基于压缩感知认知模型的面像识别与理解
基于压缩金字塔核稀疏表示的人脸识别
基于压缩金字塔核稀疏表示的人脸识别周凯;元昌安;覃晓;郑彦;苏杰波【摘要】Face recognition is still challenging due to the large variations of facial appearance,caused by lighting,partial occlusions,head pose,etc.The feature extraction is a key step for face recognition.In order to improve the recognition rate of face recognition,we introduce a novel feature extraction technique for face recognition,which is a combination of compressed sensing and spatial pyramid model method. The scale invariant feature transform is first used to be a feature extractor to obtain facial features.Then by using sparse coding in the randomly generated dictionary,dimensionalities of those features are re-duced.After the spatial pyramid is used to be a feature extractor to obtain different spatial scales,the max pool is used to integrate the features.Finally,the kernel sparse representation classifier is proposed to classify the features to complete the face recognition.The experimental results based on the Extended Yale B,AR and CMU PIE databases demonstrate that the method has a strong robustness in the illumi-nation,pose and disguise variation with a faster running speed.%人脸识别中光照、伪装及姿态等变化一直是富有挑战性的问题,其中特征提取是很关键的一步。
基于小波包变换和压缩感知的人脸识别算法
对人脸图像进行分类。 郑轶、蔡体健[1]针对人脸求解稀
疏表示时正交匹配追踪算法运算度 高，提出了一种改进的算法，加快了 逆矩阵和大矩阵乘积的求解，但在构 成训练字典时对光照[2]、表情[3]、姿 态[4]等考虑较少解最优 稀疏表示时算法运算度高，提出了一 种凸优化算法，取得了不错的识别
引言 人脸识别是一个经典的模式识别
问题。压缩感知理论的出现和发展， 给人脸识别带来了新的启发，使得基 于稀疏表示的人脸识别技术得到了广 泛研究。传统的基于稀疏表示的人脸 识别是利用压缩感知超完备库下的稀 疏表示，将训练图片直接构造为冗余 字典，再求解重构算法下的最优稀疏 线性组合系数，然后根据这些系数来
责任编辑：王莹
Electronic Security
基于小波包变换和压缩感知的人脸识别算法
Face Recognition Algorithm Based on Quaternion and Compressive Sensing
魏娇龙 天津大学电子信息工程学院（天津 300072）
摘要:对压缩感知在人脸识别中的应用进行了研究，提出了一种基于小波 包变换和压缩感知的人脸特征提取算法。首先对人脸图像进行小波包变 换，提取人脸低频、高频四个频带特征，完成基函数字典下的稀疏表示， 再运用投影矩阵进行降维和有效区分信息的提取，得到最终特征向量。本 算法有较好的识别率，对表情、姿态和遮挡物有很好的鲁棒性。同时因不 进行重构算法计算最优稀疏解，使得压缩感知部分运算量得到很大降低。 本文网络版地址：/article/235426.htm 关键词：小波包变换；压缩感知；人脸识别；特征提取；稀疏表示 DOI: 10.3969/j.issn.1005-5517.2014.3.012
基于稀疏表示和压缩感知的人脸识别研究综述
孙 彬彬 15-03-21, 16:40
摘要
首先从变量选择、 视觉神经学、 信号表示、 压缩感知四个方面介绍了稀疏性概念， 然后通过图像
去模糊的例子介绍稀疏表示中研究的两个主要问题，即字典设计和稀疏分解算法。详细介绍了稀疏表 示和压缩感知在人脸识别中的应用，总结了基于稀疏表示和压缩感知的人脸识别框架存在的局限性以 及目前相应的研究进展，对occlusion问题和其中判别式字典学习问题提出了自己的研究模型，正在研 究求解算法及其实验设计。 关键词 稀疏性， 字典设计， 稀疏分解算法， 稀疏表示， 压缩感知， 人脸识别
2 稀疏表示数学模型
上面我们分别从变量选择、信号表示、视觉编码、压缩感知等角度介绍了稀疏性。 下面我们从信号表示的角度给出信号稀疏表示的数学模型。给定信号y ∈ Rn 为待处理信 号，A ∈ Rn×m 为基函数字典，A的每一列称作一个原子, 通常n ≤ m, 即字典是过完备的。 假设y可以用A的不超过k个原子即不超过k列的线性组合表示，则信号y的稀疏表示模型 如下： y = Ax s.t. x
理就是， 每次对外界信号的刺激， 只有少数细胞被激活。 在(1997, Vision Research ,Sparse Coding with an Overcomplete Basis Set: A Strategy Employed by V1?)这篇文章中，作者选 择的S = log(1 + x2 )。从中我们可以看到像这种对数函数也能够促使解稀疏？那么到底哪 些惩罚函数能够促使解稀疏？他们的有什么区别？这就是稀疏性度量问题。 下面从压缩感知(CS-Compressive Sensing)角度介绍稀疏性。与香农赖奎斯特采样定 理相比， 压缩感知是一种全新的信号采样方法。不同的是香农采样定理基于信号的带宽 这个先验， 要求采样频率不低于信号最高截止频率的两倍。几乎现在的所有信号的采集 都遵循这个原则。基于此我们采样得到了大量的数据， 为了有效传输、 处理、 提取信息， 我们需要对采样后的信号进行压缩， 从而又抛弃掉大量的冗余数据， 这个过程造成了巨 大的浪费。而2006年，由Cande、Tao 和Donoho提出的新的采样理论CS 则可以突破香农 采样定理的采样下限，同时可以保持同样的重构精度。