郑儒楠[1]2017年在《用于机器学习中图像识别的虚拟样本算法研究及应用》文中研究指明随着科技的发展,图像在社会治安、军事安全、信息安全、身份认证、交通监管等方面都有着广泛的应用。而图像识别技术则是图像应用的关键技术之一,受到了广泛的关注。尤其近年来机器学习算法在图像识别领域中的应用,为图像的分类、识别及特征提取等提供了新的技术手段,成为了该领域的研究热点。本论文针对实际工程中应用机器学习算法处理图像时,因存在实际训练样本不足导致机器学习效果不理想的问题,从研究图像特征提取原理入手,研究虚拟样本的生成算法、虚拟样本的数量等对机器学习性能的影响。论文首先对典型的两种机器学习算法(支持向量机和深度置信网络)进行了工作原理分析和介绍;同时通过实验验证了常用的图像特征提取与降维机理、作用。其次,本文研究了一种基于特征层面对虚拟样本有效性进行评价的基本思路,即利用特征评价中的“互信息”、“欧氏距离”以及最后的总体识别精度作为对构建虚拟样本有效性的评价;并对基于“重采样”、“奇异值重构”、“轮廓波重构”叁种方法生成的虚拟样本有效性进行了实验验证和有效性评价,实验结果表明论文使用的叁种虚拟样本生成算法能够实现对原始样本有效扩充,并改善识别效果。最后将论文的研究成果应用于SAR图像及人脸图像的识别中并通过在支持向量机与深度置信网络两种机器学习算法分别实验验证。人脸方面在ORL、YALE与FERET多个数据集上的实验表明,在样本数不足时通过拓展虚拟样本可以有效地提升人脸图像的识别率。另外在SAR图像的MSTAR公共数据集上使用本文使用的虚拟样本方法扩充后能够明显提高识别分类效果,拥有更加优秀的识别性能。本文的结论证实了虚拟样本在机器学习算法上的有效性以及广泛应用空间,也为机器学习中解决小样本问题提供了有力的帮助。
徐波[2]2012年在《基于判别字典学习的稀疏表示图像识别算法研究》文中认为图像识别是模式识别和计算机视觉领域的热点研究课题,广泛应用于国防军事、公共安全、工业和日常生活的诸多方面。最近几年,基于信号稀疏表示的方法在图像识别方面取得了较好的效果,基于稀疏表示的模式识别理论受到越来越多研究者的关注。本文在分析总结国内外相关研究的基础上,讨论以下叁种改进的基于稀疏表示的图像识别算法。首先,考虑到Gabor特征对光照、表情和姿态等变化的鲁棒性,研究Gabor特征集结合判别式字典学习的稀疏表示图像识别算法。先提取图像对应不同方向、不同尺度的多个Gabor特征;然后将降维的增广Gabor特征矩阵作为初始特征字典,通过对该字典的学习得到对样本既具有表示能力又具有判别性的新字典;最后在新字典上进行稀疏编码。实验结果验证了算法的有效性。其次,研究基于多尺度局部判别字典学习的稀疏表示人脸识别算法。首先将图像划分为多尺度的不重迭图像块构建局部图像子集并作为原始字典;然后在利用样本的类别信息基础上,分别联合学习出具有判别性的过完备字典及对应的优化分类器。测试样本的所有图像块在相应的字典上分别进行稀疏表示,最后利用投票策略最终判定样本的类别。实验结果证明了该算法的合理性。最后,考虑到图像识别中全局与局部信息的互补作用,研究基于全局和局部特征联合稀疏表示的人脸图像识别算法。首先,分别抽取图像的全局和局部特征构建全局和局部特征字典;然后图像的特征向量在相应的特征字典上进行联合编码,此外,在编码域通过自适应加权反映不同特征贡献的大小;最后通过总体编码误差来判定待识别图像所属的类别。实验结果证明了该算法的可行性。
