基于稀疏表示的识别方法
一种新的稀疏表示分类方法及其在图像识别中的应用
一种新的稀疏表示分类方法及其在图像识别中的应用作者：徐广飞来源：《无线互联科技》2013年第06期摘要：近年来，稀疏表示分类（SRC）方法在图像识别中受到越来越多的关注。
SRC方法将测试样本分在最小重构误差所对应的类别中，这种决策方法对SRC的稀疏原理不是最优的。
为了从稀疏编码系数中得到鉴别性更强的信息，本文提出一种新的决策规则——“系数和”规则。
在Yale数据库和MNIST数据库上的实验结果表明本文提出的方法要优于原始SRC方法。
关键词：稀疏表示分类；图像识别；系数和规则；MNIST数据库1 引言图像识别是计算机视觉和模式识别领域内广泛研究的分类问题之一，最近稀疏表示分类[1]（SRC）方法在人脸识别中得到应用并取得很好的识别效果。
SRC利用了人脸图像的线性子空间结构并将人脸识别问题看做是一个稀疏表示问题。
具体来说，给定一个测试样本，SRC首先得到该样本在所有训练样本构成的字典上的稀疏系数，然后利用稀疏系数和每类训练样本重构样本，最后将该测试样本分在最小重构误差对应的类别中。
随后又有很多改进的SRC方法来提高其性能，并被应用到其它机器学习问题中。
2 稀疏表示分类算法SRC算法的流程如下：⑴输入：由C类训练样本组成的矩阵A=[A1，A2，…，Ac]∈Rm×n，测试样本y∈Rm；⑵将y和A的列向量单位化；⑶求解：（或者求解）；⑷计算残差；⑸输出：测试样本的类别3 系数和规则在文献[2]中，提出通过稀疏系数可以反映数据间的相似性。
因此我们提出使用系数和（sum of coefficient，SoC）进行决策：4 实验验证及分析本节中，我们通过实验来验证“系数和”（SoC）规则的性能，对比方法为原始SRC算法。
使用的图像库为Yale人脸库和MNIST数据库。
在对图像进行分类前，我们使用PCA对样本进行降维。
SRC通过求解（2）式得到稀疏系数，然后进行分类，误差容忍度ε设为0.005。
4.1 Yale人脸库Yale数据库由15个人，每人11张图像组成，分辨率为121×160，灰度级为256。
一种新的稀疏表示分类方法及其在图像识别中的应用
５ ０
８ ８ ． ５ ３
６ ０
８ ８ ． １ ３
７ ０
８ ８４ ０
８ ０
８８
９ ０
８ ７ ６
（ ２ ） 将ｙ 和Ａ 的列向量单位化 ；
‘ 。 求 解 ： ｉ ： ａ ｒ ｇ ｍ ｉ ｎ ｌ ｌ ｘ ｌ ｌ ｓ ｕ ｂ ｊ ｅ ｃ ｔ ｔ ｏ Ａ ｘ ： ；
则。 在Ｙ ａ １ ｅ ， Ｏ ： ： Ｙ Ｓ ｒ 库 和Ｍ Ｎ Ｉ ｓ Ｔ 数据库 上的实验 结果表 明本 文提 出的方法要 优于原 始ｓ Ｒ ｃ 方法。 关键词 ： 稀疏 表示分类 ； 图像识 别； 系数和 规 则； Ｍ Ｎ Ｉ ｓ Ｔ 数据 库
１ 引言
图像识 别是计算 机视觉 和模式识 别领域 内广泛研 究 的分 类 问题 之一， 最近稀疏表 示分类 （ Ｓ Ｒ Ｃ ） 方法在 人脸识 别中得 到应用并取得 很好 的识 别效果 。 ｓ Ｒ ｃ ￣ Ｏ 用 人脸 图像的线性子 空间结构并将人脸 识别问题看做是一个稀疏 表示 问题 。 具体来 成的字典上 的稀疏系数 ， 然 后利用稀疏系数和每类训练样本重 构样本 ， 最后将该测试 样本分在最小重 构误差对应 的类 别中。
Ｓ ０ Ｃ
８ ０ ． ６ ３
８ ６－ ３ ５
８ ７ ６ ２
８ ７ ６ ２
８ ７＿ ３ Ｏ
８ ６ ６ ７
