1 重庆大学 光电技术及系统教育部重点实验室, 重庆 400044
2 重庆川仪自动化股份有限公司 技术中心, 重庆 401121
为了实时监测工业烟气中SO2的排放, 设计了一种基于差分吸收光谱技术的SO2浓度分析系统。该系统采用差分吸收光谱技术原理, 在深入研究差分吸收光谱数据处理方法的基础上, 在实验室状态下获取了与仪器分辨率相匹配的SO2标准吸收截面, 采用光路反射设计和透紫石英镜片, 改进了气体池结构。结果表明, 该系统的实时测量浓度值与标准浓度值有较好的一致性, 能够满足对SO2气体排放的高精度实时监测要求。
光谱学 吸收光谱 差分吸收光谱 标准吸收截面 spectroscopy absorption spectroscopy differential absorption spectroscopy standard absorption cross section
重庆大学光电技术及系统教育部重点实验室,重庆 400044
鉴于人为选取近邻大小和权重矩阵对局部保持投影 (LPP)算法的高维人脸图像特征提取有较大影响,结合稀疏表示原理提出了一种稀疏相似保持 (SSP)算法。 SSP算法利用稀疏表示,在全局结构中自适应地选取数据间的相似关系,构建非负稀疏关系图,在低维空间中保持高维原始数据的内在稀疏特性不变,能有效地提取出低维鉴别特征。在 Extend Yale B、CMU PIE人脸数据库上进行实验,其识别率分别达到了 87.35%、90.09%,验证了算法的有效性。
人脸识别 局部保持投影 稀疏图 稀疏相似保持 face recognition locality preserving projection sparse graph sparse similarity preserving
重庆大学 光电技术及系统教育部重点实验室, 重庆 400044
稀疏流形聚类和嵌入算法通过仿射空间中的稀疏表示获得稀疏系数, 并能由稀疏系数自适应地选取来自同一流形的数据点.但稀疏流形聚类和嵌入算法没有直接的投影矩阵, 且为非监督学习方法.针对稀疏流形聚类和嵌入算法算法的不足, 提出一种新的监督稀疏流形嵌入算法.该方法首先在仿射空间中采用稀疏优化法得到稀疏系数, 然后根据稀疏系数构建相似权值, 并在权值中嵌入样本类别信息, 增加同类数据间的聚集性, 并在低维嵌入空间中保持这种相似性不变, 提取鉴别特征来提升分类性能.实验结果表明: 该文方法不仅能保持数据的稀疏特性, 而且通过利用样本数据的类别信息使同类数据在低维空间尽可能聚集, 提取鉴别特征, 进而改善高光谱影像的地物分类效果.
高光谱影像 地物分类 维数约简 图嵌入 稀疏流形学习 Hyperspectral image Land cover classfication Dimensionality reduction Graph embedding Sparse manifold learning 光子学报
2015, 44(12): 1228001
重庆大学 光电技术及系统教育部重点实验室, 重庆 400044
为了有效利用已标记与未标记样本提高遥感影像分类精度, 提出了一种新的半监督流形学习方法-半监督流形鉴别嵌入法(SSMDE)。该方法利用标记样本的类别信息构建类内图和类间图来表征样本数据的类别联系, 并计算相应的权重矩阵; 利用标记和未标记数据构建全局散度矩阵来表征数据的整体结构。在此基础上, 通过优化目标函数得到投影矩阵, 在保持特征空间中数据整体结构的前提下, 使同类数据点之间保持近邻关系、不同类数据点的距离尽可能大。在人工数据集和遥感影像上的实验结果表明, SSMDE分类率为92.36%, 且分类结果与政府统计数据之间的误差均小于5%。该方法通过有效利用少量标记样本和大量无标记样本实现半监督学习, 有效提高了遥感影像的分类精度。
遥感影像 土地分类 图像分类 特征提取 半监督流形学习 remote sensing land classification image classification feature extraction Semi-supervised Manifold Learning 光学 精密工程
2011, 19(12): 3025
1 重庆大学 光电技术及系统教育部重点实验室,重庆 400030
2 重庆工学院 教授流动站,重庆 400050
提出了一种融合局部与全局结构的保持嵌入(LGPE)算法。该方法首先假定目标空间的整体映射函数,然后结合数据的全局几何结构分布信息进行数据重构,最后通过最小化准则函数来得到嵌入高维空间的低维子流形。LGPE方法在保持数据局部结构的同时保留了全局结构信息,在信噪比为10 dB的稀疏Swiss-roll(N=400)和COIL-20多姿态数据集上都取得了较好的维数约简效果。与其他局部流形学习方法相比,该方法在AT&T人脸图像库中,当嵌入特征矢量维数d<40时,其识别率提高了约15%。在人工与真实数据库的实验结果表明,本文方法对噪声和稀疏数据具有较好的鲁棒性。
维数约简 流形学习 全局几何结构 局部全局保持嵌入 dimensionality reduction manifold learning global geometric structure Local and Global Preserving Embedding (LGPE)
重庆大学 光电技术及系统教育部重点实验室,重庆 400030
提出了一种新的有监督核局部线性嵌入算法(SKLLE),并将算法应用于面部表情识别中。该算法通过非线性核映射将人脸图像样本投影到高维核空间,然后将人脸图像局部流形的结构信息和样本的类别信息有效地结合进行维数约简,提取低维鉴别流形特征用于表情分类。SKLLE算法不仅能发现嵌入了高维人脸图像空间的低维表情子流形,增强了局部类间的联系,而且对新样本有较好的泛化性。基于JAFFE面部表情库的实验结果表明,该方法能很好地实现维数约简,达到最高识别率(100%)所需的鉴别维数仅为二维,有效地提高了面部表情识别的性能。
流形学习 核技巧 局部线性嵌入 有监督学习 面部表情识别 manifold learning kernel trick Local Linear Embedding(LLE) supervised learning facial expression recognition
重庆大学 光电技术及系统教育部重点实验室,重庆 400030
提出了一种改进了的自组织LLE算法(SO-LLE),该算法不仅能自动确定数据点邻域值、减少运算量,而且能有效地发现嵌入于高维人脸图像的低维子流形。对SO-LLE算法进行了详细的理论分析,并应用多种数据集进行了仿真实验。在Yale和PIE人脸数据库的仿真实验结果表明:SO-LLE方法的平均识别率提高了5%~40%,有效地提高了人脸识别的性能。
人脸识别 流形学习 局部线性嵌入 自组织映射 face recognition manifold learning Locally Linear Embedding(LLE) self-organizing map
重庆大学,光电技术及系统教育部重点实验室,重庆,400030
提出了一种基于多尺度LBP特征的人脸描述与识别算法,对原始人脸图像进行二级小波分解,并采用LBP算子分别计算两幅低频逼近图像的LBP特征谱;将LBP特征谱划分为若干个互不重叠的特征区域,然后分别进行直方图统计.最后,将所有区域的LBP直方图序列连接起来得到多尺度LBP特征,将其作为人脸的鉴别特征用于分类识别.所提出算法在ORL人脸数据库中取得了高达99%的人脸识别率.实验分析表明,多尺度LBP特征具有较强的人脸图像描述能力和可鉴别性,且对人脸表情及位置的变化具有较高的鲁棒性.
人脸识别 多尺度分析 LBP算子 直方图