严旭东[3]2017年在《基于稀疏编码的图像识别算法的研究及应用》文中认为随着压缩感知理论的发展,大量基于稀疏表示的图像去噪、图像融合、图像超分辨率等算法被提出并得到广泛应用,然而稀疏表示分类算法应用于图像识别领域各个阶段的研究依然有待完善。稀疏表示分类算法可以简单的分为叁个阶段:特征选择和提取,过完备字典的构造,稀疏表示和分类。本文就稀疏表示分类算法的这叁个阶段做了深入的理论分析并提出改进算法。对于特征的选择和提取,本文提出了鉴别性的Gabor多分量协同表示算法;对于过完备字典的构造,本文结合不相干判别字典学习算法和高效判别字典学习算法,提出了快速不相干判别字典学习算法;对于稀疏表示的目标函数本身,本文受概率协同表示分类算法的启发,提出了基于概率分析的鲁棒稀疏表示分类算法。除了理论上的深入研究和创新之外,本文分析了当前印染布检测过程中存在的问题,将稀疏表示图像识别算法应用于印染布的自动检测中。针对稀疏表示图像识别的研究及应用具体做了如下工作:(1)在深入研究稀疏表示分类算法的基础上,受已有基于概率分析的协同表示分类算法的启发,提出使用概率分析来解释稀疏表示算法。基于概率分析的鲁棒稀疏表示分类算法是从概率子空间的角度分析概率推导的可行性,最终的概率分析结果与稀疏表示算法目标函数相吻合,完善了稀疏表示分类算法理论。(2)由于Gabor特征多个分量的鉴别能力不同,本文分析了不同分量之间的鉴别能力大小,提出用类内方差和类间方差比值来判断鉴别能力的大小。本文通过一定策略淘汰那些鉴别能力较差的特征分量,利用剩余的特征分量来分类识别。在投票确定最终分类归属的问题上,本文通过计算每个样本的k近邻来确定该特征分量用于分类的权重,通过加权投票的方法确定最终结果,使得分类更加准确。由于人脸识别在图像识别中的特殊性,本文使用协同表示分类器取代稀疏表示分类器,使得在光照、表情、姿态和遮挡等不确定性变化的情况下识别更加鲁棒。并且由于协同表示分类算法避免了求解1L范数优化,计算效率得到较大的提高。(3)为了解决Fisher判别字典学习算法中,学习得到的字典没有考虑字典原子之间的不相干性,以及在稀疏编码阶段非常耗时的问题。本文结合不相干判别字典学习算法和高效的判别字典学习算法,提出了快速不相干判别字典学习算法。在字典更新阶段,通过引入不相干判别项使得字典原子之间更加独立,对于目标样本的表示能力更强,从而提高稀疏分类的准确率;在稀疏编码阶段,通过求解目标函数的上界值,并且引入NAGDA算法优化求解,降低了计算复杂度,提高了算法效率。实验证明,本文提出的快速不相干判别字典学习算法(IF-FDDL),不但在表示能力和识别率上表现良好,在算法效率和收敛速度上也有了较大的提高。(4)将稀疏表示分类算法应用到印染布的自动检测中,将印染布的检测问题转化为图像的分类问题。本文设计了一个印染布自动检测系统,将原始的正常图像通过旋转的方法获得更多的非常态样本用以检测印染布走歪的情况,当待检测图像被划分到非常态类别时,说明印染过程出现布走歪的现象,需要及时调整。将本文提出的几种改进算法应用于印染布检测,通过实验证明了该系统设计的合理性和较强的检测能力。
