稀疏表示
- 基于半監(jiān)督學(xué)習(xí)和稀疏表示的質(zhì)譜儀運(yùn)行靈敏度故障檢測(cè)算法
半監(jiān)督學(xué)習(xí)和稀疏表示研究質(zhì)譜儀運(yùn)行靈敏度故障檢測(cè)算法。根據(jù)半監(jiān)督學(xué)習(xí)的原理對(duì)質(zhì)譜儀的運(yùn)行數(shù)據(jù)進(jìn)行劃分，在混合數(shù)據(jù)中標(biāo)記運(yùn)行靈敏度的故障特征。通過對(duì)應(yīng)特征處理原始數(shù)據(jù)，在去噪和歸一化特征的基礎(chǔ)上求取靈敏度系數(shù)。采用稀疏表示理論對(duì)系數(shù)轉(zhuǎn)換，以約束范數(shù)關(guān)系建立故障監(jiān)測(cè)目標(biāo)函數(shù)，檢測(cè)質(zhì)譜儀運(yùn)行靈敏度故障。結(jié)果表明：以3種類型運(yùn)行靈敏度故障作為測(cè)試對(duì)象，新算法可以實(shí)現(xiàn)較高精度的故障檢測(cè)，且不受樣本數(shù)量的限制，具有一定的應(yīng)用價(jià)值。關(guān)鍵詞： 半監(jiān)督學(xué)習(xí)；稀疏表示；質(zhì)譜儀
粘接 2023年8期2023-09-05
- 基于ＮＳＳＴ和稀疏表示的多聚焦圖像融合方法
NSST）和稀疏表示的多聚焦圖像融合方法。鑒于稀疏表示能夠有效地捕捉圖像中的結(jié)構(gòu)信息這一優(yōu)勢(shì)，并充分考慮像素間的區(qū)域相關(guān)性，低頻子帶系數(shù)采用稀疏表示和區(qū)域能量相結(jié)合的融合策略，以及加權(quán)平均的融合規(guī)則．高頻子帶系數(shù)采用區(qū)域能量取大的融合規(guī)則。實(shí)驗(yàn)結(jié)果表明，該方法融合圖像清晰度高，能夠更好地保留圖像細(xì)節(jié)信息。關(guān)鍵詞：非下采樣剪切波變換；稀疏表示；區(qū)域能量；多聚焦圖像；圖像融合中圖法分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A１ 引言由于光學(xué)鏡頭景深的限制，成像系統(tǒng)無法獲
計(jì)算機(jī)應(yīng)用文摘·觸控 2023年13期2023-07-17
- 基于ＮＳＳＴ和稀疏表示的多聚焦圖像融合方法
NSST）和稀疏表示的多聚焦圖像融合方法。鑒于稀疏表示能夠有效地捕捉圖像中的結(jié)構(gòu)信息這一優(yōu)勢(shì)，并充分考慮像素間的區(qū)域相關(guān)性，低頻子帶系數(shù)采用稀疏表示和區(qū)域能量相結(jié)合的融合策略，以及加權(quán)平均的融合規(guī)則．高頻子帶系數(shù)采用區(qū)域能量取大的融合規(guī)則。實(shí)驗(yàn)結(jié)果表明，該方法融合圖像清晰度高，能夠更好地保留圖像細(xì)節(jié)信息。關(guān)鍵詞：非下采樣剪切波變換；稀疏表示；區(qū)域能量；多聚焦圖像；圖像融合中圖法分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A１ 引言由于光學(xué)鏡頭景深的限制，成像系統(tǒng)無法獲
計(jì)算機(jī)應(yīng)用文摘 2023年13期2023-07-17
- 頻域組稀疏滾動(dòng)軸承特征提取方法
低，以及傳統(tǒng)稀疏表示算法模型復(fù)雜、優(yōu)化求解算法難以確定，導(dǎo)致故障特征提取難的問題，提出了頻域組稀疏和群橋約束改進(jìn)迭代收縮閾值優(yōu)化的故障特征提取方法（Group Sparse Representation in Frequency Domain，GSRF）。將振動(dòng)信號(hào)轉(zhuǎn)換至頻域并對(duì)變量分組，構(gòu)造施加群橋約束的最小二乘回歸模型，準(zhǔn)確篩選沖擊相關(guān)變量；引入迭代重加權(quán)系數(shù)簡化方程，以軟閾值收縮優(yōu)化求解頻域稀疏信號(hào)；對(duì)重構(gòu)的時(shí)域稀疏信號(hào)進(jìn)行包絡(luò)頻譜分析提取故障特征。
振動(dòng)工程學(xué)報(bào) 2022年5期2022-11-14
- 一種結(jié)合全局一致性與局部連續(xù)性的壁畫修復(fù)方法
；敦煌壁畫；稀疏表示；圖像修復(fù)中圖分類號(hào)：TN911.73文獻(xiàn)標(biāo)志碼：AA Global Uniform and Local Continuity Repair Method for Murals InpaintingWANG Huan1，LI Li1，LI Qing2，Deng Junyu3，SHANG Huiming1（1. Industrial Technology Research Center，Guangdong Institute of Sci
湖南大學(xué)學(xué)報(bào)·自然科學(xué)版 2022年6期2022-11-14
- 基于深度稀疏表示的超分辨率圖像重建
探討傳統(tǒng)的稀疏表示算法模型，結(jié)合深度神經(jīng)網(wǎng)絡(luò)方法，從稀疏求解、數(shù)據(jù)字典、深度學(xué)習(xí)框架的角度對(duì)基于深度稀疏表示的超分辨圖像重建進(jìn)行研究。實(shí)驗(yàn)針對(duì)單通道和多通道圖像的進(jìn)行尺度超分辨率重建，以及針對(duì)像素值損毀圖像從進(jìn)行幅值超分辨率重建，在主觀可視化和客觀指標(biāo)上均取得了較好的重建效果?！娟P(guān)鍵詞】? ? 稀疏表示? ? 深度學(xué)習(xí)? ? 圖像修復(fù)? ? 超分辨率重建引言：基于稀疏表示的圖像重建是計(jì)算機(jī)視覺領(lǐng)域的難點(diǎn)與熱點(diǎn)問題。傳統(tǒng)的稀疏表示[1-2]依賴于壓縮傳感理
中國新通信 2022年6期2022-06-02
- 圖像顯著性分割的非凸Trace Lasso方法研究