说， 给定一个测试样本 ， Ｓ Ｒ Ｃ 首先得到该样本在所有训练样本构 ４ ． ２ Ｍ Ｎ Ｉ Ｓ Ｔ － ￣ － 写体数据库 Ｍ Ｎ Ｉ Ｓ Ｔ 手写数 字库 中共 有６ ０ ， ０ ０ ０ 个 训练样本和１ ０ ， ０ ０ ０ 个测 试样本 ， 包含 ０ — ９ 这１ ０ 个 数字的不同手写体 图像，图像大小为２ ８ 图像为测试样本 。 不同特征维数下的识别率如表２ 所 示。 从表中 数据可 以看 出使 用Ｓ ｏ Ｃ 后算 法的性能提高了１ ％ － ２ ％ ， 这表明基 于 系数的决策 可以更好地利用稀疏性。
基于稀疏表示的铁路铁轨缺陷检测技术研究
基于稀疏表示的铁路铁轨缺陷检测技术研究近年来，铁路交通作为一种常用的高速、高效的交通运输方式，对于人们出行和物流运输起着重要的作用。
然而，由于铁路铁轨长期使用，不可避免地会出现各种缺陷，如裂纹、腐蚀等，这些缺陷若不及时发现和修复，将对铁路安全运行产生严重影响。
因此，开展基于稀疏表示的铁路铁轨缺陷检测技术研究具有重要的实际意义。
一、背景介绍铁路铁轨缺陷检测是铁路维护保养的重要环节之一，其目的是及时发现并修复铁轨缺陷，保障列车行驶安全。
传统的铁路铁轨缺陷检测通常依赖于人工巡检和机械设备，但由于人力和设备的限制，无法实现对大规模铁路铁轨的全面检测。
因此，基于计算机视觉和图像处理技术的智能化缺陷检测技术备受研究者关注。
二、稀疏表示稀疏表示是一种数据处理方法，它可以将原始数据表示为少量基向量的线性组合。
在铁路铁轨缺陷检测中，稀疏表示可以用来对铁轨的图像信号进行重构和分解，从而实现对铁轨缺陷的检测。
通过选择合适的稀疏表示模型和优化算法，可以提高铁路铁轨缺陷检测的准确性和效率。
三、基于稀疏表示的铁路铁轨缺陷检测算法1. 数据采集和预处理在铁路铁轨缺陷检测中，首先需要采集铁轨的图像数据。
这些数据可以通过高分辨率摄像机或其他传感器获取。
然后，对采集到的图像进行预处理，如噪声去除、图像增强等，以提高后续处理的效果。
2. 特征提取和稀疏表示在预处理后，对铁轨图像进行特征提取和稀疏表示。
特征提取可以通过局部二值模式、Gabor滤波器等方法实现。
然后，利用选定的稀疏表示模型，如K-SVD算法、OMP算法等，对提取到的特征进行稀疏表示。
3. 缺陷检测和分类通过对稀疏表示得到的系数进行阈值处理和反稀疏编码，可以得到铁路铁轨的重构图像。
通过比较重构图像与原始图像的差异，可以检测出铁轨的缺陷。
根据缺陷的形状、尺寸等特征，可以对缺陷进行分类和识别。
四、实验结果与分析为验证基于稀疏表示的铁路铁轨缺陷检测技术的有效性，进行了一系列实验，并与传统的方法进行对比。
共振稀疏方法
共振稀疏方法共振稀疏方法是一种用于信号处理和图像处理中的有效算法，可以用于降低数据的维度和提取特征。
本文将介绍共振稀疏方法的原理、应用领域以及优缺点。
一、共振稀疏方法的原理共振稀疏方法是一种基于稀疏表示的信号处理方法，其核心思想是通过将信号表示为一个高度稀疏的线性组合来降低维度和提取特征。
这种方法假设信号可以用少量的基向量表示，而这些基向量通常是正交或具有较小互相关性的。
通过寻找信号的稀疏表示，我们可以达到降低数据维度和提取特征的目的。
共振稀疏方法在许多领域都有广泛的应用，包括图像处理、语音识别、目标检测等。
在图像处理中，共振稀疏方法可以用于图像压缩、图像恢复和图像分类等任务。
在语音识别中，共振稀疏方法可以用于语音信号的降噪和特征提取。
在目标检测中，共振稀疏方法可以用于提取目标的特征并进行分类。
三、共振稀疏方法的优点共振稀疏方法具有以下几个优点：1. 可以有效地降低数据的维度，减少存储和计算的开销。
2. 可以提取信号的稀疏特征，更好地捕捉信号的本质信息。
3. 可以应用于多种不同的信号处理任务，具有较好的通用性。
四、共振稀疏方法的缺点共振稀疏方法也存在一些缺点：1. 对于非稀疏的信号，共振稀疏方法可能无法得到准确的结果。
2. 共振稀疏方法的计算复杂度较高，需要耗费大量的计算资源。
3. 共振稀疏方法对于噪声和干扰较敏感，可能会导致结果的不稳定性。
