基于单一模态的视觉词典特征表示方法。     

高光谱数据基于流形的半监督特征选择

传统的高光谱数据特征选择方法分为监督和无监督模式,然而在高光谱数据实际处理中,大量无标记和少量有标记数据并存.此外,传统方法忽视了真实数据嵌入在高维空间中的流形结构.本文提出一种基于流形的半监督特征选择算法,定义一个合理的特征评判准则,考虑标记样本的先验信息以及高维数据局部和非局部结构的不变特性.通过对标记数据类间方差和类内方差的极大化和极小化,优化数据的判别结构;同时通过构建局部graph和非局部graph,挖掘高维数据的流形结构.然后,选择一组有效的特征子集,实现高维数据的特征选择.最后,通过对特征选择后的真实高光谱数据进行分类实验,结果显示本文方法可以很好地对高光谱数据实现降维并且保留数据的主要结构.     

基于局部保持的遥感场景零样本分类算法

目标域遥感图像特征分布的变化,导致遥感场景零样本分类性能下降,针对该问题,提出一种基于局部保持的遥感场景零样本分类算法。首先,为减少冗余信息,采用解析字典学习方法,将源域中的场景图像特征和类别语义词向量嵌入到同一稀疏编码空间,并实现两者稀疏系数的强制对齐,以建立图像特征与词向量之间的关系;然后,通过保留图像特征空间中场景图像间的局部近邻关系,增强场景图像对应稀疏系数的鉴别性,以有助于对稀疏系数进行聚类分析;最后,为适应目标域图像特征分布变化,采用k-means算法对目标域场景图像的稀疏系数进行聚类,并以初始中心的类别标签作为对应的聚类簇中场景的类别标签。实验分别采用GoogLeNet和VGGNet图像特征,以数据集UCM作为源域遥感场景集,对目标域场景集RSSCN7进行零样本分类,获得了最高50.67%和53.29%的总体分类准确度,比现有算法各提升了8.06%和9.70%。实验结果表明:该算法能够适应目标域遥感场景图像特征分布的变化,显著提升遥感场景零样本分类效果,具有一定的优越性。     

联合稀疏表示在水下目标分类中的应用

水下目标分类识别的性能受所选特征的限制,多特征往往可以获得更加稳定的结果,针对这一问题,提出了一种基于联合稀疏表示模型的水下目标分类识别方法。首先对水下目标回波信号提取3种具有信息互补性与关联性的特征:中心矩特征、小波包能量谱特征、梅尔频率倒谱系数特征,然后应用加速近端梯度法对联合稀疏表示模型进行优化,求解得到最优联合稀疏系数,最后根据最小误差准则确定目标类别。在消声水池开展模拟实验,对6类目标进行分类识别,结果表明:与传统算法相比,提出的算法具有更高识别准确率,并且其执行效率较传统算法有很大提升。      

倒谱参数稀疏分解下的汉语音谎言检测

为了提高汉语语音的谎言检测准确率,提出了一种对信号倒谱参数进行稀疏分解的方法。首先,采用小波包滤波器组对语音信号进行多频带划分,求得子频带对数能量并进行离散余弦变换以提取小波包频带倒谱系数,结合梅尔频率谱系数得到倒谱参数;其次,依据K-奇异值分解方法分别利用说谎和非说谎两种状态下的语音倒谱参数集训练得到过完备混合字典,在此字典上根据正交匹配追踪算法对参数集进行稀疏编码提取稀疏特征;最终进行多种分类模型下的识别实验·实验结果表明,稀疏分解方法相比传统参数降维方法具有更好的优化性能,本文推荐的稀疏谱特征最佳识别率达到78.34%,优于其他特征参数,显著提高了谎言检测识别准确率。      

基于GAN的半监督遥感图像场景分类

针对遥感图像背景复杂及有监督场景分类算法无法利用无标签数据的问题,提出一种基于生成对抗网络的半监督遥感图像场景分类方法.首先,引入谱归一化残差块代替传统生成对抗网络中的二维卷积,利用残差块的跳跃连接解决梯度消失问题;其次,引入特征融合思想,将浅层特征与深层特征进行融合,从而减少特征损失;最后,在生成对抗网络的判别器中加...     