不同于一般的稀疏表示方法，該方法使用矩陣奇異值的非凸函數(shù)作為約束，對(duì)圖像進(jìn)行超像素分割，以每個(gè)超像素塊為單位進(jìn)行目標(biāo)函數(shù)的建立。既考慮了超像素塊的局部特征，又利用了全局特征，有效聯(lián)合了圖像的多個(gè)特征。實(shí)驗(yàn)結(jié)果表明，該方法能夠準(zhǔn)確地分割出圖像的顯著性區(qū)域。關(guān)鍵詞： 多特征; 非凸Trace Lasso; 稀疏表示; 顯著性分割中圖分類號(hào)：O241? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2021）11-05-04Researc
計(jì)算機(jī)時(shí)代 2021年11期2021-11-20
- 稀疏表示的局部模式特征提取與識(shí)別
題，提出一種稀疏表示的局部模式特征提取與識(shí)別算法。首先將圖像進(jìn)行分塊，依次對(duì)每個(gè)子區(qū)域的像素進(jìn)行閾值化處理，并將其與中心像素值比較的結(jié)果編碼到中心對(duì)稱局部二值模式算法中來實(shí)現(xiàn)特征提取;然后在此基礎(chǔ)上采用中心對(duì)稱局部方向模式算法提取二階特征，得到最終的紋理特征;最后結(jié)合稀疏表示分類器對(duì)提取的特征進(jìn)行分類識(shí)別。在Extended Yale B、CMU_PIE、AR數(shù)據(jù)集上的仿真實(shí)驗(yàn)驗(yàn)證了所提方法的有效性。關(guān)鍵詞：中心對(duì)稱局部二值模式;中心對(duì)稱局部方向模式;特征
哈爾濱理工大學(xué)學(xué)報(bào) 2021年4期2021-10-07
- 基于稀疏表示的車用帶鋼表面圖像信息修復(fù)
題，提出基于稀疏表示的車用帶鋼表面圖像信息修復(fù)方法. 根據(jù)像元點(diǎn)之間在車用帶鋼表面圖像中存在的空間相關(guān)信息，結(jié)合像元點(diǎn)的灰度分布信息，采用二維直方圖建立離散測(cè)度矩陣，獲得車用帶鋼表面圖像中需要修復(fù)的目標(biāo)區(qū)域和背景區(qū)域. 在稀疏表示原理的基礎(chǔ)上構(gòu)建稀疏修復(fù)模型，在車用帶鋼表面圖像的目標(biāo)區(qū)域和背景區(qū)域中對(duì)受損區(qū)域進(jìn)行修復(fù)，能夠有效獲取車用帶鋼表面缺陷圖像信息，實(shí)現(xiàn)車用帶鋼表面圖像信息的修復(fù). 實(shí)驗(yàn)結(jié)果表明，所提方法對(duì)車用帶鋼表面圖像信息修復(fù)的峰值信噪比較高、均
湖南大學(xué)學(xué)報(bào)·自然科學(xué)版 2021年8期2021-09-26
- 基于K-SVD-OMP的稀疏表示方法在電力負(fù)荷預(yù)測(cè)中的應(yīng)用
提出一種基于稀疏表示的特征提取建模方法。為構(gòu)建預(yù)測(cè)模型，將歷史電力負(fù)荷等數(shù)據(jù)構(gòu)成具有時(shí)延的輸入—輸出數(shù)據(jù)對(duì)，將時(shí)延輸入數(shù)據(jù)向量作為初始字典，采用K均值—奇異值分解（K-SVD）算法將其進(jìn)行稀疏分解與變換至稀疏域以得到學(xué)習(xí)后的字典。進(jìn)一步，由正交匹配追蹤（OMP）算法獲取相應(yīng)的稀疏編碼向量，再將該向量作為核極限學(xué)習(xí)機(jī)（KELM）的輸入來構(gòu)建全局回歸模型。為了驗(yàn)證該方法的有效性，將所提出的方法用于不同地區(qū)的中期或短期電力負(fù)荷預(yù)測(cè)中，在同等條件下還與單一KELM
電機(jī)與控制學(xué)報(bào) 2020年9期2020-10-09
- 基于稀疏表示人臉識(shí)別系統(tǒng)的設(shè)計(jì)
基于光照魯棒稀疏表示的人臉識(shí)別方法。該方法對(duì)圖像作小波變換，得到光照歸一化圖像，通過對(duì)光照歸一化后人臉圖像作稀疏變換，稀疏表示分類得出測(cè)試識(shí)別結(jié)果。本文方法在Yale B人臉庫上仿真實(shí)驗(yàn)，識(shí)別率較高，對(duì)光照、表情、遮擋具有一定的魯棒性。關(guān)鍵詞：人臉識(shí)別;稀疏表示;魯棒性中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）17-0179-01開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（0SID）：1 引言隨著科學(xué)技術(shù)的發(fā)展，人臉識(shí)別技術(shù)快速發(fā)展并得到
電腦知識(shí)與技術(shù) 2020年18期2020-10-09
- 空間序列低秩稀疏子空間聚類算法
：低秩表示;稀疏表示;子空間聚類;序列數(shù)據(jù)中圖分類號(hào)：TP391.4? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：2095-7394（2020）04-0078-08序列數(shù)據(jù)特別是視頻數(shù)據(jù)往往具有高維屬性，利用傳統(tǒng)聚類算法進(jìn)行分析處理時(shí)，往往會(huì)遇到“維數(shù)災(zāi)難”的問題，于是研究人員提出了一系列基于表示的子空間聚類算法，如稀疏表示子空間聚類算法（SSC）和低秩表示算法（LRR），較好地解決了高維數(shù)據(jù)聚類的問題，從而得到了廣泛的
江蘇理工學(xué)院學(xué)報(bào) 2020年4期2020-09-26
- 字典學(xué)習(xí)在軸承表面缺陷分類中的研究
方法。將圖像稀疏表示和基于Fisher判別準(zhǔn)則的字典學(xué)習(xí)應(yīng)用在軸承表面缺陷分類檢測(cè)中，根據(jù)字典學(xué)習(xí)的判別性稀疏編碼實(shí)現(xiàn)對(duì)軸承表面缺陷圖像的精確分類。實(shí)驗(yàn)研究結(jié)果表明，該算法可以有效的提高軸承表面缺陷的分類精度，在軸承表面缺陷類型的平均分類精度達(dá)到95.4%。關(guān)鍵詞：字典學(xué)習(xí);稀疏表示;軸承缺陷;Fisher判別 中圖分類號(hào)：TH133.3? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ?