吴亚鲁[4]2016年在《图像目标的识别》文中认为图像识别技术有着很广泛的应用空间。近些年来基于稀疏表示的识别方法正成为图像识别领域的热点。本文研究了国内外的已有算法,提出了几种改进的稀疏表达识别算法,并探讨了算法应用于红外图像识别的可行性。本文首先学习了经典的稀疏表示方法并研究了常规的字典学习方法,在此基础上,仿真研究了基于字典学习的稀疏表示人脸识别方法。使用字典学习算法(K-SVD),通过实验得到更好的参数,采用这种字典学习算法能通过缩小字典达到在保持识别率的基础上减少计算复杂度的效果。研究了基于类别相关近邻子空间的最大似然稀疏表示识别算法。提出了一种改进参数的自适应近邻分类原则。通过这种自适应的方法从各类别训练样本中选择自适应数量的局部近邻构成新的字典,组成新的字典,然后基于最大似然表示模型实现图像识别。通过仿真实验验证,这种算法能有效的提高识别速度,还具有一定的鲁棒性,算法行之有效。最后,本文分析了原子稀疏与结构稀疏两种准则的特点,提出了一种原子稀疏与结构稀疏结合的方法,主要研究了并行和串行两种方式。将并行加权计算的算法改进为少量样本自适应的求解权值得到最优权值,串行结合的计算方式是先进行原子稀疏准则再进行结构稀疏准则的方法。通过人脸数据库和少量的红外数据进行验证,验证了算法的有效性,并且讲这种算法推广到了红外数据。
刘畅[5]2018年在《加密人脸图像识别鲁棒算法研究》文中研究指明近来人脸识别在各个领域都有着广泛的应用,小到支持人脸识别的各种手机、使用人脸识别的火车站安检口、大到两会期间提升安保的人脸识别实时预警系统...在互联网时代下,人脸识别无处不在,并取得了长足的发展和进步,但同样在互联网时代信息安全和隐私保护也成为了的必不可少的话题。信息传递给第叁方或在传送的过程中,如何保证传输的信息不被泄露是当今研究的重点,目前大多数人脸识别算法都在明文域中进行,往往会忽略了人脸图像信息的安全性,因此如何解决云环境下的加密人脸识别问题具有重要意义。考虑上述因素,本文在以下几个方面开展了加密人脸图像识别的算法研究:研究了云环境下基于DCT、DFT、DWT-DCT的加密人脸图像识别的算法,通过DCT、DFT、DWT-DCT变换提取加密人脸图像的特征向量,将该特征向量作为人脸图像识别的“关键字”与保存在云端的加密人脸图像的特征向量进行相似度匹配,根据NC值大小识别人脸图像;通过实验来验证本文提出的加密人脸图像识别算法不仅具有理想的同态加密特性,也具有较好的鲁棒性能够抗常规、几何、光照和遮挡等攻击,同时可能保证人脸识别的隐私和安全性;最终根据实验数据,对以上叁种不同的变换加密人脸图像识别算法进行鲁棒性性能比较,得出不同变换的加密人脸图像识别算法分别更适合在何种情况下使用的结论;并对加密人脸图像识别的未来提出了设想和展望。
解晓康[6]2016年在《基于迁移学习的模糊图像识别技术研究》文中研究指明近几年,人脸识别和视频监督等应用受到了人们的巨大关注,但是由于受到图像获取装置与物体之间相对运动、镜头散焦或者大气湍流等因素的影响,通常会获得大量模糊的图像。常见的人工构造的视觉描述子,如LBP、HOG等,属于模糊敏感的描述子。尽管现阶段已经提出一些模糊不敏感的描述子,例如LPQ、不变矩等,但这些描述子大都基于中心对称假设来构造的。由于现实中的模糊大都不满足中心对称假设,这些描述子的识别性能迅速下降。首先,论文提出一种基于迁移学习机制的模糊图像识别算法,该方法将具有标签信息的清晰图像集作为源域,将待识别的模糊图像集作为目标域。因为常见的视觉描述子都不具有完全的模糊不变性,两个域在特征空间中具有很大的分布差异。论文通过子空间对齐的方法使得两个域更加接近,构造更鲁棒的分类器。其次,论文提出一种基于测度学习的迁移学习算法,该方法充分利用清晰图像的标签信息,构建表达能力更强的源子空间,同时提出一种新的子空间对齐算法。然后,论文提出一种基于低秩分解的迁移学习技术,使用多级低秩分解后的平均稀疏成份作为两个域的新的特征表达,在新的特征空间进行子空间建立和对齐,提升多模糊情况下的模糊图像识别能力。最后,论文研究深度学习卷积神经网络结构提取的特征在模糊情况下的域不变性,利用VGG-16网络进行特征提取,并使用线性SVM进行分类。论文在人脸、纹理、场景叁类数据库上进行实验,验证模糊域图像分别存在单模糊类型和多模糊类型时各类方法的有效性。实验结果表明,叁类迁移学习技术在各种情况下都取得了较好的识别结果。同时卷积神经网络特征相较于普通的视觉描述子具有较高的模糊域不变性。