CS是基于这样的观察，即实际 中的很多信号在合适基下的表示都是稀疏的。CS理论指出，若信号x在某组正交基、紧 框架或过完备字典Φ上变换系数是稀疏的，如果我们用一个与变换基Φ不相干的观测矩 阵Ψ 对变换系数向量进行线性变换，得到观测信号y，则我们可以利用优化方法由观测 信号y精确地重构原来的信号x。与Nuquist-Shanon 的直接测量信号本身的信号获取方式 不同， CS是测量的是信号与一个非相干的测量系统(感知矩阵)的乘积。 具体模型如下：设测量信号x ∈ Rm 是稀疏信号(即最多只有k个分量非零)或在某组正 交基或冗余字典上的变换系数是稀疏的，A ∈ Rn×m (k < n 无噪声， 则测量结果信号为 y = Ax 。现在的问题是如何由测量信号y恢复原信号x。这是一个求欠定线性方程组解的问题， 即未知数比方程个数要多。我们知道，在对解x没有任何限制或先验的情况下是不可能 有y唯一恢复出x的，因为该方程组有无穷多组解。从信号表示的角度就是信号y的表示 不唯一。但在信号是稀疏的这一先验假设条件下， 可以通过以下最优化问题来求解： min x
基于压缩感知的红外人脸识别
基于压缩感知的红外人脸识别作者：杜梅曹蔚然来源：《软件工程》2019年第01期摘; 要：压缩感知理论是一种全新的数据采集技术，其采用非自适应线性投影来保持信号的原始结构，通过数值最优化问题准确重构原始信号。
本文利用压缩感知的优秀特性，采用基于稀疏表示的模式分类方法，通过提取红外人脸图像的全部信息作为特征并建立特征矩阵，将待识别人脸作为压缩感知测量值，并通过正交匹配追踪算法进行重构，根据重构的稀疏系数所属类别进行红外人脸识别。
实验表明，基于压缩感知的红外人脸识别结果准确率高。
实验验证了本算法的有效性。
关键词：压缩感知;稀疏表示;红外人脸识别中图分类号：TP751.1; ; ;文献标识码：AInfrared Face Recognition Based on Compressed SensingDU Mei，CAO Weiran（Software Institute，Shenyang Normal University，Shenyang 110034，China）Abstract：As a new data acquisition technology，compressed sensing theory uses non-adaptive linear projection to maintain the original structure of the signal，and accurately reconstructs the original signal through numerical optimization.In this paper，a pattern classification method based on sparse representation is used.By extracting all the information of the infrared face image as the features and establishing feature matrix，the face to be recognized is taken as compressed sensing measurement value，which is reconstructed through the orthogonal matching pursuitalgorithm.Finally，the face is recognized according to the category of the reconstructed sparse coefficient.Experiment results prove the high accuracy and effectiveness of the infrared face recognition based on compressed sensing.Keywords：compressed sensing;sparse representation;infrared face recognition1; ;引言（Introduction）压缩感知理论[1-6]为数据采集技术带来了革命性的突破，得到了研究人员的广泛关注。
基于压缩感知的人脸识别算法实现
基于压缩感知的人脸识别算法实现孙海威;曹曦文;张鑫晟;孔尧;宋雪桦【期刊名称】《信息技术》【年(卷),期】2018(42)3【摘要】为了可以更好地处理人脸识别中数据量大、高维度、非线性等问题,文中提出了一种基于压缩感知的人脸识别算法.首先采用随机测量矩阵将人脸稀疏表示,其次使用主成分分析法对人脸进行特征提取,最后运用改进的梯度投影法来确定测试人脸图像的分类.实验在ORL人脸数据库中进行验证,表明本文提出的算法具有更短的识别时间和更高的识别率.%In order to deal with the problem of large amount of data,high dimensionality and nonlinearity in face recognition,in this paper,a face recognition algorithm based on compressed sensing is proposed.Firstly,the sparse face is represented by the random measurement matrix.Secondly,the principal component analysis (PCA) is used to extract the features of the face.Finally,the improved gradient projection method is used to determine the classification of the tested face images.The experiments on ORL face database show that the proposed algorithm has shorter recognition time and higher recognition rate.【总页数】4页(P155-158)【作者】孙海威;曹曦文;张鑫晟;孔尧;宋雪桦【作者单位】江苏大学计算机科学与通信工程学院,江苏镇江212000;江苏大学计算机科学与通信工程学院,江苏镇江212000;江苏大学计算机科学与通信工程学院,江苏镇江212000;江苏大学计算机科学与通信工程学院,江苏镇江212000;江苏大学计算机科学与通信工程学院,江苏镇江212000【正文语种】中文【中图分类】TP391.41【相关文献】1.人工智能在高校智慧图书馆中的应用与发展——基于人脸识别技术的应用及其算法实现 [J], 李佩蓉;解解;崔旭;李姗姗2.基于压缩感知的宽带信号采集系统性能分析与算法实现 [J], 焦松鹤;彭华3.利用期望-最大化算法实现基于动态词典的压缩感知 [J], 胡磊;周剑雄;石志广;付强4.基于PCA、SVM算法实现人脸识别 [J], 董陈武5.基于图像处理的人脸识别算法实现 [J], 熊长智;万春兰因版权原因，仅展示原文概要，查看原文内容请购买。