內(nèi)燃機(jī)與配件 2020年22期2020-09-10
- 一種改進(jìn)的聯(lián)合稀疏表示人臉識(shí)別算法
種改進(jìn)的聯(lián)合稀疏表示多圖像人臉識(shí)別算法。關(guān)鍵詞：人臉識(shí)別 ?稀疏表示 ?算法中圖分類號(hào)：TP391.41 ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)：1674-098X（2020）06（a）-0158-03由Wright提出將稀疏表示用于人臉識(shí)別中[1]。與以往不同的是，其主要思想不是直接利用訓(xùn)練樣本得到標(biāo)準(zhǔn)原子庫，再通過標(biāo)準(zhǔn)原子庫來構(gòu)造字典，而是采用經(jīng)過降維處理后的訓(xùn)練樣
科技創(chuàng)新導(dǎo)報(bào) 2020年16期2020-08-13
- 基于稀疏特征選擇的立體素描圖像建模方法
提出一種基于稀疏表示的自適應(yīng)圖像建模方法。通過從訓(xùn)練數(shù)據(jù)中提取有效的訓(xùn)練集，降低學(xué)習(xí)的盲目性和難度，獲取更加精確的字典結(jié)果。在精確字典結(jié)果的基礎(chǔ)上，通過控制線性組合系數(shù)的非零元素個(gè)數(shù)，實(shí)現(xiàn)測(cè)試圖像的自適應(yīng)重構(gòu)與優(yōu)化，從而解決傳統(tǒng)經(jīng)典合成算法噪聲較大的問題。仿真測(cè)試結(jié)果表明，文中所提出的方法提取了更多的圖像塊，能夠?yàn)V除更多的高頻分量，其合成圖像的噪聲更小，具有更加優(yōu)秀的平滑性。關(guān)鍵詞： 人臉?biāo)孛? 圖像建模; 稀疏表示; 訓(xùn)練集提取; 圖像重構(gòu); 仿真測(cè)試中
現(xiàn)代電子技術(shù) 2020年14期2020-07-23
- 基于稀疏表示的無人機(jī)圖像超分辨率重建研究
力。關(guān)鍵詞：稀疏表示;圖像超分辨率;正則化協(xié)同;聯(lián)合字典無人機(jī)航拍在交通監(jiān)控、環(huán)保監(jiān)測(cè)等許多戶外視覺系統(tǒng)中現(xiàn)已得到廣泛應(yīng)用。高分辨率（High resolution，HR）的無人機(jī)圖像能夠提供更高的像素密度，可提供更加準(zhǔn)確的信息。然而，由于戶外環(huán)境復(fù)雜，并且無人機(jī)攜帶的成像設(shè)備受成本、飛行載重等因素制約，成像結(jié)果無法滿足實(shí)際需要。因此，提升成像質(zhì)量成為無人機(jī)航拍應(yīng)用的關(guān)鍵問題。超分辨率重建技術(shù)作為一種提高圖像分辨率的有效方法，現(xiàn)主要分為基于插值的超分辨率算
卷宗 2020年8期2020-05-26
- 基于K-SVD算法和組合字典的語音信號(hào)清濁音判決研究
音字典上進(jìn)行稀疏表示，通過對(duì)比其系數(shù)的稀疏性來判別清濁音。研究結(jié)果表明，在相同條件下，與傳統(tǒng)的清濁音判別方法相比，基于組合字典的判別方法對(duì)于多音素的清濁音判決具有更加準(zhǔn)確的判決結(jié)果。該研究對(duì)語音識(shí)別和語音編碼具有重要作用。關(guān)鍵詞：語音判別; 字典學(xué)習(xí); 稀疏表示; 組合字典中圖分類號(hào)： TP391.42; TN912.34文獻(xiàn)標(biāo)識(shí)碼： A語音是由氣流激勵(lì)聲道從嘴唇或鼻孔輻射出來而產(chǎn)生的。根據(jù)聲帶是否振動(dòng)，發(fā)音可分為濁音和清音[1]。濁音和清音有明顯的區(qū)別，
- 基于稀疏字典學(xué)習(xí)的單目相機(jī)標(biāo)定方法
正友標(biāo)定法;稀疏表示;字典學(xué)習(xí)中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）08-0184-041 概述計(jì)算機(jī)視覺在質(zhì)量檢測(cè)、過程控制、機(jī)器人導(dǎo)航等領(lǐng)域有著廣泛的應(yīng)用[1]。在計(jì)算機(jī)視覺中，常常需要攝像機(jī)拍攝物體的圖像。然而，在實(shí)際的成像過程中，由于攝像機(jī)鏡頭的光學(xué)特性、鏡頭的老化等原因，可能會(huì)出現(xiàn)諸如徑向畸變或切向畸變等幾何畸變，從而影響計(jì)算機(jī)視覺的精度[2]。因此，必須準(zhǔn)確校準(zhǔn)相機(jī)。為了校準(zhǔn)相機(jī)，自標(biāo)定技術(shù)[3]通過
電腦知識(shí)與技術(shù) 2020年8期2020-05-13
- 壓縮感知技術(shù)現(xiàn)狀與展望
，介紹了信號(hào)稀疏表示、理論應(yīng)用和未來展望等內(nèi)容以及壓縮感知理論研究現(xiàn)狀和在相關(guān)領(lǐng)域的應(yīng)用。關(guān)鍵詞：壓縮感知;稀疏表示;理論應(yīng)用;未來展望引言隨著科學(xué)技術(shù)的飛速發(fā)展，社會(huì)各領(lǐng)域所需要的信息也逐步增加，信息的采取就是模擬信息源和數(shù)字信息之間的聯(lián)系。傳統(tǒng)的奈奎斯特采取的信息采樣的方法指出，為了準(zhǔn)確原始的恢復(fù)原始信息，采樣的頻率大于等于信號(hào)頻率的兩倍。通過這種方法采集的信息設(shè)計(jì)，完全可以代表原始信息所要表達(dá)的信號(hào)，但是采集的信息量過于繁重，這就導(dǎo)致在現(xiàn)實(shí)生活中，數(shù)
信息技術(shù)時(shí)代·中旬刊 2020年5期2020-04-07
- 一種基于光譜角字典構(gòu)造稀疏表達(dá)的高光譜目標(biāo)檢測(cè)方法
提出一種基于稀疏表示的方法來生成優(yōu)化的目標(biāo)光譜，當(dāng)缺乏關(guān)于感興趣目標(biāo)對(duì)象的全面信息時(shí)，通過稀疏字典重構(gòu)的方法優(yōu)化目標(biāo)，然后由一組選定的字典生成像素，這些像素包含具有不同狀態(tài)的目標(biāo)信號(hào)，用來優(yōu)化先驗(yàn)?zāi)繕?biāo)簽名。最后將先驗(yàn)?zāi)繕?biāo)用稀疏字典重構(gòu)的方式，利用光譜角分別構(gòu)造目標(biāo)訓(xùn)練和背景訓(xùn)練樣本，使得來自有限目標(biāo)訓(xùn)練的樣本能夠減輕光譜變異性對(duì)高光譜目標(biāo)檢測(cè)的影響。實(shí)驗(yàn)結(jié)果表明：該方法在不同數(shù)據(jù)集中具有良好的檢測(cè)效果和精度，尤其在AVIRIS數(shù)據(jù)集中的檢測(cè)精度高達(dá)0.99
成都工業(yè)學(xué)院學(xué)報(bào) 2020年4期2020-01-21
- 結(jié)合K-SVD算法的金字塔變換域中的圖像融合方法研究