杨方方[7]2016年在《基于稀疏表示与低秩矩阵恢复的图像识别算法研究》文中提出随着计算机视觉及模式识别等学科的发展,图像识别技术在过去几十年取得了令人瞩目的发展,在科研领域和工业生产中都得到广泛应用。但是,实际获取的图像常会受到噪音、遮挡、光照变化等多种情况的影响,导致计算机对图像的识别难度加大。另外,随着信息采集技术的发展,计算机需要处理的图片量日益增加,图像维数也越来越高,加重了计算机处理和存储的负担,如何从大量数据中提炼出有效且紧凑的信息,成为人们急需解决的一个问题。近几年,随着压缩感知理论的提出,稀疏表示算法以及低秩矩阵恢复算法以其较强的抗干扰能力、鲁棒性和泛化能力逐渐成为目前研究的热点。稀疏表示分类器(SRC)由于稀疏特性的运用,大大提高了图像识别的运行效率及对噪声的鲁棒性,但是该分类器对训练库受到严重噪声污染的情况往往缺乏鲁棒性,此外该分类器对训练库的对齐性要求也很高。低秩矩阵恢复(LR)理论的出现,为解决稀疏表示分类器面临的问题提供了思路,考虑利用低秩矩阵恢复来处理训练库中的样本图像,去除噪声的影响,同时解决训练库未对齐问题,为稀疏表示分类器提供良好的训练字典,这是本文所要解决的主要问题。本文在这两种算法的基础上,通过分析和对比国内外一些现有算法的优点和不足之处,提出了一些改进方法。本文的主要工作和创新点如下:(1)本文的图像识别算法主要是针对非理想条件提出的,即训练样本和测试样本存在光照变化、部分遮挡、噪声污染和图像未对齐等一种或多种因素干扰。本文主要思路是,利用低秩矩阵恢复算法将训练样本分解为低秩矩阵和稀疏误差矩阵,再进一步将分解出的有效信息输入稀疏表示分类器实现对目标图像的识别。(2)在训练样本图像受到噪声污染的情况下,本文采用低秩矩阵恢复算法有效地将训练图像潜在的低秩结构恢复出来。由于Gabor小波提取的图像特征更加适用于图像表示,本文引入Gabor小波变换,并用Gabor特征构建出更加紧凑的特征字典。本文对低秩矩阵恢复算法得到低秩结构进行Gabor特征提取,进一步利用主成分分析法得到低秩结构的Gabor特征所在低秩线性子空间的变换矩阵,将提取的训练样本和测试样本的Gabor特征,通过这个变换矩阵投影到同一个线性子空间中,然后在线性子空间中,利用训练样本的Gabor特征字典和测试样本的Gabor特征向量进行稀疏编码,最终实现分类识别的目的。在人脸库上的仿真实验验证了该方法是可行的,且具有良好的分类能力和较强的鲁棒性。(3)SRC分类器对训练库对齐性要求较高,但实际应用中采集的图像不仅会受到光照变化、遮挡等噪声干扰,而且还存在图像未对齐的问题。为了解决这个问题,本文提出了一种既可以更有效分解出稀疏误差结构和低秩结构,又可以有效对图像进行对齐的低秩矩阵恢复(RPCA)模型,该模型同时加入了用于对齐图像的变换矩阵和用于增强低秩结构判别性的Fisher判别准则,图像在加入了变换矩阵的RPCA作用下被自动校准,解决了稀疏表示分类器对于图像库对齐性要求较高的问题。施加在低秩矩阵上的Fisher准则降低了低秩矩阵的类内散度,并增加了其类间散度,使得经过处理得到的低秩图像类内相似性得以提高,为稀疏表示分类提供了保障。本文进一步将低秩矩阵和稀疏误差矩阵组合在一起构成一个扩展的过完备字典,用该字典对测试样本进行稀疏线性表示,并计算测试样本的类关联重构误差,依据类关联重构误差实现对测试样本的判别。实验结果表明,该方法在非理想状态的图像识别上取得了较满意的效果。