基于压缩感知的人脸识别算法
基于压缩感知的人脸识别算法1 压缩感知介绍过去的几十年间，各种传感系统获取数据的能力不断地增强，这就对系统的采集和处理能力提出了更高的要求。
如果仍然采用传统的nyquis t采样定理，就需要二倍于信号带宽的采样率，这给采样硬件设备带来了极大的挑战。
压缩感知理论是由donoho与candes等人提出的一个新的理论框架，其在线性模型的基础上，核心是只要信号是稀疏的，低维信号就能很好的恢复到高维信号。
2 理论简介传统的信息处理主要由采样、压缩、传输和解压缩四个部分组成。
在这个传统过程中，采样率必须高于信号模拟信号中最高频率的二倍，随着图像数据的越来越大，这给采样设备提出了更高的要求。
传统的信号压缩是通过对信号进行一些变换（如：小波变换、离散余弦变换），然后剔除掉变换后为零或近似为零的数据，通过对少数绝对这大的新书进行压缩编码，从而实现大数据的压缩。
在传统信号获取过程中，将采样和压缩分开，是否可以将压缩和采样过程合并呢？于是有人就尝试着将采样和压缩过程合并，这不仅能够大大缓解香农定理对于采样率和传输处理的要求，也能够大大提高数据采集的效率和性能。
2.1 信号稀疏表示通常，大部分自然信号并不是稀疏的，但是通过实验发现大部分自然信号都可以通过某些映射变将其变换为稀疏的根据调和分析理论，一个一维离散信号f，可以通过一组标准正交基线性表出：或（3.1）其中，n为信号长度，为标准正交基，为正交基的第 i列的向量，系数矩阵。
如果系数矩阵x是稀疏的，那么原始信号f就是可稀疏表示的。
如果说系数矩阵x为信号f的k稀疏表示，则向量x中只有k个非零分量。
2.2信号重构在压缩感知中，信号的稀疏表示和重构是其核心。
现在我们考虑一个信号重构问题，它的测量矩阵为，原始信号为x，x在上的线性测量值为，即：（3.2）方程（3.2）展示了原始信号x在测量矩阵变换下的线性投影，现在我们考虑如何由信号y重构出原始信号x来。
原始信号x可以通过对测量值y的最优l 0范数问题的求解来实现重构：s.t （3.3）由于常见信号并不是稀疏的，但是可以通过某种变换变换为稀疏信号，即f=x，f为信号x在变换域的稀疏表示：（3.4）另外有：s.t （3.5）重构原始信号：（3.6）3 压缩感知压缩感知理论出现后，它以其优异的性能已经迅速地被应用到各个领域中了。
基于压缩感知的图像识别技术研究
基于压缩感知的图像识别技术研究随着人工智能和技术的不断发展，图像识别技术也得到了空前的发展。
如今，人们可以通过智能手机拍摄照片、通过无人机拍摄航拍照片、通过摄像头监控图像等方式获取大量的图像数据。
对这些图像数据进行处理并快速准确地提取信息，已成为当前数据处理领域的重要研究方向之一。
在传统的图像处理中，大多采用的是压缩和编码的方式对图像进行处理，并将其储存在计算机中。
但是，这些过程往往需要时间和计算资源，同时也有一定的存储成本。
近年来，随着压缩感知理论的发展，研究者开始借鉴这种新的理论手段，把“感知”这个思想引入到图像处理的过程中，从而取得了一些突破性的进展。
基于压缩感知的图像识别技术，是目前研究热点之一。
该技术的核心思想在于，通过对图像进行压缩处理，以及对图像内部的信息进行感知和提取，从而提高图像处理的效率和准确性。
具体来说，该技术主要包含以下几个方面的研究内容：一、信号压缩信号压缩是基于压缩感知的图像处理中的一个基本环节。
它主要是采用一些稀疏性表示方法，将图像进行压缩处理，并将其转化为低维空间中的信号。
在这个过程中，需要注意的是对图像数据进行适当的采样，以保证图像信息的完整性和有效性。
二、感知表征感知表征是基于压缩感知的图像处理中的关键环节。
它主要是基于感知学习，把图像数据进行分组，形成感知表征，从而提高图像处理的准确性和效率。
其中，感知学习是指通过人工智能技术，让计算机自动从大量的训练数据中学习和提取图像特征，并将其应用到未知数据的处理中。
三、图像分类基于压缩感知的图像分类是指在压缩感知的前提下，通过机器学习技术来识别和分类各种类型的图像。
对于这个问题，研究者主要采用神经网络、支持向量机等机器学习方法进行处理。
总体来说，基于压缩感知的图像识别技术，是目前图像处理领域中一个值得关注的新方向。
它将图像压缩处理和感知学习相结合，通过合理的采样和压缩，以及对图像内部信息的感知和提取，达到图像分类和识别的快速、准确的效果。
一种基于压缩感知的单样本人脸识别方法
一种基于压缩感知的单样本人脸识别方法周建华【摘要】针对人脸姿态、光照和表情等各方面原因引起人脸识别率不高的问题,提出了一种基于单样本特征点形变成冗余样本的压缩传感人脸识别方法.将人脸图像信号进行小波变换得到系数的稀疏表示,采用高斯随机测量矩阵进行测量得到离散人脸单样本,基于特征点形变人脸三维模型生成冗余样本,通过稀疏特征点正交匹配追踪非线性重建算法重建冗余图像进行人脸识别.仿真实验结果表明,所提出的算法相对于同类算法,时间复杂度较低、精确度较高、鲁棒性较强,且随复杂环境变化,其优势更明显.【期刊名称】《佳木斯大学学报（自然科学版）》【年(卷),期】2015(033)006【总页数】3页(P855-857)【关键词】压缩感知;稀疏特征;单样本;冗余样本;人脸识别【作者】周建华【作者单位】湖南警察学院,湖南长沙410138;湖南大学信息科学与工程学院,湖南长沙410082【正文语种】中文【中图分类】TN912.340 引言近年来，压缩感知在图像处理理论与实践方面均匀重大突破，作为一种全新的信号采样理论，采用非线性重建模型以较高质量地重构原始信号，在压缩感知框架下进行人脸识别能利用信号的稀疏结构和不相关性，可以大大提高识别效率.1 人脸图像压缩感知过程将人脸图像一维化成n 的离散信号x，记作x(n)，n ∈［1，2，…，N］［1］.根据信号表示变换理论，X 用一组基ΨT=［Ψ1，Ψ2，…，Ψn，…，ΨN］的线性组合表示，则式中，λp=＜X，Ψp ＞假设人脸图像信号X 在某个变换基Ψ 上有且仅有K 个大系数(其他系数等于零或者接近于零)，则认为变换基是X 上的其中一个稀疏基(可以找到图像信号多个稀疏基).如果只有k 项非零系数，而其他系数均为零，定义其图像信号为严格稀疏信号，但在复杂背景、光照及表情变化下导致拍摄人脸图像信号基本上满足不了其要求，若信号在某变换基下系数快速衰减，并呈指数级变化趋向于零，则认为该图像信号是广义上的稀疏信号(有时定义为可压缩信号)，则(1)式经压缩观测变换表示为式中:Φ 称为测量矩阵，大小为M×N，y 为观测所得向量M×1，x 为原信号N×1(M ＜＜N)，但x 一般不是稀疏的，但在某个变换域Ψ 是稀疏的，即x=Ψθ，其中θ 为K 稀疏的，Ψ 称为变换矩阵，大小为N×N，是信号x 在Ψ 变换域的稀疏表示，即θ 只有K 项非零项.