合K-SVD稀疏表示的融合規(guī)則，獲得的融合圖像視覺上更加清晰，定量評(píng)價(jià)指標(biāo)也更優(yōu);并且形態(tài)學(xué)的金字塔在相同融合規(guī)則下獲得的視覺效果更好，評(píng)價(jià)指標(biāo)也優(yōu)于其他幾種方法。關(guān)鍵詞：金字塔變換;融合規(guī)則;K-SVD;稀疏表示中圖分類號(hào)：TN911 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1008-4657（2020）05-0068-050 引言從最初的信件、電報(bào)、電話到現(xiàn)在的視頻交流，數(shù)字圖像已經(jīng)成為人們獲取信息的主要來源，同時(shí)也是人們進(jìn)行溝通與交流的主要媒介。圖像傳感器是獲取數(shù)
荊楚理工學(xué)院學(xué)報(bào) 2020年5期2020-01-04
- 基于PCA的快速字典學(xué)習(xí)算法研究
雜度，在保證稀疏表示可靠性的同時(shí)，提升了字典學(xué)習(xí)效率，具有較好的應(yīng)用前景。關(guān)鍵詞：? PCA; 快速字典學(xué)習(xí); 稀疏表示; K-SVD中圖分類號(hào)： TN912.3? 文獻(xiàn)標(biāo)識(shí)碼： A2006年，D.L.Donoho等人[1] 提出的壓縮感知為信號(hào)處理技術(shù)帶來了革命性突破。以遠(yuǎn)低于奈奎斯特頻率對(duì)信號(hào)進(jìn)行采樣，不僅簡潔而有效的表示信號(hào)，還降低實(shí)際應(yīng)用中龐大數(shù)據(jù)量所帶來的壓力，在理論數(shù)學(xué)、信號(hào)處理、圖像與視頻處理等方面得到廣泛應(yīng)用[2 4] 。壓縮感知的前提及基
- 基于層間稀疏差的遮擋人臉識(shí)別
;遮擋檢測(cè);稀疏表示;稀疏度;局部表示中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2019）31-0218-03人臉識(shí)別是近些年研究熱點(diǎn)之一，經(jīng)典算法包括PCA，LDA，SVM等。稀疏表示（SRC）算法因其在圖像處理中的優(yōu)良性能獲得廣泛關(guān)注，其拓展算法不斷提高不同情況下的圖像處理性能，例如SSPf稀疏保留投影：spamity preserving projec-tions）可用于無監(jiān)督情況下的維數(shù)約減，同時(shí)保留稀疏重構(gòu)權(quán)重，在人臉認(rèn)證
電腦知識(shí)與技術(shù) 2019年31期2019-12-23
- 基于經(jīng)驗(yàn)小波變換和Beamlet變換的裂紋檢測(cè)方法
以得到更好的稀疏表示，然后利用多尺度幾何分析技術(shù)從重構(gòu)的近似圖像中穩(wěn)健地提取裂紋的線特征。實(shí)驗(yàn)表明，該方法比其他方法能夠更準(zhǔn)確地檢測(cè)出圖像中的裂紋，在抑制背景紋理和保留裂紋信息這兩個(gè)性能上取得了較好的綜合效果。[關(guān)鍵詞]裂紋檢測(cè);經(jīng)驗(yàn)小波變換;beamlet變換;稀疏表示[中圖分類號(hào)]TP 391.41[文獻(xiàn)標(biāo)志碼]A[文章編號(hào)]1005-0310（2019）02-0024-08Abstract： In integrity inspection of ma
北京聯(lián)合大學(xué)學(xué)報(bào) 2019年2期2019-09-10
- 基于方向向量和稀疏表示的運(yùn)動(dòng)目標(biāo)跟蹤方法研究
要：目前利用稀疏表示對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤的方法，通常都只關(guān)注于利用不同的目標(biāo)外觀特征對(duì)最優(yōu)化公式進(jìn)行求解。而運(yùn)動(dòng)目標(biāo)的方向特征則往往被忽略。方向向量能夠在某種程度上描述運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)趨勢(shì)，這對(duì)跟蹤運(yùn)動(dòng)目標(biāo)存在一定的意義。本文提出了貝葉斯運(yùn)動(dòng)估計(jì)框架下的基于方向的跟蹤算法，利用方向向量彌補(bǔ)了稀疏表示中候選粒子不足的問題，懲罰部分候選粒子，并通過改進(jìn)的學(xué)習(xí)方法對(duì)模板進(jìn)行更新。通過與方向向量對(duì)應(yīng)的像素點(diǎn)，我們補(bǔ)償初始化粒子，并設(shè)置權(quán)值以增加對(duì)應(yīng)粒子的概率、降低其他
電腦知識(shí)與技術(shù) 2019年18期2019-08-08
- 改進(jìn)的基于稀疏表示的全色銳化算法
析算法、基于稀疏表示算法，所提算法重建出來的高分辨率MS圖像更加清晰，且在相關(guān)系數(shù)等多種客觀評(píng)價(jià)指標(biāo)上優(yōu)于對(duì)比算法。關(guān)鍵詞：高分辨率全色圖像;低分辨率多光譜圖像;遙感圖像融合; 稀疏表示; 字典構(gòu)建中圖分類號(hào)： TP751.1文獻(xiàn)標(biāo)志碼：AAbstract： In order to more effectively combine the detail information of high resolution PANchromatic （PAN） im
計(jì)算機(jī)應(yīng)用 2019年2期2019-08-01
- 基于分組字典與變分模型的圖像去噪算法
學(xué)字典得到的稀疏表示先驗(yàn)與圖像本身的非局部相似先驗(yàn)進(jìn)行融合來構(gòu)建變分模型;最后，通過求解變分模型得到去噪后圖像。實(shí)驗(yàn)結(jié)果表明，與同類去噪算法相比，當(dāng)噪聲比率較高時(shí)，所提算法可以解決前期算法準(zhǔn)確性較差、紋理丟失較為嚴(yán)重、產(chǎn)生視覺偽影等問題，在視覺效果上要更為理想;同時(shí)該算法結(jié)構(gòu)相似性指數(shù)有明顯提高，峰值信噪比（PSNR）的值更是平均提高了10%以上。關(guān)鍵詞：自適應(yīng)字典學(xué)習(xí);圖像去噪;稀疏表示;變分模型;非局部相似中圖分類號(hào)： TP391.41文獻(xiàn)標(biāo)志碼：AA
計(jì)算機(jī)應(yīng)用 2019年2期2019-08-01
- 基于圖像塊分類的圖像超分辨率重建
顯示，與基于稀疏表示的超分辨率重建（SCSR）算法和單幅圖像超分辨率重建（SISR）算法相比，所提算法的峰值信噪比（PNSR）值分別提高了0.26dB和0.14dB，表明該算法的重建效果更好，重建圖像紋理細(xì)節(jié)更豐富。關(guān)鍵詞：圖像重建; 圖像塊分類;卡通紋理;稀疏表示;K奇異值分解中圖分類號(hào)： TP391.41文獻(xiàn)標(biāo)志碼：AAbstract： Concerning the poor quality of existing image super-resolu
