魏明俊
- 作品数：6 被引量：21H指数：3
- 供职机构：贵州大学计算机科学与技术学院更多>>
- 发文基金：国家自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于稀疏表示分类的人脸识别算法鲁棒性的研究与分析
- 人脸作为一种重要的生物特征，具有唯一性、稳定性、易获得性及不易伪造性等特点，从而被广泛应用于身份鉴别、安全监控、出入境管理、安全部门照片检索等领域。人脸识别作为计算机视觉领域的一个重要分支，其研究与发展不仅具有一定的理论...
- 魏明俊
- 关键词：人脸识别鲁棒性
- 基于非负矩阵分解的低秩矩阵恢复模型被引量：2
- 2017年
- 针对低秩矩阵恢复需要求解大规模矩阵核范数奇异值分解,计算复杂度高的缺陷,提出基于非负矩阵分解的低秩矩阵恢复模型。新模型通过对传统低秩矩阵恢复模型中的低秩矩阵进行非负因子分解,不但可以保持原始数据的局部特征,而且其低秩性可以快速求解矩阵低秩分解,从而避免了矩阵核范数求解大规模奇异值分解问题。在算法上采用多乘子交替迭代法(ADMM),将全局问题分解为多个易求解的局部子问题,对每个子问题利用拉格朗日乘子法分别对低秩矩阵和稀疏矩阵进行迭代求解。在ORL,AL_Gore和Windows三个图像数据库中Matlab仿真实验结果表明,新模型求解算法比传统低秩矩阵恢复模型识别率高,降秩效果明显,算法的时间复杂度低,从而提高算法运行速度。
- 徐梦珂许道云魏明俊
- 关键词：非负矩阵分解奇异值分解图像识别
- 基于均方差度量分块的自动加权稀疏表示算法被引量：2
- 2017年
- 人脸重要特征部位所在分块应具有更大的分类表决权,而传统图像分块算法往往忽略该问题。为此,提出一种自动加权稀疏表示算法。通过引入一个带重叠的滑动窗口计算分块像素点的均方差,并给出自动加权策略,对每个分块在最终分类中的权重进行度量。在公共数据集上的实验结果表明,与常用的分类算法及分块算法相比,该算法无论是在对最小残差法还是投票法进行加权时,均能提高识别准确率。
- 魏明俊许道云徐梦珂
- 关键词：人脸识别
- K邻域分块自动加权的单样本人脸识别算法被引量：3
- 2017年
- 在人脸识别问题中,当每类训练样本有且仅有一个时,由于类内缺乏足够的特征变化信息来预测人脸复杂的特征变化,从而导致常用分类算法的识别准确率急剧下降。目前最好的解决方法大致可分为两类:一是生成虚拟的训练样本以扩大训练集;二是学习稀疏变化字典以表示复杂特征变化。针对此问题,在引入稀疏变化字典来表示人脸复杂特征变化的基础上,提出一种基于K邻域分块自动加权的单样本识别算法。通过对测试样本进行分块,然后对每一个子分块求K邻域分块,以组成虚拟的同类别测试样本集;同时提出了一种自动加权策略,对这些分块在分类中的比重进行加权,最后通过一种改进的投票机制确定分类结果。通过与已有的单样本识别算法进行比较,并在公共人脸数据库AR、CMU Multi-PIE和ORL上进行实验,结果表明该方法有助于提高单样本识别问题的分类准确率。
- 魏明俊许道云秦永彬
- 关键词：单训练样本人脸识别投票机制
- 基于2D-KPCA的拉普拉斯特征映射人脸识别被引量：9
- 2017年
- 针对拉普拉斯特征映射(LE)只能保持局部近邻信息,对新测试点无法描述的不足,提出一种基于二维核主成分分析的拉普拉斯特征映射算法(2D-KPCA+LE)。与核二维主成分分析算法(K2DPCA)不同,该算法首先对训练样本空间进行二维主成分分析(2DPCA),在保留样本空间结构信息的同时通过去相关性得到低秩的投影特征矩阵;然后用核主成分分析法(KPCA)提取全局非线性特征;由于其核函数需要大量存储空间,再用拉普拉斯特征映射(LE)进行降维。在ORL和FERET人脸数据库中的仿真实验结果表明,基于2D-KPCA的拉普拉斯特征映射算法不但可以有效处理复杂的非线性特征,还可以降低算法复杂度,提高流形学习的识别率。
- 徐梦珂许道云魏明俊
- 关键词：二维主成分分析核主成分分析拉普拉斯特征映射人脸识别
- 带PCA卷积的稀疏表示图像分类算法被引量：5
- 2017年
- 针对不同卷积核可以提取不同的图像特征,而卷积核的训练比较困难这一问题,提出一种带主成分分析(PCA)卷积的稀疏表示分类算法。先对训练样本集做分片去均值化处理,然后直接应用PCA算法提取所有分片的前K个特征向量作为卷积核,再用这些卷积核对原始图像进行卷积操作;并提出一种自动加权策略,对卷积处理后得到的K个特征图像进行加权叠加操作;最后对特征图像进行分块直方图统计稀疏化,并应用稀疏表示分类算法进行分类。在公共人脸数据集AR、CMU Multi-PIE、ORL以及数字手写体数据集MNIST上与常用分类算法进行对比实验,实验结果表明,带PCA卷积的稀疏表示分类算法具有更高的分类准确率。
- 魏明俊许道云徐梦珂
- 关键词：直方图统计图像分类