此时y=ΦΨθ，令A=ΦΨ，A 称为CS信息算子，大小为M×N，则y=Aθ.Ψ 在对拍摄的原始人脸图像进行小波变换或小波包变换得到稀疏系数按照低频、横向高频、纵向高频和斜向高频分块处理之后，在满足约束等距性RIP 条件下构建一个与小波正交基线性不相关的观测矩阵Φ，RIP性质能保证观测矩阵Φ 把两个不同的K 稀疏信号映射到同一个集合中(保证原空间到稀疏空间的一一映射关系)的概率为零，构成的条件为观测矩阵中抽取的任意M 个列向量构成的矩阵是非奇异的［2］.将人脸图像信号矩阵与观测矩阵Φ 乘积运算，经过降维计算后得到与观测矩阵维度相同的观测测量值Y 矩阵，对其小波域系数以特征点为中心进行重新排列分块，通过块稀疏的正交匹配算法BOMP 求解最优化重建恢复，其问题核心是获取测量矩阵值y 和给定观测矩阵Φ 的基础上，通过变换求解上式(2)得到原人脸图像信号矩阵X，重建过程是求解下式最优问题为上式可通过匹配追踪算法BP、正交匹配追踪算法OMP、梯度投影算法GP 等来实现人脸模糊图像信号重建，本文考虑人脸图像分块特性，采用基于图像小波域特征点为中心的分块采样策略，分块分频率重建.上式中但我们常对将0 范数转化为1范数问题进行求解，使病态问题具体化求解［3］.2 基于稀疏特征的冗余样本定义三角网络人脸模型中前额、眉毛、瞳孔、眼白、耳朵、面颊、鼻子、嘴唇、下颚等特征点，通过文献［3］算法在三维网络人脸模型定位后确定其N个特征点的三维坐标并创建特征点数据库.令其对象N 个特征点υ1，υ2，…，υN，设π(υi)(i=1，2，…，M)是从输入源空间到特征目标空间的映射，设其均值为Ψ，即=Ψ(其中Ψ →0)，假定在特征目标空间中的协方差矩阵ζ =通过λσ=ζσ 来计算ζ 的特征值λ，可变换成由(4)、(5)、(6)综合，可得令k ij=π(υi)π(υj)，可将(4)式化简为Mλa=ka，求出其特征点特征值和向量［4］.设λ1 ≥λ2≥，…，≥λn 按照特征显著性排列表示其m 个光照、姿态、纹理综合三维特征值，a1，a2，…，am 表示其对应的三维特征向量，那么第i 个输入特征矢量在三维人脸模型空间中的降维变换表示为将原始人脸的N 个顶点的三维模型特征点样本集表示为图1 同一张人脸在q 取不同的值时重构的人脸图像图2 实验选取的ORL 库人脸图像其中X 表示其特征点光照特征向量，Y 表示其特征点姿态特征向量，Z 表示其特征点纹理特征向量.令γ 为变换组合系数，从而可以冗余生成出多个光照、表情及姿态的人脸特征表示为令kij=π(υi)π(υj)，可将上式化简为Mλa=ka，可求出其特征点特征值和特征向量.构造训练样本为人脸样本的超完备字典，对其进行稀疏化特征表示为测试样本，寻找最佳稀疏表示自然能区分出训练样本中的不同类别［5］.取前k 个最大特征值对应的特征向量构成稀疏变换矩阵P =［p1，p2，…，pk］，根据确定K 的，其中为样本协方差矩阵的特征值.q 的取值范围为0 至1 之间，q 越大，其变换在光照、姿态、纹理等方面相似性越大，对原始人脸图像经过上述稀疏变换、块分解作为稀疏训练样本q 取不同值，对应不同特征人脸图像，如图1 所示.3 实验过程及结果分析本文根据上述方法，从ORL 人脸数据库中选择五个人其中任意一张人脸图像为训练样本，ORL库中剩下的其他的人脸图像(包括本人和他人的)为测试样本进行实验.选取的ORL 库人脸图像如图2 所示.在单样本情况下，基于压缩感知和稀疏特征点，获取了更多的细节信息生成多样本人脸，通过多样本多特征匹配进行识别分类.通过10 副图像进行识别平均计算，本文所提的算法在时间复杂度上有所降低，在识别精度上大大提高，如表1 所示.表1 几种人脸识别算法在复杂度、精确度及耗时的比较Algorithm time complexity Accuracy Identification time(ms )PCA O(n3)94.27% 148.9 HMM O(n3) 94.71% 101.4 Bayes O(n3) 95.12% 151.7本文 O(nlogn)97.74% 107.9 4 结论本文利用压缩感知在图像处理上的优势提出的基于压缩感知单样本人脸识别方法，对原始人脸图像进行小波变换或小波包变换得到稀疏系数按照低频、横向高频、纵向高频和斜向高频分块处理之后，将人脸图像信号矩阵与观测矩阵乘积运算，得到与观测矩阵维度相同的观测测量值矩阵，在三维网络人脸模型定位后确定其显著性特征点的三维坐标，以坐标为中心点重新排列分块，通过块稀疏的正交匹配算法求解最优化重建恢复，该方法充分利用信号的稀疏结构和不相关性，大大提高人脸识别效率.参考文献:［1］ Gross R，Matthews I，Cohn J.Multi－PIE［J］.Image and Vision Computing，2010，28(5):807－813.［2］ Chang Xueping，Zheng Zhonglong，Duan Xiaohui，et al.Sparse Representation －based Face Recognition for one Training Image Per Person［A］.Advanced Intelligent Computing Theories and Applications ［C］.Berlin Heidelberg:Springer，2010:407－414.［3］ Lu Jiwen，Tan Yap－peng，Wang Gang.Discriminative time Analysis for Face Recognition From a Single Training Sample Per Person［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence.2013，35(1):39－51.［4］方红，章权兵，韦穗.基于非常稀疏随机投影的图像重建方法［J］.计算机工程与应用，2007，43(22):25－27.［5］周建华.一种PCA 和SVM 多生物特征融合的视频人脸识别［J］.佳木斯大学学报(自然科学版)，2010，28(4):1－4.。
基于压缩感知的分块法人脸识别
基于压缩感知的分块法人脸识别
党婵娟;曹继华;孙金超
【期刊名称】《无线电通信技术》
【年(卷),期】2013(039)005
【摘要】基于压缩感知的人脸识别算法(SRC)利用了高维数据分布的稀疏性进行建模,能够很好地解决图像高维处理问题,有效地避免维数灾难.对基于压缩感知的人脸识别算法的基本原理进行了深入地分析和研究,并对SRC算法进行了改进,提出了基于分块思想的压缩感知人脸识别算法,解决了人脸图像识别中存在的遮挡问题,避免了特征提取过程所造成的图像信息丢失,也避免了图像中局部信息的损坏对整体识别效果的影响.通过仿真实验表明改进算法的识别率比SRC算法的识别率提高了7％～8％.