計(jì)算機(jī)應(yīng)用 2019年2期2019-08-01
- 基于雙平行互質(zhì)陣列的二維非網(wǎng)格DOA估計(jì)
年來， 基于稀疏表示的DOA估計(jì)方法已經(jīng)被廣泛提出， 這些方法都需預(yù)設(shè)離散的網(wǎng)格點(diǎn)， 而實(shí)際信號(hào)來波方向在空間域內(nèi)具有隨機(jī)性， 任何來波方向都是等概率出現(xiàn)， 很有可能信號(hào)的來波方向不在網(wǎng)格上， 因而會(huì)存在網(wǎng)格誤差， 使DOA估計(jì)結(jié)果產(chǎn)生較大偏差。 為提高DOA估計(jì)精度， 本文提出了非網(wǎng)格的DOA估計(jì)模型。 同時(shí)， 為提高測(cè)向自由度， 本文應(yīng)用由兩個(gè)均勻線陣組成的互質(zhì)陣列， 并且將兩個(gè)均勻線陣平行放置在同一平面。 通過將兩均勻線陣的互協(xié)方差矩陣向量化成互協(xié)方
航空兵器 2019年3期2019-07-17
- 基于混合基的稀疏表示響應(yīng)面構(gòu)建方法
少仿真時(shí)間。稀疏表示響應(yīng)面則是利用稀疏表示的思想，尋找仿真模型在基函數(shù)上的稀疏表示，可通過較少的采樣點(diǎn)構(gòu)建高精度的稀疏表示響應(yīng)面，從而替代仿真模型，提高仿真效率。但是復(fù)雜產(chǎn)品種類繁多，特征各異，其仿真模型很難在單一基函數(shù)上找到稀疏表示。本文將以多種多項(xiàng)式組合成的集合作為基函數(shù)集，提高基函數(shù)的表達(dá)能力，然后基于模擬退火的全局收斂思想，在給定基函數(shù)挑選個(gè)數(shù)的前提下，找到最優(yōu)的基函數(shù)組合來對(duì)仿真模型進(jìn)行稀疏表示。同時(shí)引入二分法的思想，調(diào)整構(gòu)建響應(yīng)面的基函數(shù)的個(gè)數(shù)
電腦知識(shí)與技術(shù) 2019年15期2019-07-16
- 基于NSST和稀疏表示相結(jié)合的圖像融合算法
多尺度變換和稀疏表示在圖像融合中存在的一些不足，提出了一種基于非下采樣shearlet變換（NSST）的低頻域稀疏表示（SR）和高頻域脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）的圖像融合算法（簡稱NSST-LSR-HPCNN），并對(duì)低頻域稀疏表示系數(shù)采用改進(jìn)的拉普拉斯能量和（SML）取大的規(guī)則進(jìn)行融合。仿真結(jié)果表明，NSST-LSR-HPCNN算法中低頻域稀疏表示系數(shù)采用SML取大的規(guī)則融合圖像的空間頻率SF、互信息量MI、邊緣保持度QAB/F的數(shù)值均高于本文其他幾種對(duì)
電腦知識(shí)與技術(shù) 2019年15期2019-07-16
- 基于稀疏表示與加權(quán)核范數(shù)最小化的圖像去噪算法
提出一種基于稀疏表示與加權(quán)核范數(shù)最小化的圖像去噪算法。稀疏表示用于輔助重構(gòu)清晰圖像，加權(quán)核范數(shù)最小化用于圖像塊樣本的低秩矩陣逼近。通過分析紋理數(shù)據(jù)找出熵較大的非平滑塊，運(yùn)用一種奇異值維納濾波，從其差異矩陣中找出丟失的部分紋理信息，并將其與低秩去噪結(jié)果融合。實(shí)驗(yàn)結(jié)果表明，該算法能夠保持圖像的細(xì)小紋理，去噪效果更好，具有良好的魯棒性與泛化性。關(guān)鍵詞：稀疏表示;加權(quán)核范數(shù)最小化;圖像去噪;圖像特征;維納濾波DOI：10. 11907/rjdk. 182239中圖
軟件導(dǎo)刊 2019年6期2019-07-08
- 壓縮感知在無線傳感器網(wǎng)絡(luò)中的應(yīng)用研究
線傳感網(wǎng)絡(luò);稀疏表示;測(cè)量矩陣無線傳感器網(wǎng)絡(luò)是由分布在監(jiān)測(cè)區(qū)域內(nèi)的大量傳感器節(jié)點(diǎn)通過無線通信方式形成的一個(gè)自組織網(wǎng)絡(luò)系統(tǒng)。該系統(tǒng)的目的是協(xié)作感知、采集和處理網(wǎng)絡(luò)覆蓋區(qū)域里被監(jiān)測(cè)對(duì)象的信息，并將結(jié)果發(fā)送給用戶。在感知和采集過程中，由于無線傳感器網(wǎng)絡(luò)包含大量傳感器節(jié)點(diǎn)，每個(gè)傳感器節(jié)點(diǎn)采集大量的數(shù)據(jù)，這些數(shù)據(jù)將傳輸?shù)揭粋€(gè)中心控制節(jié)點(diǎn)，也會(huì)在各個(gè)節(jié)點(diǎn)之間傳輸，這種分布式傳感網(wǎng)絡(luò)的數(shù)據(jù)傳輸，對(duì)數(shù)據(jù)傳輸功耗和帶寬需求非常大，所以，如何對(duì)無線傳感器網(wǎng)絡(luò)中分布式感知信號(hào)進(jìn)
無線互聯(lián)科技 2019年8期2019-07-08
- 改進(jìn)的稀疏表示超分辨率圖像重建
提出一種基于稀疏表示的改進(jìn)算法。首先求出在低分辨率圖像過完備字典上的稀疏表示系數(shù)，將稀疏表示系數(shù)與高分辨率圖像的過完備字典相結(jié)合，得到高分辨率圖像塊，再聯(lián)合輸入的低分辨率圖像塊與生成的高分辨率圖像塊，求解出其在高低分辨率字典對(duì)上的稀疏系數(shù)，最后結(jié)合高分辨率圖像字典，得到更加精確的高分辨率圖像塊。經(jīng)仿真實(shí)驗(yàn)驗(yàn)證，該改進(jìn)方法有效提升了重建圖像質(zhì)量，增強(qiáng)了重建圖像的還原度。關(guān)鍵詞：稀疏表示;超分辨率;圖像重建;高低分辨率圖像塊;稀疏系數(shù)DOI：10. 11907
軟件導(dǎo)刊 2019年2期2019-06-10
- 基于CSR-MCA的圖像融合方法
出了基于卷積稀疏表示（convolutional sparse representation.CSR）和形態(tài)成分分析（morphological component analysis.MCA）的圖像融合方法。利用卷積稀疏表示的優(yōu)越性對(duì)形態(tài)成分分析模型進(jìn)行改進(jìn)，形成CSR—MCA的新型模型，可以同時(shí)實(shí)現(xiàn)源圖像的多組件和全局稀疏表示。使用預(yù)學(xué)習(xí)的CSR-MCA模型得到源圖像的平滑和細(xì)節(jié)成分的稀疏表示，然后使用不同的融合規(guī)則對(duì)每個(gè)圖像分量進(jìn)行融合，利用相應(yīng)的字典
智能計(jì)算機(jī)與應(yīng)用 2019年6期2019-03-11
- 基于稀疏表示的圖像超分辨率重建算法