五、共振稀疏方法的应用案例以图像处理领域为例，共振稀疏方法可以应用于图像压缩。
传统的图像压缩方法通常基于离散余弦变换（DCT）或小波变换，这些方法在保留图像质量的同时，往往需要较高的压缩比。
而共振稀疏方法可以通过寻找图像的稀疏表示来实现更高的压缩比。
具体而言，可以通过构建一个字典，将图像分解为一组基向量的线性组合，其中基向量具有稀疏性质。
然后，可以使用优化算法，如L1范数最小化算法，来求解稀疏表示问题。
最后，将稀疏表示结果进行重构，即可得到压缩后的图像。
六、总结共振稀疏方法是一种有效的信号处理算法，可以用于降低数据的维度和提取特征。
深度学习知识：神经网络的稀疏表示
深度学习知识：神经网络的稀疏表示神经网络是一种强大的机器学习工具，它通过一系列神经元和权重之间的连接来构建模型。
目前，神经网络已经在多个领域展现出了强大的应用能力。
但是，神经网络本身也存在一些问题，其中之一就是如何处理稀疏表示的数据。
在本文中，我们将探讨稀疏表示以及神经网络如何处理这种类型的数据。
什么是稀疏表示？稀疏表示是指数据中的许多元素都是0，或者接近于0，而只有少数几个元素具有非零值。
这种情况在实际问题中非常普遍，例如在语音识别中的语音信号就是一种稀疏表示。
如何处理稀疏表示？现代的神经网络通常使用全连接层，在这种情况下，输入数据的每个元素都将连接到每个神经元。
这种方法在处理稠密表示的数据时非常有效，但是，在处理稀疏表示数据时，它可能会导致一些问题。
例如，在处理图像数据时，每个像素都可以被认为是一个输入元素。
然而，在大多数图像中，像素值都非常小，类似于稀疏表示数据。
采用全连接神经网络进行图像分类任务，这将导致非常大的模型大小和处理时间，而且很容易出现过拟合的问题。
因此，处理稀疏表示数据的算法通常需要特定的方法。
其中一种解决方法是采用稀疏编码，这是一种用于处理稀疏表示数据的技术。
稀疏编码是一种无监督学习方法，它通过对数据进行组合来生成一个小的编码向量。
由于编码向量非常小，这种方法可以提高神经网络处理稀疏表示数据的效率。
例如，如果我们用一个稀疏编码将输入数据从1000维降至100维，则神经网络的全连接层将变得小得多，处理速度也将更快。
稀疏编码还有另一个好处，即它可以减少噪声的影响。
如果有许多输入特征都是无效的或没有意义的，那么这些特征将会产生噪声，从而降低神经网络的性能。
稀疏编码可以帮助神经网络过滤掉这些噪音数据，只保留最重要的数据特征。
另外一种方法是使用卷积神经网络。
卷积神经网络是专门针对图像处理、语音处理等领域，它能够对输入进行分层的处理。
卷积神经网络的核心思想是对输入进行卷积操作，然后将结果输入到下一层。
稀疏表示字典训练方法及应用概要
基于字典训练的单信道图像分离
方法1：对K-SVD算法进行改进，在SVD分解更新 字典时，选择与其他信号相干性较小的原子。 方法2：对GAD算法进行改进，选择图像（残余图像） 中与其他图像相干性较小的原子生成字典。
(, ) n max k , j
1 k , j n
According to the theorem in literatures, the incoherence between two matrixes indicates that the atoms of one matrix can’t sparsely represent the atoms of the other (and vice versa). E.J. Candes and M.B. Wakin, “ An Introduction to Compressive Sampling,” IEEE Signal Processing Magazine, vol. 25, iss. 2, pp. 21 – 30, 2008.