魏征[8]2017年在《基于全局和局部特征相结合的不完美牛眼虹膜识别技术研究》文中研究指明随着我国居民消费水平的提高,越来越多的居民选择营养价值更高的牛肉。然而,当受污染的个体牛及其肉制品不能被及时有效地追踪和溯源时,国民的身体健康会受到巨大的威胁。有必要对大型动物个体进行准确追踪和原产地溯源。在对饲养的动物个体进行识别管理和原产地溯源的过程中,虹膜识别技术近年来受到广泛的关注和研究。将虹膜识别技术应用在大型饲养动物个体识别和原产地溯源领域,可以有效控制痒病、疯牛病等动物疫病的传播,有助于提高食品安全管理水平,降低疾病发生可能性,保障消费者的合法权益。本文在全局和局部特征提取理论和方法的基础上,考虑到牛眼虹膜的特点,研究基于全局和局部特征相结合的不完美牛眼虹膜图像识别问题,并通过Matlab对牛眼虹膜识别算法进行验证与分析。具体内容如下:(1)在"质量不完美数量完美"的场景下(即牛眼虹膜图像存在局部遮挡、形变等质量缺陷,但是每头牛有多张牛眼虹膜图像用于训练),本文提出基于局部保持投影的2D线性判别分析算法(2DLP-LDA)。传统的LDA算法仅保留样本集的全局特征,没有利用类间局部信息和类内局部信息。2DLP-LDA在保持传统LDA优势基础上,使用LPP算法刻画类内局部几何信息,通过引入一个高斯权重函数描述类间局部几何信息。2DLP-LDA可以让来自同类的样本在低维投影空间上紧密地聚集在一起,而不损害原有的几何结构信息,同时让异类样本尽可能的远离。此外,本算法是基于2D图像而不是1D向量,因此2DLP-LDA继承了 2D算法的所有优点。本文在SEU牛眼虹膜数据库上与LDA(RLDA)、aPAC(Loog M et al.,2001)、LFDA(Sugiyama et al.,2007)、EFDC(Gao et al.,2012)和CGLDA(zhangeta1.2014)等算法进行了对比实验。2DLP-LDA在SEU牛眼虹膜数据库上表现突出,当每个个体仅有2张训练图像时,2DLP-LDA识别率为94.07%,明显高于其他算法。(2)在"质量不完美数量不完美"场景下(即牛眼虹膜图像存在局部遮挡、形变等质量缺陷,同时每头牛只有一张牛眼虹膜图像用于训练),本文提出基于虚拟图像和多流形判别分析的单样本图像识别算法(VI-MDA)。VI-MDA选用水平2DPCA、垂直方向2DPCA保留图像的全局特征,选用LBP和Gabor等特征描述子提取图像的局部特征。与以往的流形算法不同,本算法假设不同类的样本具有不同的低维流形空间,即每个样本产生多张虚拟图像,这些虚拟图像构成一个流形,每个流形都有独特的低维流形空间。本算法在SEU牛眼虹膜图像库上验证算法的有效性,在局部遮挡的情况下,本算法识别率达到77.8%,而UP(Deng et al.,2010)只有55.6%;在形变和旋转情况下,本算法依然能取得显着的实验效果。(3)为了考察上述算法的泛化能力,本文在FERET、CMU_PIE等人脸数据库上与多个算法进行对比实验。2DLP-LDA在FERET人脸数据库上识别率依然具有竞争优势,当每类样本中的训练样本很少时(不超过4),2DLP-LDA识别率最高。VI-MDA在FERET数据库上平均识别率为67.7%,在CMU_PIE数据库上的平均识别率为81.7%,均高于其他算法。实验结果表明本文提出的算法均有优秀的泛化能力。