基于非局部自相似性的双相机压缩光谱图像重建算法

针对压缩光谱成像的图像重建问题,提出了一种基于非局部稀疏表示与双相机系统的压缩光谱重建方法。首先,利用RGB观测来构建一种三维图像块,使用K均值聚类对图像块进行分类,并以聚类结果来指导目标高光谱图像的光谱块分类,通过主成分分析获取每个簇的特征用来稀疏表示其他光谱块。然后用构建的三维图像块估计目标光谱图像非局部相似性,并构建目标函数。最后,通过迭代收缩算法与共轭梯度下降法来交替优化目标函数完成重建。仿真和实拍结果表明,所提方法能大幅提升重建质量与精度,在空间和光谱维度上重建误差更小,RGB观测辅助字典学习与相似块估计的方法能有效提升双相机系统的计算效率。     

基于稀疏表示的核素能谱特征提取及核素识别

提出了一种基于稀疏表示的核素能谱特征提取方法,其实质是将核素能谱在区分性最好的稀疏原子上进行投影。利用稀疏分解方法对核素能谱进行稀疏分解,提取分解系数向量作为表征核素的特征向量,通过模式识别分类方法建立分类模型实现核素识别。与传统稀疏分解方法的区别在于:在能谱稀疏分解过程中按照稀疏字典中的原子排列顺序顺次进行分解;其次,分解目的在于特征提取,即最终提取到的特征对不同核素具有可区分性,并不要求核素能谱的重构精度。在241Am, 133Ba, 60Co, 137Cs, 131I和152Eu共6种核素1200个能谱数据上进行了核素识别实验,7种不同分类算法的平均识别率达到91.71%,实验结果的统计分析表明,本文提出的特征提取方法识别准确率显著地高于两种传统核素能谱特征提取方法准确率。     

基于姿势字典学习的人体行为识别

提出一种基于人体轮廓表达的姿势学习框架来进行人体行为识别。通过一种基于Procrustes形状分析和局部保持投影的姿势特征表示方法,从人体运动视频中提取具有平移、旋转和放缩不变性的姿势特征,在保留人体姿势的局部流形结构的同时尽量提取子空间上的判别信息。针对该特征还提出了一种基于姿势字典学习的人体行为识别框架,对每类行为分别学习一个对应于该类的字典,通过串联所有类的字典来得到整个姿势字典;并通过最小重构误差准则来分类测试视频。在Weizmann和MuHAVi-MAS14数据集上的实验结果证实了该方法的识别率高于大部分经典方法。特别是在MuHAVi-MAS14数据集上的识别率对比已有的结果上有巨大的提升。     

基于3D卷积自编解码器和低秩表示的高光谱异常检测

针对高光谱影像数据维度高、空间和光谱信息利用不足以及局部结构特征表达有限等问题,提出了一种基于3D卷积自编解码器和低秩表示的高光谱异常检测算法。首先,通过3D卷积自编解码器提取高光谱影像的空谱特征,并针对高光谱图像的局部区域强相关性,设计了一种新的损失函数来约束中心像素和周围像素,以提取判别性较强的特征图;然后,针对所提取的特征图,通过基于密度的空间聚类算法构建背景字典,并利用低秩表示分离出异常区域;最后,融合由3D卷积自编解码器得到的重构误差和异常区域检测结果,得到最终检测图并为异常目标关键信息的挖掘提供依据。为了验证所提算法的有效性,在两个真实的机场高光谱数据集上进行飞机等目标检测实验,ROC、AUC量化指标和主观分析等实验结果表明,与其它6种异常检测算法相比,本文算法具有更高的异常目标检测精度。     

融合全局与局部多样性特征的人脸表情识别

通常主成分分析(PCA)只能保持数据的全局结构,邻域保持嵌入(NPE)算法只能保持邻域样本间的相似性,忽略了其差异性。针对上述问题,提出了一种融合全局与局部多样性的特征提取算法,并将其应用于人脸表情识别中。该算法利用PCA算法保持全局结构,并通过流形学习思想定义局部差异离散度和局部相似离散度,结合最大局部散度差准则,有效刻画出局部流形结构的多样性;将全局特征和局部多样性特征相结合,提取出低维流形特征用于表情分类。在JAFFE和Cohn-Kanade人脸表情数据库上的实验表明,该算法与PCA、局部保持投影(LPP)、NPE等算法相比,不仅有效地提高了识别率,而且在取得最高识别率时所需维数最低,证明了此算法在识别效果方面的优越性。     

基于特征融合和尺度自适应的干扰感知目标跟踪

针对复杂场景下单一颜色特征稳健性差、存在类目标干扰及目标尺度变化的问题,提出了一种基于特征融合和尺度自适应的干扰感知目标跟踪方法。首先,综合目标、邻域背景、类似干扰区域的三原色(RGB)特征和改进的方向梯度直方图(HOG)特征计算得到干扰感知目标模型;在搜索区域内逐像素点计算目标概率图,然后进行密集采样得到候选目标,利用目标概率图的概率值与距离值进行加权,同时定位目标和类似干扰,并更新目标模型;采用RGB直方图建立尺度模型,从当前帧图像上截取不同尺度的图像块并计算其RGB直方图,通过与尺度模型比较,获得最优尺度估计并更新尺度模型。实验结果表明,提出的方法对复杂场景下的类目标干扰、局部遮挡、尺度变化等均具有很好的适应性,同时距离精度、重叠精度等指标优于对比算法。