初始字典D
稀疏编码
字典更新
K-SVD
(1)初始字典D：过完备DCT字典 (2)稀疏编码
Min
A
DX Y
2 F
s.t. j, x j
0
L
D
Y
T
对 jth 列
Min
Dx y j
2 2
s.t . x
0
L
K-SVD
(3) 字典更新
Y DX
2 F
ቤተ መጻሕፍቲ ባይዱ
Y d j xT j
基于字典训练的单信道图像分离
y x1 x2 D11 D2 2
隐式低秩表示联合稀疏表示的人脸识别方法
・ ４ ４ ・
云南师范大学学报 （ 自然科学版）
第 ３ ７ 卷
提出了一种矩阵低秩恢复算法 ， 将训练样本分解为一个低秩逼近矩阵和一个稀疏误差矩阵， 更好的描述 图像的特征、 噪声以及误差； 胡正平＿ １ 。 和杜海顺［ １ ４ Ｊ 等人提出了基于低秩子空间恢复 的联合稀疏表示人
鲁棒性． 但是由于实际环境的不同（ 光照变化的强弱、 噪声干扰的强弱、 遮挡物覆盖面积 的多少 等） 造成 干扰成分的不同， 对图像的破坏程度不 同， Ｓ Ｒ Ｃ算法仍存在 以下不足之处 ： （ １ ） Ｗｒ ｉ ｇ ｈ ｔ Ｅ 虽然采用单位 矩阵扩充训练字典的方法实现遮挡、 噪声图像的识别 ， 但计算复杂度较高； （ ２ ） 在样本不足 的情况下 ， 直
（ Ｌ ａ ｔ Ｌ Ｒ Ｒ， Ｌ ａ ｔ ｅ ｎ ｔ Ｌ ｏ ｗ－ Ｒ ａ ｎ ｋ Ｒ ｅ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ） 算法将训练样 本矩 阵分解 为两 个低秩逼 近矩 阵和一 个稀
疏误差矩阵． 然后将低秩逼 近矩 阵和稀疏误差 矩阵联合构 成完备 字典 ， 并用 Ｋ－ Ｓ Ｖ Ｄ算法 对字典进 行学 习， 得 到测试样本在学习后字典下 的稀疏表示． 最后 对测试样本利 用上述 隐式低 秩表示分解 的三部分 的
行 了改进 ， 用 每 一类训 练样本 减去 其对应 的类 均 值作 为 误差 字 典 ， 提 高 了识 别性 能 ； Ｅ ． Ｃ ａ ｎ ｄ ｅ ｓ Ｅ １ １ － １ ２ ］ 等 人
＊ 收稿 日期： ２ ０ １ ６ － ｌ ｌ 一 １ ５
基金项 目： 云南省教育厅科学研 究基金资助项 目（ ２ ０ １ ４ Ｙ １ ４ ５ ） ； 云南省哲学社会科学规划项 目资助（ Ｑ Ｎ ２ Ｏ １ ５ ０ ６ ７ ） ； 云南师范大学
人脸识别
成云丽
电子信息学院
目录
1.简介 2.主要特点及技术流程 3.人脸的特征提取方法 4.优势与困难 5.主要用途及前景 6.主要产品
人脸的核稀疏表示
电子信息学院
简介
• 人脸识别，是基于人的脸部特征信息进行身 份识别的一种生物识别技术。用摄像机或摄 像头采集含有人脸的图像或视频流，并自动 在图像中检测和跟踪人脸，进而对检测到的 人脸进行脸部的一系列相关技术，通常也叫 做人像识别、面部识别。
电子信息学院
主要特点及技术流
• 传统的人脸识别技术主要是基于可见光图像的人脸识 别，这也是人们熟悉的识别方式，已有30多年的研 发历史。但这种方式有着难以克服的缺陷，尤其在环 境光照发生变化时，识别效果会急剧下降，无法满足 实际系统的需要。解决光照问题的方案有三维图像人 脸识别，和热成像人脸识别。但这两种技术还远不成 熟，识别效果不尽人意。