胡元奎[9]2006年在《可变光照和可变姿态条件下的人脸图像识别研究》文中研究说明自动人脸识别在公共安全、智能监控、数字身份认证、电子商务、多媒体和数字娱乐等领域具有巨大的应用价值,同时,人脸识别的研究涉及多个学科,具有重要的理论研究价值,受到各国政府、科研单位以及军事、安全、情报部门的广泛关注和高度重视。经过几十年的研究,人脸识别取得了长足的发展与进步,目前在控制和配合条件下,人脸图像识别可以取得比较高的识别率,但是在非控制条件和非配合条件下的人脸图像识别仍然是一个极具挑战性的课题,当人脸图像中光照和人脸姿态变化时,识别率急剧下降。 本文对人脸识别中光照变化的影响进行研究,在对当前人脸识别技术中解决光照变化问题的方法进行分析的基础上,提出了一种人脸图像的低维光照空间表示方法,在此基础上进行可变光照下的人脸识别。通过实验发现,9个基本点光源可以近似表示人脸识别应用中几乎所有的光照条件,在这9个基本光源照射下的9幅人脸基图像构成了低维人脸光照空间,它可以表示不同光照条件下的人脸图像,结合光照比图像方法,可以生成不同光照下的虚拟人脸图像。将这些虚拟人脸图像作为模板图像,可以进行不同光照下的人脸图像识别。本文提出的低维光照空间的主要优点是:通过这个光照空间,不仅能够由输入图像估计其光照参数,而且能够由给定的光照条件生成虚拟的人脸图像;利用某个特定人脸的图像建立的光照空间,可以应用于任意一张人脸,生成其在不同光照下的虚拟人脸图像。低维光照空间表示的思想虽然是以人脸为对象提出的,但可以推广应用于其他的对象。 本文对人脸识别中姿态变化的影响进行研究,提出基于单张正面照片的叁维人脸模型合成方法,利用合成的叁维人脸模型,生成不同姿态下的虚拟人脸图像,从而进行可变姿态下的人脸识别。由二维图像恢复对象的叁维模型是计算机视觉领域的一个基本问题,传统的由二维人脸图像恢复人脸叁维模型的方法需要多幅人脸图像、图像序列,或者需要限定条件下的立体图像对、正面和侧面图像对等,不利于实际应用。本文提出的算法只需要一幅正面人脸图像,降低了对使用条件的要求,便于实际应用,具有广阔的应用前景,该方法合成的叁维人脸模型可以满足人脸识别、表情动画、人机交互的需要。 本文提出一种基于人脸对称性的快速人脸姿态估计方法,该算法能够仅由一幅输入图像快速、准确地估计出人脸的3D姿态。和其它检测方法相比,该方法具有模型简单、计算速度快等优点,利用面积作为输入信息,降低了估计结果对特征
赵淑欢[10]2016年在《欠完备采样环境下面向数据的稀疏表示人脸识别研究》文中进行了进一步梳理人脸识别因其非接触性、易采集等优点而被广泛研究,并主要应用于考勤、门禁、监控、公安等系统。虽然目前众多种人脸识别算法已取得较好的识别性能,但人脸识别系统在实际应用中仍面临很多挑战,其中主要包括:由光照变化、饰品等引起的遮挡人脸识别问题;非可控条件下可采集到的样本数少,即小样本问题;姿势和表情变换等,本文将这种情况下的人脸识别称之为欠完备采样人脸识别。欠完备采样会造成人脸信息的缺失,降低已有算法的识别性能。为此提出面向数据的稀疏表示算法对该问题展开研究以提高人脸识别算法的鲁棒性和实用性,具体研究内容如下:(1)根据近邻表示和分辨性分解算法分别提出基于近邻类加权结构稀疏表示图像识别算法和基于分辨性分解结构稀疏表示遮挡人脸识别算法。字典中各类训练样本对测试样本分类的贡献不同,一般近邻样本对测试样本的正确分类具有较大的促进作用,因此考虑选取近邻类并加权进行测试样本分类,不仅可降低算法的计算复杂度,同时提高算法识别率。