【总页数】4页(P93-96)
【作者】党婵娟;曹继华;孙金超
【作者单位】天津职业技术师范大学,天津300222;天津职业技术师范大学,天津300222;天津职业技术师范大学,天津300222
【正文语种】中文
【中图分类】TN911.7
【相关文献】
1.基于压缩感知和图像分块的遮挡人脸识别 [J], 张近;夏凌;李光瑞
2.基于自适应中值滤波的分块压缩感知人脸识别 [J], 党婵娟;高海;杨磊;孙彩锋
3.基于压缩感知理论的分块压缩感知算法 [J], 黄超;吴亚娟
4.一种基于分块压缩感知的红外成像方法 [J], 刘晓宇;于洵;丁良华;韩峰;龚昌妹
5.基于物联网技术的小波域分块压缩感知算法的图像重构系统设计 [J], 赵勃因版权原因，仅展示原文概要，查看原文内容请购买。
基于压缩感知的人脸识别方法
基于压缩感知的人脸识别方法邹伟;李元祥;杨俊杰;周则明【期刊名称】《计算机工程》【年(卷),期】2012(38)24【摘要】基于稀疏重构的分类方法具有较好的识别效果,但计算复杂度高.为此,提出基于压缩感知的人脸识别方法COMP,将L1范数最小化重构算法替换成正交匹配追踪(OMP)算法,以降低复杂度,并在OMP中引入模式类别信息,使该方法具有更强的分类能力.基于YaleB人脸库的实验结果表明,COMP在低维度时识别率高于OMP.%Sparse Representation-based Classification(SRC) method performs excellent in face recognition but shows high complexity in computation. This paper proposes face recognition method based on Compressed Sensing(CS) named Classified Orthogonal Matching Pursuit(COMP). LI-norm minimization representation algorithm is replaced by Orthogonal Matching Pursuit(OMP) algorithm to reduce complexity, and mode category information is introduced in OMP to endow the method stronger ability to category. Experiments based on YaleB face database clarify that the recognition rate of COMP is higher than OMP.【总页数】4页(P133-136)【作者】邹伟;李元祥;杨俊杰;周则明【作者单位】上海交通大学航空航天学院,上海200240;上海交通大学航空航天学院,上海200240;上海交通大学航空航天学院,上海200240;解放军理工大学气象学院,南京211101【正文语种】中文【中图分类】TP391【相关文献】1.基于2DPCA和压缩感知的人脸识别方法 [J], 陈财明;宋加涛;张石清2.一种基于压缩感知的单样本人脸识别方法 [J], 周建华3.以压缩感知理论为基准分析人脸识别方法 [J], 刘书志4.基于压缩感知的红外人脸识别 [J], 杜梅;曹蔚然5.基于压缩感知的红外人脸识别 [J], 杜梅;曹蔚然;因版权原因，仅展示原文概要，查看原文内容请购买。
基于压缩感知的单样本人脸识别
基于压缩感知的单样本人脸识别徐志京;叶丽【摘要】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.【期刊名称】《微型机与应用》【年(卷),期】2015(034)012【总页数】4页(P35-37,41)【关键词】人脸识别;单样本;稀疏表征分类;局部邻域嵌入非线性降维【作者】徐志京;叶丽【作者单位】上海海事大学信息工程学院,上海201306;上海海事大学信息工程学院,上海201306【正文语种】中文【中图分类】TP391.41人脸识别技术是一种通过分析比较人脸视觉特征信息进行身份鉴别的计算机技术［1］。
人脸识别受表情、姿态等多因素影响，其仍是生物特征识别领域最困难的研究课题之一。
同时，因样本采集成本大、存储空间受限等造成了单训练样本问题，这使得人脸内在特征的提取变得更加困难［2］。
在人脸训练数据库中每人仅有一幅图像的情况下，多数传统方法的识别性能将严重下降。
压缩感知［3］（Compressed Sensing，CS）是近年来新兴的信号处理方法。
利用压缩感知理论，WRIGHT J等人［3］提出了一种稀疏表示人脸识别算法（Sparse Representation-based Classification，SRC）。
SRC方法在局部遮挡、噪声等问题上具有相当的鲁棒性。
针对单样本问题，本文提出了一种基于压缩感知的单样本人脸识别方法。
该方法首先利用局部邻域嵌入非线性降维和稀疏系数将一幅人脸图像扩展为姿态表情各不同的图像，将所有新的样本作为训练样本，最后采用改进的稀疏表征方法进行识别分类。
基于压缩感知的鲁棒性人脸表情识别
基于压缩感知的鲁棒性人脸表情识别施徐敢;张石清;赵小明【摘要】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。
%In order to effectively improve the performance of facial expression recognition under the noisy background, a method of robust facial expression recognition based on compressed sensing is proposed. Firstly, the sparse representation of corrupted expression images of the identified test sample is sought, then the compressed sensing theory is used to solve its sparsest solution. Finally, according to the sparsest solution, facial expression classification is performed. Experimental results on benchmarking Cohn-Kanade database show that facial expression performance obtained by this method is better than the nearest neighbor (NN), support vector machine (SVM) and the nearest subspace (NS). Therefore, the proposed method shows both good recognition performance and high robustness on facial expression recognition tasks.【期刊名称】《计算机系统应用》【年(卷),期】2015(000)002【总页数】4页(P159-162)【关键词】压缩感知;稀疏表示;表情识别;鲁棒性;腐蚀【作者】施徐敢;张石清;赵小明【作者单位】浙江理工大学机械自动控制学院，杭州 310018; 台州学院图像处理与模式识别研究所，临海 317000;台州学院图像处理与模式识别研究所，临海317000;浙江理工大学机械自动控制学院，杭州 310018; 台州学院图像处理与模式识别研究所，临海 317000【正文语种】中文人脸表情是人们观察情感的重要标志, 如何使得机器能够认识人脸表情, 是一个既实用又有趣的研究方向. 如何让机器自动、高效、准确地来识别人类的情绪状态, 比如高兴、悲伤、愤怒、恐惧等, 即所谓的“人脸表情识别”[1]方面的研究, 是当前信号处理、模式识别、计算机视觉等领域的热点研究课题. 