原理,如果第i类样本足够多,那么同一类别的测试样本
经过
与训练样本相同的预处理后,可以稀疏表示为该类训练样本的线
性组合逼近:
因为测试样本属于哪一类初始时是未知的,我们定义一个新的 矩阵J来表示整个训练样本集,它是由k类n个训练样本连接而成:
电子信息学院
人脸的核稀疏表示
然后,y的线性表示可以用所有训练样本项写成: 其中 是稀疏矩阵,只有y所属的第i类的样本系数不为零。为了 使算法在含噪声等情况下更加稳健,可以重构新的矩阵a, 问题转化为下式进行求解:
电子信息学院
人脸的核稀疏表示
其中 是y的稀疏表示系数,T是稀疏阈值,条件中的l0。范数表示 系数向量 中非零元素的个数,其物理意义是稀疏程度。理想情况下, 除了样本y所属类别的基对应的系数值非零外,相应其它类别的基对应 的系数都为零。但实际情况中,由于噪声和模型误差等原因,在其他类 别上也有数值较小的非零系数,此时可以将测试样本归为最大系数所 属类或者系数中最能线性表示测试样本的那一类,这就是基于稀疏表 示的分类方法(Sparse Representation Classifier,SRC)的思想。但是, 由于l0范数的最优化问题求解困难,因此实际求解中通常使用l1范数代 替l0范数,这是一种松弛方法(relaxation),在满足一些条件时,这两个范 数的最优解是相同的,所以式上式可以写为:
基于改进 LTP 算子和稀疏表示的人脸表情识别
基于改进 LTP 算子和稀疏表示的人脸表情识别李立赛;应自炉【期刊名称】《五邑大学学报（自然科学版）》【年(卷),期】2015(000)002【摘要】In order to improve the facial expression recognition rate in practical application, an improved local ternary patterns (ILTP) algorithm was proposed on the basis of the local ternary patterns (LTP) algorithm,and was combined with sparse representation-based classifier (SRC) to form a new algorithm to be applied to human facial expression recognition. Then facial expression features are extracted by ILTP algorithm, and the features are treated as the input of the SRC to complete facial expressions recognition. Experimental results based on JAFFE database prove that the new algorithm can get a facial expression recognition rate of 70.48% and is highly feasible.