此外,为提高遮挡情况下的人脸识别性能,采用分辨性分解算法对遮挡部位进行分离,并在分解得到的共同部分和低秩条件部分上分别进行主成分分析,并计算投影矩阵,最后在投影空间上进行结构稀疏表示并分类。(2)为解决全局算法对遮挡的敏感性,并进一步降低遮挡对识别性能的影响,对图像进行分块局部处理,通过对遮挡模块赋予低权值,干净模块赋予高权值来降低遮挡模块对算法性能的影响。为此,本文提出几种不同的模块加权方案:首先,将图像分割成多个有重迭的模块,并利用Fisher率计算每个模块的分辨性,据此对每个模块加权,保留分辨性高的模块进行后续的分类识别;其次,将图像分割成4部分,并利用稀疏残差对模块加权进而对遮挡部分进行估计,最后仅在非遮挡部位上进行分类判别;最后,将以上两种加权方案联合,提出基于Fisher判别和稀疏残差的模块加权算法,该算法联合了Fisher加权和残差加权的优势,以进一步提高遮挡检测性能。(3)为精确检测遮挡部位,并实现无遮挡训练集上的遮挡人脸识别,提出两种像素级上的遮挡检测算法:基于稀疏表示的像素级遮挡检测人脸识别及基于块递推残差分析的双层稀疏表示分类算法。基于稀疏表示的像素级遮挡检测算法根据类残差分析各类遮挡估计结果,并对结果进行统计得出最终的像素遮挡估计,最后仅在非遮挡像素集上进行识别。基于块递推残差分析的算法将遮挡样本分成上下两个模块,利用稀疏度较高的模块重构整幅测试图像,并根据残差估计遮挡像素进而对各像素进行加权并分类,以此提高遮挡人脸的识别性能。像素级遮挡检测可避免分块遮挡检测算法中模块中同时含遮挡和非遮挡部分而造成的识别率低的问题。(4)利用核空间对块稀疏表示算法进行非线性扩展,并提出核块稀疏表示算法(KBSRC:Kernel Block Sparse Representation based Classification),该算法将样本投影到降维的核空间,因而可将样本的原非线性空间线性化,而在该空间上利用样本的结构信息分类可提高分类性能。
参考文献:
[1]. 用于机器学习中图像识别的虚拟样本算法研究及应用[D]. 郑儒楠. 南京航空航天大学. 2017
[2]. 基于判别字典学习的稀疏表示图像识别算法研究[D]. 徐波. 燕山大学. 2012
[3]. 基于稀疏编码的图像识别算法的研究及应用[D]. 严旭东. 江南大学. 2017
[4]. 图像目标的识别[D]. 吴亚鲁. 南京理工大学. 2016
[5]. 加密人脸图像识别鲁棒算法研究[D]. 刘畅. 海南大学. 2018
[6]. 基于迁移学习的模糊图像识别技术研究[D]. 解晓康. 华中科技大学. 2016
[7]. 基于稀疏表示与低秩矩阵恢复的图像识别算法研究[D]. 杨方方. 江南大学. 2016
[8]. 基于全局和局部特征相结合的不完美牛眼虹膜识别技术研究[D]. 魏征. 东南大学. 2017
[9]. 可变光照和可变姿态条件下的人脸图像识别研究[D]. 胡元奎. 中国科学技术大学. 2006
[10]. 欠完备采样环境下面向数据的稀疏表示人脸识别研究[D]. 赵淑欢. 燕山大学. 2016
标签:计算机软件及计算机应用论文; 图像识别论文; 人脸识别算法论文; 人脸检测技术论文; 人脸识别技术论文; 稀疏编码论文; 模糊算法论文; 稀疏表示论文; 判别分析论文; 图像融合论文; 模糊理论论文; 空间分析论文; 人工智能论文; 样本空间论文; 矩阵分解论文; 计算机视觉论文; 分类器论文; gabor论文; 图像处理论文; 算法论文;