辨率重建; 稀疏表示; [L1]范數(shù)優(yōu)化; 字典學(xué)習(xí); 粒子群優(yōu)化算法; 特征提取算子中圖分類號(hào)： TN911.73?34 ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2019）03?0045?04Abstract： A single image super?resolution reconstruction method based on sparse re
現(xiàn)代電子技術(shù) 2019年3期2019-02-19
- 基于壓縮感知的紅外人臉識(shí)別
性，采用基于稀疏表示的模式分類方法，通過提取紅外人臉圖像的全部信息作為特征并建立特征矩陣，將待識(shí)別人臉作為壓縮感知測(cè)量值，并通過正交匹配追蹤算法進(jìn)行重構(gòu)，根據(jù)重構(gòu)的稀疏系數(shù)所屬類別進(jìn)行紅外人臉識(shí)別。實(shí)驗(yàn)表明，基于壓縮感知的紅外人臉識(shí)別結(jié)果準(zhǔn)確率高。實(shí)驗(yàn)驗(yàn)證了本算法的有效性。關(guān)鍵詞：壓縮感知;稀疏表示;紅外人臉識(shí)別中圖分類號(hào)：TP751.1? ? ?文獻(xiàn)標(biāo)識(shí)碼：AInfrared Face Recognition Based on Compressed Se
軟件工程 2019年1期2019-02-08
- 自適應(yīng)非負(fù)矩陣分解的人臉識(shí)別方法研究
利用QR分解稀疏表示方法進(jìn)行人臉分類;最后，通過選取最優(yōu)參數(shù)組合，調(diào)整重構(gòu)樣本，直至達(dá)到最佳分類效果。在ORL、Yale和AR3個(gè)數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果表明，該算法在最佳參數(shù)下，尤其是單樣本情況下對(duì)比基于原樣本方法的準(zhǔn)確率平均提高了約5%，最高提高了約10%～15%。關(guān)鍵詞：非負(fù)矩陣分解;稀疏表示;重構(gòu)樣本;人臉識(shí)別DOI：10.11907/rjd k.191257中圖分類號(hào)：TP301 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2019）012-0073
軟件導(dǎo)刊 2019年12期2019-02-07
- 基于稀疏表示的語音感情計(jì)算研究
討論機(jī)器學(xué)習(xí)稀疏表示在語音情感計(jì)算中的應(yīng)用問題。在國際公開的語音情感數(shù)據(jù)庫上研究了語音情感特征提取和識(shí)別算法，同時(shí)還討論語音情感識(shí)別技術(shù)應(yīng)用問題。實(shí)驗(yàn)結(jié)果表明，該文建議的稀疏表示語音情感識(shí)別算法較傳統(tǒng)的稀疏表示具有較大競(jìng)爭力。關(guān)鍵詞：感情計(jì)算；語音；稀疏表示；范數(shù)中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）26-0171-021 概述情感是否可計(jì)算屬哲學(xué)終極問題，其衍生的情感能否計(jì)算？如果能，那么計(jì)算什么？如何計(jì)算？計(jì)算
電腦知識(shí)與技術(shù) 2018年26期2018-12-18
- 運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤算法綜述
的兩種算法：稀疏表示的目標(biāo)跟蹤算法和實(shí)時(shí)壓縮感知目標(biāo)跟蹤算法做出系統(tǒng)的描述。關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)檢測(cè)；運(yùn)動(dòng)目標(biāo)跟蹤；壓縮感知；稀疏表示；特征提取中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）24-0194-04Abstract：Moving target detection and tracking are widely used in multimedia images， video surveillance，etc. Ov
電腦知識(shí)與技術(shù) 2018年24期2018-11-26
- 基于局部稀疏表示的目標(biāo)跟蹤算法
于l1最小化稀疏表示的目標(biāo)跟蹤算法跟蹤精度高，但是在跟蹤部分遮擋目標(biāo)或當(dāng)背景中存在與目標(biāo)相似的干擾物時(shí)會(huì)發(fā)生漂移。這主要是因?yàn)樗惴▋H關(guān)注目標(biāo)的整體特征，而忽略了目標(biāo)局部特征的變化情況。為了解決該問題，提出基于目標(biāo)外觀局部稀疏表示的跟蹤算法。首先，對(duì)待選樣本進(jìn)行分塊，然后利用采集得到的模板對(duì)各分塊進(jìn)行稀疏表示并計(jì)算重構(gòu)誤差，最后選取累積誤差最小的待選樣本作為跟蹤目標(biāo)。實(shí)驗(yàn)結(jié)果表明，該算法在跟蹤被部分遮擋的目標(biāo)時(shí)相比l1跟蹤算法有更高的準(zhǔn)確度。關(guān)鍵詞：目標(biāo)跟蹤
軟件導(dǎo)刊 2018年8期2018-10-29
- 基于正則化模型的K—SVD算法及其應(yīng)用
；字典學(xué)習(xí)；稀疏表示；圖像去噪DOIDOI：10.11907/rjdk.173177中圖分類號(hào)：TP312文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2018）008-0114-04英文摘要Abstract：A method of K Singular Value Decomposition （K-SVD） based on regularized model is proposed.The regularized term is introduced
軟件導(dǎo)刊 2018年8期2018-10-29
- 基于深度特征的稀疏表示目標(biāo)跟蹤算法
摘 要：基于稀疏表示的目標(biāo)跟蹤算法速度快、精度高，但這類算法使用灰度特征來描述目標(biāo)外觀，因此在跟蹤外觀變化較大的目標(biāo)時(shí)容易發(fā)生漂移。為了解決該問題，研究提出一種基于深度特征的稀疏表示目標(biāo)跟蹤算法。首先，使用預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)提取目標(biāo)的深度特征；其次，根據(jù)采集到的模板集對(duì)候選樣本計(jì)算重構(gòu)誤差；然后，選擇具有最小重構(gòu)誤差的候選樣本作為當(dāng)前幀的目標(biāo)；最后，根據(jù)已跟蹤到的目標(biāo)更新模板集。實(shí)驗(yàn)結(jié)果表明，本算法與傳統(tǒng)的稀疏表示算法相比更具有魯棒性。關(guān)鍵詞：目標(biāo)跟蹤；
物聯(lián)網(wǎng)技術(shù) 2018年9期2018-09-29
- 基于稀疏表達(dá)特征選擇的壓縮感知目標(biāo)跟蹤算法