该研究在智能人机交互、人工智能等方面有着重要的应用价值.尽管人脸表情识别经过了多年的发展, 已经取得了较多的研究成果, 但现有的人脸表情识别研究[2-10]大多没有考虑表情图像受到噪声的影响. 在自然环境中, 人脸表情图像的获取、传输和存贮过程中常常也会受到各种噪声(如姿态、光照、腐蚀、遮挡等)的干扰而使图像降质, 从而导致人脸表情识别的性能会随之下降. 因此, 如何提高人脸表情识别的鲁棒性仍然是一个亟需解决的问题.压缩感知(Compressed sensing)或压缩采样(Compressive sampling)[11,12], 是近年来新出现的一种信号采样理论, 它可以在远小于Nyquist采样率的条件下获得信号的离散样本, 然后通过非线性重建无失真的完美信号. 压缩感知理论指出, 采样速率由信号中的内容和结构所决定, 而不再决定于信号的带宽. 目前, 压缩感知理论在图像处理[13]、人脸识别[14]、视频追踪[15]等领域受到了研究者的高度关注, 并表现出了极其强大的生命力, 但在人脸表情识别领域, 尤其针对鲁棒性的人脸表情识别问题, 国内外相关的文献报道甚少.压缩感知理论研究的初衷主要用于信号的压缩和表示, 但其最稀疏的表示具有很好的判别性. 本文利用压缩感知理论中的稀疏表示分类(Sparse Representation-based Classification, SRC)思想[14], 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[16]的实验结果表明了该方法的可行性.设A=[A1,A2,…,AC]是一组训练样本集, 总数量为ｎ, 其中为第i类训练样本,y∈Rm是第i类的测试样本, 它可以由线性表示为:然而在实际情况中, 由于测试样本的类别一般是未知的, 所以式1可以写为式中, .由矩阵原来可知, m>n时, 矩阵(2)有唯一解; 但是在大多数情况下, m≤n, 此时矩阵(2)有无穷多个解. 为了使测试样本能够用自身所在类的训练样本进行线性表示, 这样的话系数向量x0中的非零向量应该尽可能少些. 所以对矩阵(2)求解可转换对矩阵(3)进行求解式中, ||·||0 表示l0范数, 它的作用是计算向量中非零元素的个数. 但是, 式(3)的求解非常困难, 这是个NP难题.由压缩感知理论可知: 当所求的系数足够稀疏时,可以把最小化l1范数的NP难题转化成最小化l1范数问题来求解．因此, 把式(3)改写为:然而在实际情况中, 获得的数据中经常含有噪声, 因此ｙ很难由A进行比较准确的线性表示, 因此, 把式(4)改写为式(5)可以通过以下的式(6)来求解SRC算法可归纳如下:1)对训练样本集A中的每一个列向量进行归一化．2)求解最小化l1范数问题:或者求解3) 计算残差4) . 是的标记.本文采用标准的Cohn-Kanade[16]数据库进行实验. 通过对Cohn-Kanade数据库的原始图像采样得到32×32像素图像, 然后分别采用稀疏表示分类方法SRC、最近邻法(Nearest neighbor, NN), 支持向量机(Support Vector Machine, SVM), 以及近年来流行的最近邻子空间法(Nearest subspace, NS)[17]进行人脸表情识别实验, 并比较它们的性能.除了SRC方法, 使用的其它分类方法的基本思想表述如下: 最近邻法(NN)是基于样本学习的K近邻分类器(KNN), 当K=1时的一种情况. 支持向量机(SVM)是一种基于统计学习理论的分类器. 本文SVM采用“一对一”多类分类算法, 核函数为径向基函数, 并对核函数参数值进行最优化, 即在训练样本数据上使用交叉验证方法实现. 最近邻子空间法(NS)是一种基于信号重构的无参数分类器, 其分类思想是将测试样本表示为各类所有训练样本的线性组合, 从中选择最优解来进行分类. 2.1 表情数据库Cohn-Kanade数据库含有210个对象的大约2000个左右的具有充足的正面光照的灰度图像序列. 图像序列的分辨率都是640×490. 该数据库总共含有七种基本的表情, 如生气, 高兴、悲伤、惊奇、讨厌、害怕以及中性, 如图1所示. 我们从数据库中选用来自96个对象的320图像序列用于实验测试. 选择图像序列的标准是能够标记出除中性之外的六种表情. 然后对每个选择的图像序列中提取出一帧中性表情图像以及一帧含六种表情之一的图像. 最后我们提取出包括七种表情的470幅图像, 其中生气32个, 高兴100个, 悲伤55个, 惊奇75个, 害怕47个, 讨厌45个和中性116个.2.2 无腐蚀的人脸表情识别实验在该实验中, 直接使用32×32像素大小的图像样本用于表情识别, 图像中不存在任何腐蚀现象. 表1列出了SRC、NN, SVM和NS四种不同方法所取得的人脸表情识别性能. 由表1可知, 在无任何腐蚀图像的条件下, 稀疏表示分类方法SRC取得的人脸表情识别性能最好, 达到94.76%的识别率. 这表明了SRC用于人脸表情识别具有优越的分类性能.为了进一步给出七种表情中不同表情的具体识别性能, 表2给出了在Cohn-Kanade数据库上SRC方法采用32×32像素所取得的不同表情的识别结果. 从表2的实验结果可见, 在Cohn-Kanade数据库上七种表情中大部分表情的正确识别率达到了100%.2.3 有腐蚀的人脸表情识别实验为了检验SRC的鲁棒性人脸表情识别性能, 对32×32像素大小的测试图像随机添加像素腐蚀(Pixel Corruption). 随机添加像素腐蚀就是从测试图像中随机选择一定比例的像素, 采用范围之内的随机值进行替代, 其中表示第个测试图像的最大像素值. 实验中, 像素腐蚀比例从0%到90%, 依次递增10%. 图2展示了Cohn-Kanade数据库中一副原始图像从采样到腐蚀的过程, 其中图(a)为原始640×490像素的图像, 图(b)为采样之后的32×32像素的图像, 图(c)对32×32像素图像添加50%的腐蚀比例之后的图像.图3列出了NN、SVM、NS和SRC四种方法在Cohn-Kanade数据库上随机添加像素腐蚀比例从0%到90%取得的识别结果. 由图3实验结果可见, 随着图像腐蚀比例的增大, 图像越来越模糊, 人脸表情识别率也随之下降. 在图像腐蚀比例由0%增长到30%为止, SRC的正确识别率下降速度缓慢, 而其他三种方法的识别率下降非常快. 随之腐蚀比例的不断增大(30%至90%), 各种方法的识别率都一致下降, 但是SRC方法的识别率平均超过其它三种方法10%以上. 显然, 我们看到了SRC方法在处理人脸表情问题上有着良好的鲁棒性. 这主要是SRC方法提取了信号的稀疏结构, 并利用l1范数来作为来求解信号的稀疏表示系数. 由于采用正则化技术, SRC 的稀疏表示系数具有非常稳定的数值解.本文通过考虑测试图像是否存在像素腐蚀的现象, 对基于压缩感知理论的稀疏表示分类方法SRC的鲁棒性人脸表情识别性能进行了探讨. 在无任何像素腐蚀的人脸表情识别实验中, SRC取得的人脸表情识别性能比其他方法高出2%左右, 而在有像素腐蚀图像的人脸表情识别实验中, SRC展示出了良好的鲁棒性性能, 尤其在像素腐蚀比例30%至90%之间, SRC比其他方法的识别率平均高出10%以上. 这表明本文采用的基于压缩感知理论的稀疏表示分类方法SRC用于鲁棒性人脸表情识别时, 拥有良好的分类性能和鲁棒性.1 Tian Y, Kanade T, Cohn JF. Facial expression recognition. Handbook of Face Recognition, 2011: 487–519.2 刘晓旻,章毓晋.基于Gabor直方图特征和MVBoost的人脸表情识别.计算机研究与发展,2007,44(7):1089–1096.3 刘帅师,田彦涛,万川.基于Gabor多方向特征融合与分块直方图的人脸表情识别方法.自动化学报,2012,37(12): 1455–1463.4 易积政,毛峡,薛雨丽.基于特征点矢量与纹理形变能量参数融合的人脸表情识别.电子与信息学报,2013,35(10): 2403–2410.5 朱晓明,姚明海.基于局部二元模式的人脸表情识别.