基于压缩感知认知模型的面像识别与理解

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G abor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 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 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 初级经济法重点总结下载党员个人总结TXt高中句型全总结.doc高中句型全总结.doc理论力学知识点总结pdf 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