出了根據(jù)l1稀疏表示判斷哈爾特征是否被遮擋，然后使用未被遮擋的特征構(gòu)建貝葉斯分類器。首先對(duì)每一幀跟蹤結(jié)果運(yùn)用稀疏表示提取出未被遮擋特征的集合，在構(gòu)建貝葉斯分類器時(shí)僅使用未被遮擋的特征。然后使用訓(xùn)練好的分類器對(duì)下一幀候選樣本進(jìn)行分類，選取具有最大分類響應(yīng)的候選樣本作為跟蹤結(jié)果。實(shí)驗(yàn)結(jié)果表明，該算法在跟蹤目標(biāo)部分遮擋時(shí)相比CT算法有更高跟蹤準(zhǔn)確度，算法能夠?qū)崟r(shí)得到高效、準(zhǔn)確的目標(biāo)跟蹤結(jié)果。關(guān)鍵詞：目標(biāo)跟蹤；哈爾特征；稀疏表示；貝葉斯分類器DOI：10.1190
軟件導(dǎo)刊 2018年7期2018-09-26
- 面向彩色圖像的人臉特征點(diǎn)定位算法研究
變部件模型；稀疏表示DOI：10.11907/rjdk.173132中圖分類號(hào)：TP312文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2018）007-0103-05Abstract：Facialfeaturepointlocalizationtechnologyprovidesimportantgeometricinformationfortheprocessingandanalysisoffacialimages，anditisoneoftheclas
軟件導(dǎo)刊 2018年7期2018-09-26
- 基于稀疏表示與人臉結(jié)構(gòu)的人臉幻構(gòu)技術(shù)研究
要：雖然基于稀疏表示的方法重構(gòu)人臉圖像有著樣本庫需求小的優(yōu)點(diǎn)，同時(shí)對(duì)于平滑區(qū)域的恢復(fù)也有很好的效果，但是人臉成分以及輪廓邊緣細(xì)節(jié)仍然較為模糊。為了解決這一問題，本文提出了結(jié)合稀疏表示的梯度估計(jì)邊緣優(yōu)化方法，該方法利用樣本庫中高分辨率的人臉成分以及邊緣梯度統(tǒng)計(jì)空間對(duì)低分辨率輸入人臉進(jìn)行細(xì)節(jié)恢復(fù)和邊緣銳化。實(shí)驗(yàn)結(jié)果表明，該方法對(duì)人臉圖像結(jié)構(gòu)的細(xì)節(jié)恢復(fù)有較為理想的表現(xiàn)效果。關(guān)鍵詞：稀疏表示；梯度估計(jì)；人臉結(jié)構(gòu)；人臉幻構(gòu)中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A
現(xiàn)代信息科技 2018年3期2018-09-10
- 壓縮傳感的綜述
；信號(hào)重構(gòu)；稀疏表示；圖像重構(gòu)；約束等距性中圖分類號(hào)：TN911.7 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）15-0251-02A Survey on Compressive SensingWANG Ju，ZHAO Yan，WANG Hao（Yanching Institute of Technology， Langfang 065201， China ）Abstract：In the traditional sampling， the
電腦知識(shí)與技術(shù) 2018年15期2018-07-28
- 基于深度學(xué)習(xí)模型與稀疏表示的絕緣子狀態(tài)分類
度學(xué)習(xí)模型與稀疏表示進(jìn)行絕緣子狀態(tài)分類的方法，對(duì)于待檢測(cè)的絕緣子圖像，通過Faster-RCNN定位后，采用深度殘差網(wǎng)絡(luò)（ResNet）提取圖像特征，最后利用稀疏表示進(jìn)行絕緣子狀態(tài)分類。該方法與傳統(tǒng)方法相比，對(duì)于絕緣子的狀態(tài)分類具有更高的準(zhǔn)確率，準(zhǔn)確率可達(dá)98.67%。關(guān)鍵詞：深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)；絕緣子；稀疏表示；分類DOI：10.11907/rjdk.172724中圖分類號(hào)：TP301文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2018）005-0
軟件導(dǎo)刊 2018年5期2018-06-21
- 部分遮擋人臉識(shí)別的研究進(jìn)展
魯棒估計(jì)法、稀疏表示法和非負(fù)判別式字典學(xué)習(xí)法，指出了各類方法的主要思想和其中代表性方法，分析了存在的問題以及未來的發(fā)展趨勢(shì)。關(guān)鍵詞：部分遮擋；人臉識(shí)別；局部特征；魯棒估計(jì)；稀疏表示人臉識(shí)別包括人臉檢測(cè)、特征提取和分類器設(shè)計(jì)等基本步驟，是典型的生物特征識(shí)別技術(shù)之一。目前已在金融、教育、醫(yī)療、旅游和安防等眾多領(lǐng)域得到了廣泛的應(yīng)用。近年來，人臉識(shí)別技術(shù)已經(jīng)取得了重大進(jìn)展，但仍然面臨諸多困難，比如光照的變化、表情的變化、姿態(tài)的變化、年齡的變化和部分遮擋，如圖1所示
無線互聯(lián)科技 2018年1期2018-06-07
- 基于稀疏表示的圖像超分辨率重建算法的研究
：本文在基于稀疏表示的圖像超分辨率重構(gòu)算法的研究基礎(chǔ)上提出一種改進(jìn)的算法。該算法的思想是在原有的稀疏表示圖像超分辨率重建的基礎(chǔ)上采用圖像結(jié)構(gòu)-紋理分解模型對(duì)輸入的低分辨率圖像進(jìn)行重建。在重建過程中，紋理部分采用稀疏表示與字典訓(xùn)練相結(jié)合重建，而結(jié)構(gòu)部分采用小波變換的方法重建。關(guān)鍵詞：稀疏表示；超分辨率重建；字典訓(xùn)練；結(jié)構(gòu)紋理分解DOI：10.16640/j.cnki.37-1222/t.2018.09.1171 引言圖像超分辨率重建技術(shù)作為圖像領(lǐng)域的一個(gè)重要
山東工業(yè)技術(shù) 2018年9期2018-05-26
- 彩色圖像分割方法綜述
過完備字典的稀疏表示能夠刻畫圖像細(xì)節(jié)信息、實(shí)現(xiàn)圖像最優(yōu)逼近的特點(diǎn)，提出將其推廣至彩色圖像分割的研究思路。關(guān)鍵詞：彩色圖像分割；閾值；聚類；區(qū)域生長；稀疏表示DOIDOI：10.11907/rjdk.172535中圖分類號(hào)：TP301文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2018）004-0001-05Abstract：Image is an important preprocessing step in image analysis， of who
軟件導(dǎo)刊 2018年4期2018-05-15
