结合音质特征和韵律特征的语音情感识别

为了提高语音情感的正确识别率,在情感语音韵律特征的基础上,提出情感语音音质特征的提取.结合音质特征参数和韵律特征参数,采用支持向量机分类器实现汉语普通话生气、高兴、悲伤和惊奇四种主要情感类型语音的情感识别.实验结果表明,语音音质特征参数和韵律特征参数相结合取得的情感平均正确识别率为88.1%,比单独使用韵律特征参数高出6%.可见,语音音质特征是一种较有效的情感特征参数.     

基于近似尺度不变特征转换的序列图像融合算法

在分析了尺度不变特征转换算法特点的基础上提出了一种近似尺度不变特征转换算法,该算法改变了传统尺度不变特征转换算法的框架,将尺度不变特征转换描述符看作是一种特殊的Harris算子,该算法既保留了尺度不变特征转换描述符的优点又降低了计算量.另外,为了提高特征匹配的精度,给出了一种新的特征点对提纯算法.实验结果表明,近似尺度不变特征转换算法在不影响匹配性能的前提下大大缩短了处理时间,经过提纯后的特征点对匹配性能显著提高,最终得到的全景图像过渡平稳,重叠区域没有显著的痕迹.     

一种局部稀疏判别投影算法

提取有效特征是模式识别中的关键步骤。流形学 习算法能有效处理样本的非线性,而 稀疏表示表现出具有较好的鲁棒性。为了提取具有判别特性和鲁棒的特征,本文结合稀疏表 示和判别准则,提出了一种局部稀疏表示和判别分析的特征提取算法,即局部稀疏判别投影 算法,并应用于人脸识别。算法通过保持数据间的局部稀疏性和最大化不同类别数据间的 可分性,使得降维后的数据具有稀疏性和可分性,因此有利于后续的分类。在ORL和YALE两 个开放人脸数据库上进行了实验,实验结果表明,算法具有较高的识别性,验证了算法的正 确性和有效性。     

基于一种改进的监督流形学习算法的语音情感识别

为了有效提高语音情感识别的性能,需要对嵌入在高维声学特征空间的非线性流形上的语音特征数据作非线性降维处理。监督局部线性嵌入(SLLE)是一种典型的用于非线性降维的监督流形学习算法。该文针对SLLE存在的缺陷,提出一种能够增强低维嵌入数据的判别力,具备最优泛化能力的改进SLLE算法。利用该算法对包含韵律和音质特征的48维语音情感特征数据进行非线性降维,提取低维嵌入判别特征用于生气、高兴、悲伤和中性4类情感的识别。在自然情感语音数据库的实验结果表明,该算法仅利用较少的9维嵌入特征就取得了90.78%的最高正确识别率,比SLLE提高了15.65%。可见,该算法用于语音情感特征数据的非线性降维,可以较好地改善语音情感识别结果。     

基于感知哈希和自适应搜索的通用对象检测

针对数字图像中对象检测问题,提出一种基于感知 哈希和搜索策略的通用 对象检测算法,提取图像中有可能包含对象的子区域并以矩形的形式输出。算法首先对输 入图像进行分割,并计算该图像的显著度信息;其次根据图像每个子区域显著度信息,自适 应 地确定搜索策略的起始子区域;最终利用选择性搜索策略,实现图像中通用对象检测。利用 选择性搜索策略检测通用对象时,引入感知哈希算法实现相邻子区域的相似度计算, 在保证准确度的基础上简化算法复杂度。实验结果显示,本文算法具有良好的图像对象检测 准确度。     

结合FSVM和KNN的人脸表情识别

为了提高人脸表情的正确识别率,提出了一种组合模糊支持向量机(FSVM)和K-近邻(KNN)的人脸表情识别的新方法.该方法通过主成分分析(PCA)提取人脸表情特征,对于待分类的不同区域,根据区分程度自适应划分为不同区域类型;并结合FSVM和KNN算法的特点,对不同区域类型切换分类算法.实验表明,此方法既能保证分类的精确度,又能简化计算复杂度.     

基于多分类器投票组合的语音情感识别

为了提高语音情感的正确识别率,提出一种基于多分类器投票组合的语音情感识别新方法.在提取情感语音的韵律特征和音质特征基础上,利用投票方法将支持向量机、K近邻法和人工神经网络三种分类器构成组合分类器,实现对汉语生气、高兴、悲伤和惊奇4种主要情感类型的识别.实验结果表明,与使用单一分类器相比,组合分类器对语音情感的识别取得了87.4%的平均正确识别率,识别效果优于单一分类器.     

基于近似尺度不变特征转换的序列图像融合算法(英文)

在分析了尺度不变特征转换算法特点的基础上提出了一种近似尺度不变特征转换算法,该算法改变了传统尺度不变特征转换算法的框架,将尺度不变特征转换描述符看作是一种特殊的Harris算子,该算法既保留了尺度不变特征转换描述符的优点又降低了计算量.另外,为了提高特征匹配的精度,给出了一种新的特征点对提纯算法.实验结果表明,近似尺度不变特征转换算法在不影响匹配性能的前提下大大缩短了处理时间,经过提纯后的特征点对匹配性能显著提高,最终得到的全景图像过渡平稳,重叠区域没有显著的痕迹.     

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。     

基于多尺度信息处理和Gabor初始化的图像显著性对象检测

基于全卷积网络的图像显著性检测获得了广泛的关 注,并取得了令人瞩目的检测性能 。然而,该类型神经网络依然存在许多问题,如高复杂网络导致难以训练、显著性对象边缘 结果不准确等。针对这些问题,本文提出基于Gabor初始化的卷积神经网络。该网络主要特 点包括:1) 利用Gabor特征初始化卷积神经网络,提高神经网络训练效率; 2) 构建多尺 度 桥接模块,有效衔接编码和解码阶段,进而提高显著性检测结果; 3) 提出加权交叉熵损失 函数,提高训练效果。实验结果表明,本文提出的神经网络在三个不同的数据集上均显示出 优异的显著性对象检测性能。