计算机系统应用,2011,20(6):151–154.6 Aleksic PS, Katsaggelos AK. Automatic facial expression recognitionusing facial animation parameters and multistream HMMs. IEEE Trans. on Information Forensics and Security, 2006, 1(1): 3–11.7 Zheng W, Zhou X, Zou C, et al. Facial expression recognition using kernel canonical correlation analysis (KCCA). IEEE Trans. on Neural Networks, 2006, 17(1): 233–238.8 Zhao G, Pietikainen M. Dynamic texture recognition using local binary patterns with an application to facial expressions. IEEE Trans. on Pattern Analysis and Machine Intelligence, 2007, 29(6): 915–928.9 Zhao X, Zhang S. Facial expression recognition using local binary patterns and discriminant kernel locally linear embedding. EURASIP Journal on Advances in Signal Processing, 2012, (1): 20.10 Yurtkan K, Demirel H. Feature selection for improved 3D facial expression recognition. Pattern Recognition Letters, 2014, 38: 26–33.11 Candes EJ, Wakin MB. An introduction to compressive sampling. IEEE Signal Processing Magazine, 2008, 25(2): 21–30.12 Donoho DL. Compressed sensing. IEEE Trans. on Information Theory, 2006, 52(4): 1289–1306.13 Yang J, Wright J, Huang TS, et al. Image super-resolution via sparse representation. IEEE Trans. on Image Processing, 2010, 19(11): 2861–2873.14 Wright J, Yang AY, Ganesh A, et al. Robust face recognition via sparse representation. IEEE Trans. on Pattern Analysis and Machine Intelligence, 2009, 31(2): 210–227.15 Mei X, Ling H. Robust Visual Tracking and Vehicle Classification via Sparse Representation. IEEE Trans. on Pattern Analysis and MachineIntelligence, 2011, 33(11): 2259–2272.16 Kanade T, Tian Y, Cohn J. Comprehensive database for facial expression analysis. International Conference on Face and Gesture Recognition. Grenoble, France. 2000. 46–53.17 Lee KC, Ho J, Kriegman DJ. Acquiring linear subspaces for face recognition under variable lighting. IEEE Trans. on Pattern Analysis and Machine Intelligence, 2005, 27(5): 684–698.。
基于压缩感知的图像处理和识别研究
基于压缩感知的图像处理和识别研究随着科技的不断发展，图像处理和识别技术也越来越成熟。
而压缩感知技术则成为了其中的热门话题。
压缩感知技术是指通过对信号进行压缩，再使用压缩采样测量方式进行采样，最终再通过稀疏重建方法进行信号的重构。
压缩感知技术的应用非常广泛，涵盖了图像、语音、视频等领域。
本文将着重讨论基于压缩感知的图像处理和识别研究。
一、压缩感知技术的原理压缩感知技术的基本思想是通过研究信号的稀疏性，降低采样率从而达到减少采样数量的目的。
这里的稀疏性指的是信号在某个特定表示下有着很少的非零系数，也就是信号的能量集中在很少的系数上。
通过压缩感知技术，我们可以在压缩采样过程中降低采样率，并通过稀疏重构方法进行信号的重构，从而减少了采样的数量，提高了数据传输的效率。
二、基于压缩感知的图像处理和识别研究1. 基于压缩感知的图像压缩在传统的JPEG压缩算法中，我们通常需要将图像分割成若干个块，再进行离散余弦变换（DCT）来压缩图像。
而基于压缩感知的图像压缩则不需要进行DCT变换，相反，它利用了图像在稀疏表示下的特性，直接对图像进行压缩。
通过稀疏表示和重构，基于压缩感知的图像压缩算法可以在保持图片质量的情况下实现更高的压缩率。
2. 基于压缩感知的图像分类在图像分类领域，基于压缩感知的算法也得到了广泛的应用。
其思想是通过快速的压缩采样和稀疏重建来减少图像分类所需的计算量，从而提高图像分类的速度和精度。
例如，基于稀疏表示的分类（SRC）算法就是通过压缩感知技术来实现图像分类的一种方法，它首先将训练样本进行稀疏表示，再通过对测试样本的稀疏表示进行匹配得到测试样本的分类结果。
3. 基于压缩感知的图像恢复在实际应用中，由于信号的采样率限制或者传输过程中的噪声等因素，图像可能会出现失真等问题。
而基于压缩感知的图像恢复算法可以通过压缩采样和稀疏重建的方法来解决这些问题。
这种方法主要基于信号具有稀疏性的特性，通过压缩采样得到的信号能够准确地重构出原始信号。
采用压缩感知的人脸识别算法
采用压缩感知的人脸识别算法魏冬梅;周卫东【期刊名称】《计算机工程》【年(卷),期】2011(037)018【摘要】介绍压缩感知(CS)理论,并将其应用于人脸识别.运用训练数据构造冗余字典,采用随机分布的规范行矢量高斯矩阵构造感知矩阵,对训练图像和测试图像进行感知.利用正交匹配跟踪算法求最小零范数解,在变换域中用近邻法判断测试数据的类别.实验结果表明,用CS进行人脸识别,能避免特征选取的问题,且识别率高、运算速度快.%This paper introduces the theory of Compressive Sensing(CS), and three main problems and their solutions when using CS for face recognition. The over complete dictionary is formed by using the training set, and the random matrix with Gaussian entries builds the sensing matrix with normal row vectors. In the test stage, the sensing matrix is projected onto the test vector, and the minimum /"-norm solution is computed with Orthogonal Matching Pursuit(OMP) algorithm. The distance between the reconstruction vector and the train vector is employed to determine the class of the test data. Experiment results show the CS promising aspects for face recognition has high accuracy and efficiency.