- 基于稀疏表示與特征融合的人臉識(shí)別方法
提出一種基于稀疏表示與特征融合的人臉識(shí)別算法。首先采用低秩恢復(fù)算法得到訓(xùn)練樣本和測(cè)試樣本的干凈人臉圖像，提取干凈人臉圖像的LBP，HOG，Gabor三種特征向量;然后對(duì)部分訓(xùn)練樣本進(jìn)行SRC分類測(cè)試，根據(jù)SRC的識(shí)別結(jié)果與分類殘差定義一個(gè)損失函數(shù)，再利用正則化最小二乘法計(jì)算出使損失函數(shù)最小的權(quán)重向量;最后根據(jù)該權(quán)重向量重構(gòu)規(guī)則化殘差進(jìn)行分類。在ORL，Extended Yale B和AR數(shù)據(jù)庫上進(jìn)行實(shí)驗(yàn)，結(jié)果表明，該算法優(yōu)于利用單一特征識(shí)別的方法，并且對(duì)光
現(xiàn)代電子技術(shù) 2018年9期2018-05-05
- 稀疏主成分線性判別分析算法
文開展了基于稀疏表示的人臉識(shí)別算法研究。主要內(nèi)容如下：（1）回顧了人臉識(shí)別的發(fā)展，從中挑選了主成分分析（PCA）與線性判別分析（LDA）這兩種典型算法進(jìn)行研究。（2）在對(duì)兩種傳統(tǒng)算法進(jìn)行學(xué)習(xí)和研究后，實(shí)現(xiàn)了它們與稀疏表示結(jié)合的算法——稀疏線性判別分析（SDA）與稀疏主成分分析（SPCA）。（3）通過對(duì)前面兩種算法的總結(jié)，得到了改進(jìn)算法。在標(biāo)準(zhǔn)ORL人臉數(shù)據(jù)以及Yale人臉數(shù)據(jù)上進(jìn)行了比較實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明改進(jìn)后的算法取得了較好的識(shí)別效果。關(guān)鍵詞：人臉識(shí)別；
電腦知識(shí)與技術(shù) 2018年5期2018-04-02
- 基于SM特征字典分類的圖像超分辨率
超分辨率 稀疏表示1 引言（Introduction）超分辨率圖像重建是指用一幅或多幅低分辨率圖像通過算法轉(zhuǎn)化成高分辨率圖像的技術(shù)。目前該技術(shù)已經(jīng)廣泛的應(yīng)用于醫(yī)學(xué)影像、視頻監(jiān)控、遙感圖像、高清電視等領(lǐng)域。超分辨率圖像方法主要分為基于插值，基于重建和基于重建的方法?；诓逯档姆椒ㄖ饕挥须p線性插值法和雙三次插值法。基于重建的方法有迭代反投影法、凸集投影法POCS（projection on to convex set）和最大后驗(yàn)概率估計(jì)法MAP（maxim
電子技術(shù)與軟件工程 2018年7期2018-02-25
- 基于K—SVD的γ能譜特征提取及核素識(shí)別
；KSVD；稀疏表示中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）02-0177-03γSpectrum Feature Extraction and Nuclide Identification by K-SVDLIU Hao-lin， YAO Yuan-cheng ，ZHANG Jiang-mei，WANG Kun-peng（Southwest University of Science and Technology，C
電腦知識(shí)與技術(shù) 2018年2期2018-02-03
- 基于字典學(xué)習(xí)的圖像去噪研究
；字典學(xué)習(xí)；稀疏表示；K-SVD；圖像去噪中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）02-0164-02Research on Image Denoising Based on Dictionary LearningCHENG Chun-yan（Faculty of Information Engineering，Jiangxi University of Science and Technology，Ganzhou
電腦知識(shí)與技術(shù) 2018年2期2018-02-03
- 基于稀疏表示的目標(biāo)追蹤方法
。本文概述了稀疏表示基本概念和稀疏編碼的方法，對(duì)稀疏表示方法在目標(biāo)追蹤領(lǐng)域中重要研究進(jìn)展進(jìn)行總結(jié)歸納，并展望了稀疏表示方法在目標(biāo)追蹤領(lǐng)域的發(fā)展方向?！娟P(guān)鍵詞】目標(biāo)識(shí)別；目標(biāo)追蹤；稀疏表示；稀疏編碼中圖分類號(hào)： TP391.41 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 2095-2457（2017）29-0030-002【Abstract】Target tracking， as an important part of image understanding， has
科技視界 2017年29期2018-01-18
- 基于稀疏表示的LiDAR點(diǎn)云目標(biāo)識(shí)別
，魯棒性差。稀疏表示理論表明過完備字典可通過少量重構(gòu)系數(shù)重構(gòu)樣本，從而達(dá)到降噪目的。據(jù)此提出基于稀疏表示的LiDAR點(diǎn)云目標(biāo)識(shí)別算法。首先，在由所有訓(xùn)練樣本組成的過完備字典上重構(gòu)樣本；然后，計(jì)算每個(gè)測(cè)試樣本在字典上的稀疏表示重構(gòu)誤差，并利用該重構(gòu)誤差判別測(cè)試樣本的類別歸屬。實(shí)驗(yàn)表明，所提算法對(duì)點(diǎn)云目標(biāo)的識(shí)別率較現(xiàn)有算法均有顯著提升，并具有較高的魯棒性。關(guān)鍵詞： 稀疏表示； 目標(biāo)識(shí)別； LiDAR； 重構(gòu)誤差； 字典中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)志碼：A
計(jì)算機(jī)時(shí)代 2018年11期2018-01-04
- 基于稀疏表示的單幅圖像超分辨率重建研究
提出一種基于稀疏表示的圖像超分辨率重建模型。該模型利用稀疏表示方法，結(jié)合自回歸原理將原始圖像表示為若干個(gè)圖像塊的線性組合，并根據(jù)圖像邊緣特征將圖像塊進(jìn)行劃分，以提高算法效率，最后結(jié)合分治思想、變量分離技術(shù)以及增廣拉格朗日方法對(duì)模型進(jìn)行求解。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)插值算法相比，該算法對(duì)圖像重建效果更好。關(guān)鍵詞關(guān)鍵詞：稀疏表示； 超分辨率；變量分離技術(shù)；增廣拉格朗日DOIDOI：10.11907/rjdk.171376中圖分類號(hào)：TP317.4文獻(xiàn)標(biāo)識(shí)碼：A文章
軟件導(dǎo)刊 2017年11期2017-12-02