%为了提高实际应用中的人脸表情识别率，本文提出了改进局部三值模式算法（ILTP），并结合稀疏表达分类器（SRC）组成新的算法应用于人脸表情识别.该算法首先利用 ILTP 算法对人脸表情图像进行特征提取，然后将得到的图像顶层特征数据和图像底层特征数据作为SRC 的输入，从而完成人脸表情分类.基于 JAFFE 数据的实验结果表明：改进算法的人脸表情识别率达70.48%，具有较高的可行性.【总页数】6页(P49-54)【作者】李立赛;应自炉【作者单位】五邑大学信息工程学院，广东江门 529020;五邑大学信息工程学院，广东江门 529020【正文语种】中文【中图分类】TP391.41【相关文献】1.基于改进的LTP人脸表情识别算法 [J], 唐红梅;乔帆帆;郭迎春;王霞2.基于稀疏表达和改进的LBP算子的人脸表情识别 [J], 徐杜功;丁召;刘桥3.基于二次修正的LBP算子和稀疏表示的人脸表情识别 [J], 陈炳权;刘宏立4.基于改进LBP算子和稀疏表示的三维人脸识别研究 [J], 陶丽君;张希婧;5.基于改进LBP算子和稀疏表示的三维人脸识别研究 [J], 陶丽君; 张希婧因版权原因，仅展示原文概要，查看原文内容请购买。
改进的基于残差加权的稀疏表示人脸识别
Ａ ｓ ａｔ Ｔ ｒ ｅ ｅｈｎｅｔｅｐ ｒ ｒ ａｃ ｆ Ｒ Ｒ，ａ ｐｏｅ ｐｒｅｒｐｅｅｔｔｎｃａｓ ｃｔ ｎ （ Ｒ ｂｔ ｃ ｏｆ ｔ ｒ ｎ ａｃ ｅ ｏｍ ｎｅｏ Ｆ ｒ ｕｈ ｈ ｆ Ｓ ｎｉ ｒ ｄｓａｓ ｅｒｓｎａ ｏ ｌ ｉ ａｉ Ｓ Ｃ）ｍｅ ｏ ｍ ｖ ｉ ｓｆ ｏ ｉ ｔｄ ｈ
ｎ ｒ ｌｏ ｐ ｒｅ ｅ ｒ ｓ ｎ ａｉｎ ｏ ｆ ｃｅ ｔ． Ｓｉ ｏ ｎ ｆｓ ａ ｓ ｒ ｐ ｅ ｅ ｔ ｔｏ ｃ ｅｆ ｉｎ ｓ ｉ ｍｕｌｔｏ ｘ ｅ ｉ ｅ ｔｌ ｅ ｕｔ ｈ ｗ ｈ ｔｔ ａ ｒｓ ｌｓ ｓ ｏ ｔ ａ ｈ ｒ ｃ ｇ ｔｏ ｒ ｒ ｎ ｅ ｆＷ ｆ
第３ ｌ卷第 ３期
２１ ０２年 ９月
中南 民族大学学报（自然科学版 ） Ｊｕｎ ｆ ｏｔ—ｅｔ ｌＵ ｉ ｒｉ ｒ ａｉ ａｉｅ（ ａ． ｃ． ｄｔ ｎ ｏｒａ ｏ ｕｈＣ ｎｒ ｎｖ ｓｙｆ ｔ ｎｌｉ Ｎ ｔＳｉＥ ｉｏ ） ｌ Ｓ ａ ｅ ｔ ｏ Ｎ ｏ ｔｓ ｉ
Ｖｏ ＿ １ ｌ ３ Ｎｏ ３ ．
基础上 ， 出了一种基 于残差加权 的稀疏表示人脸识别新 方法． 方法通 过对类残 差图像关 于所属类 稀疏表示 系 提 该
数的 范数进行归一化加权 ， 有效提升 了原始基于类残 差判决 的识别能 力． 真实验结 果表 明 ： 仿 改进 的基于残差 加权 的稀 疏表 示方法能够有效提高 系统 的识别性能． 关键词 人脸 识别 ； 稀疏表示 ； 残差加权
鲁棒 性 自动人脸 识别 是几 十年来 计算 机视 觉领
方 法 ， 过 比较每 个类残 差均 方值 的倒 数 ， 成对 测 通 完 试 图像是 否 为合 法人 脸 图像 的判 定 ； ｉ Ｑａ 人 给 ｏ等 出 了 一 种 线 性 降 维 的 ｓ Ｐ（ ｐｒｔ Ｐｅｅｖ ｇ Ｐ Ｓａｓｙ ｒｓｒｉ ｉ ｎ