【总页数】3页(P10-11,15)【作者】魏冬梅;周卫东【作者单位】山东大学信息科学与工程学院,济南250100;山东师范大学传播学院,济南250014;山东大学信息科学与工程学院,济南250100【正文语种】中文【中图分类】TP391.41【相关文献】1.一种自商图与压缩感知相结合的人脸识别算法 [J], 姜学峰;李威;李健俊;王正敏2.基于小波包变换和压缩感知的人脸识别算法 [J], 魏娇龙3.基于双向主成分分析和压缩感知的人脸识别算法 [J], 穆新亮;武亚静4.基于压缩感知的人脸识别算法实现 [J], 孙海威;曹曦文;张鑫晟;孔尧;宋雪桦5.基于压缩感知的人脸识别算法 [J], 陈欢;刘广文因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于稀疏贝叶斯回归的人脸姿势识别方法（专利）
一种基于稀疏贝叶斯回归的人脸姿势识别方法，用于图像处理技术领域。
步骤如下：采用Ｇａｂｏｒ滤波器为人脸姿势图像提取Ｇａｂｏｒ特征；将Ｇａｂｏｒ特征进行下采样，然后将采样后的特征行堆叠为一维向量；在训练样本上运用线性切空间排列方法，获得人脸姿势图像的本质低维子空间，并且得到相应的投影矩阵；在低维子空间运用稀疏贝叶斯回归方法训练识别参数；将每一个测试样本通过训练的得到的投影矩阵映射到低维子空间，运用训练的得到的识别参数进行人脸姿势识别。
本发明能够得到人脸姿势的非确定解，降低错误率，提高实时性。
基于非负矩阵因子的人耳识别研究（硕士）
生物识别技术已经作为一种较为成熟的身份识别鉴定技术应用于实际生活的各个方面，目前常用的
生物特征包括人脸、虹膜、指纹、手形等。
但是由于各个生物特征都有其局限性和不足，在研究和应用
过程中仍然存在一些尚未解决的问题。
人耳识别技术是个体生物特征识别领域的一项新技术，人耳生物
特征自身的一些特点使人耳识别能丰富生物特征识别技术，能补充目前的一些生物识别技术的不足，其
可行性已经得到了试验证明。
但是在现实生活中，人耳总是会有意或无意地被遮挡。
系统所提取的人耳
特征将会受到很大的影响，则系统的鲁棒性、可靠性都将有所下降。
所以在实现“非打扰识别”中，有必要
研究人耳遮挡问题。
因此我们探索和研究了一种有效的针对遮挡情况下的人耳特征描述方法。
首先提出
了一种改进的带有稀疏性限制的非负矩阵因子方法，为了使基空间和特征空间同时具有良好的稀疏性，
通过增加一个使系数矩阵尽可能正交的约束条件来定义原目标函数，给出了求解该新目标函数的迭代规则，并证明了迭代规则的收敛性。
然后对人耳图像进行子区域划分，用改进的带有稀疏性限制的非负矩
阵因子方法对各子区域提取特征，并计算各子区域相似度，最后融合各子区域相似度得到整体相似度，
确定由局部相似度到整体相似度的最佳映射，以保证最优类间区分能力。
在实验中，针对样本库的人耳
用改进的带有稀疏性限制的非负矩阵因子方法提取其特征变量，从结果数据可以看出所提取的特征向量
稀疏性及正交性都有所增强，使得特征向量之间的可区分性增强，导致识别率的提高。
实验结果还证明，在遮挡情况下，采用基于子区域划分的融合方法的识别率比基于单一模式的识别率高。
作者：张玉学科专业：控制理论与控制工程授予学位：硕士学位授予单位：北京科技大学导
师姓名：穆志纯学位年度：2005 研究方向：分类号：TP391.4 关键词：人耳识别生物识别子
区域划分识别技术目标函数
一种基于稀疏表示模型的脑电图信号分析方法
目的：癫痫是以脑内神经元异常放电致部分或整体脑功能障碍为特征的慢性疾患，模拟生物视觉感知系统，根据神经元响应的稀疏特性，对癫痫高危人群进行神经系统电生理筛查，以便及早发现和对相关人群进行干预。
方法：选取适合的稀疏分解的匹配追踪算法，用新的较少的原子来重建正常的脑电信号和特定疾病类型的脑电信号，便于对各种神经系统疾病的脑电信号的特征波进行识别和提取。
结果：处理16导标准脑电信号，分离出癫痫特征波，并对特征波进行识别，从而得到对癫痫的诊断，在此基础上将癫痫特征波反映射到16导标准电极，应用相关源电位软件对癫痫灶进行初步定位。
结论：应用稀疏表示模型可以获取对脑电图信号的有效表示方法，通过对脑电图信号各分量进行有效的机器识别，归纳出系列特征波图谱，供临床诊断参考，从而降低了癫痫信号识别的工作量，提高了识别效率和正确率，实现癫痫的规模筛查。
基于压缩感知认知模型的面像识别与理解
像识别是模式分类、图像处理、计算机视觉、机器学习等领域的研究热点，其研究不但对于模式识别理论发展具有重要的学术意义，而且有着广泛的产业化前景，从而有可能为国家的经济建设做出贡献。
本项目根据压缩感知原理，结合人的认知实际，提出崭新的视觉认知模型。
该模型将测试样本表示为训练集(字典)的线性组合，组合系数的稀疏性与稀疏集中度可以用来衡量其类别属性。
本项目将重点研究：（1）小样本条件下的降维与稀疏表示；（2）多重回归分析中的最优响应变量构造；（3）基于超分辨率重建技术与正则化策略的图像质量恢复；（4）大规模优化计算与在线学习算法；（5）面像认知与识别系统。
项目的创新之处在于整合认知科学、信号处理、非线性优化、在线学习等理论，提出基于压缩感知的视觉认知模型并应用于面像识别领域，以解决小样本及非线性变化（畸变、遮挡等）问题。
本课题的研究将丰富模式识别与机器学习理论，并为面像识别问题提供新的解决途径。
书名:信号与图像的稀疏分解及初步应用
图书编号:1452462
出版社:西南交通大学出版社
定价:29.0
ISBN:781104279
作者:王建英，尹忠科，张春梅著
出版日期:2006-01-01
版次:1
开本:其它
简介:
信号与图像的稀疏分解是信号与图像的一种新的分解方法，在信号与图像的压缩编码、去噪、信号的时频分析与信号识别等方面有着极为广阔的前景，是信号与图像处理研究领域中一个新的很有意义的研究方向。
本书总结了国际上在这一研究方向的研究进展以及任教多年来的研究成果。
在稀疏分解应用方面，重点介绍了作者在信号处理及图像压缩编码方面的研究成果。
本书适合于从事信号与信息处理、图像处理与压缩编码等方面工作的研科工作人员和研究生学习、研究中使用。
目录:
第1章信号空间理论基础
1.1信号集及其映射
1.2信号空间的基本概念
参考资料
第2章信号和图像的基本于完备原子库的稀疏表示与稀疏分解
2.1引言
2.2信号的稀疏逼近
2.3稀疏信号的精确重构条件
2.4过完备不相干级联原子库
2.5结束语
参考资料
第3章基于MP的信号与图像稀疏分解方法
3.1引言
3.2基于MP的信号稀疏分解
3.3MP算法的两大类实现方法
3.4MP算法改进算法——OMP算法
参考资料
第4章信号稀疏分解快速算法
4.1引言
4.2原子能量特性及在快速算法中的应用
4.3基于智能计算和MP的信号稀疏分解
4.4基于原子库集合划分和FFT的信号稀疏分解MP算法4.5总结
参考资料
第5章信号稀疏分解在信号处理中的应用
5.1稀疏分解在信号去噪中的应用
5.2稀疏分解在微弱信号检测中的应用
5.3稀疏分解在阵列信号处理中的应用
5.4绪论
参考资料
第6章基于MP的图像稀疏分解快速算法
6.1图像稀疏分解的原子库
6.2基于原子能量特性的图像稀疏分解算法
6.3在低维空间实现的图像稀疏分解算法
6.4基于智能计算的图像MP稀疏分解
参考资料
第7章稀疏分解在图像去噪中的应用
7.1稀疏分解图像去噪原理
7.2稀疏分解中图像上信息与噪声的区分
7.3稀疏分解图像去噪与最佳模板去噪的比较
参考资料
第8章稀疏分解在图像低比特率压缩中的应用
8.1引言
8.2基于稀疏分解的图像压缩国内外研究现状及分析8.3基于稀疏分解的图像压缩方法
8.4基于排序差分和稀疏分解的图像压缩编码方法
8.5绪论
参考资料
致谢
附录A基于MP的信号稀疏分解参考程序
附录B基于MP的信号参数估计参考程序
附录C基于GA和MP的信号稀疏分解参考程序
附录D利用FFT实现基于MP的信号稀疏分解参考程序。