一种基于RVM和DS的一维距离像融合识别方法

从如何进一步提升融合识别性能出发,研究有效的高分辨距离像(high range resolution profile,HRRP)融合识别方法。提取了3种平移不变特征,构建了高性能相关向量机(relevance vector machine,RVM)进行特征分类,用DS证据理论融合分类结果以得到目标识别结果,从而提出一种基于RVM和DS的一维距离像融合识别方法。该方法充分利用了RVM输出的概率信息,解决了用DS证据理论进行融合时基本概率赋值获取困难的问题,仿真实验结果表明了本文方法的有效性。     

基于平移不变核主分量分析的雷达目标识别研究*

雷达目标识别中,核主分量分析（KPCA）算法是一种重要的特征提取算法,但雷达目标高分辨率距离像（HRRP）具有平移敏感性,使得该方法应用于基于雷达目标识别系统中具有其缺陷性。采用零相位表示法得到平移不变的HRRP,利用KPCA进行特征维数压缩,利用BP神经网络分类算法来实现识别。仿真实验结果表明,该方法实现了平移不变和降维的结合,具有较高的识别率和很好的推广性。     

结合SVM和DS 证据理论的多极化HRRP 分类研究

针对雷达目标一维距离像(HRRP)识别问题,结合支持向量机(SVM)和 DS 证据理论提出一种多极化HRRP 分类方法—–SDHRRP.该方法通过混淆矩阵获取基分类器之间的距离,从而根据基分类器对不同目标类的分类能力给其赋予不同的可信度.将该可信度值与 SVM 后验概率结合到 DS 证据理论的基本概率赋值(BPA)中,以实现 SVM 和 DS 证据理论在目标识别中的有效结合.对实测目标数据的实验结果表明,基于分类器可信度得到的 BPA 能够有效避免证据冲突, SDHRRP 方法可以有效降低融合分类的误差率.     

雷达HRRP自动目标识别算法

针对雷达高分辨距离像(HRRP)的方位敏感性和平移敏感性,对一定角域内的HRRP非相干平均,提取具有平移不变性的中心矩作为特征向量,采用Karhunen2Loeve变换进一步进行特征压缩,建立相应的支撑矢量机(SVM)分类算法。与基于原始距离像特征的最大似然(ML)方法和基于中心矩特征的ML方法识别结果比较,该方法在减少计算量的同时具有较高的识别率,具有良好的推广能力。     

基于多维特征及BP网络的高分辨雷达目标识别

高分辨雷达目标的识别性能取决于目标特征的提取以及分类器的设计。为解决雷达高分辨距离像（HRRP）的方位、平移和幅度敏感性问题,采用了序贯预处理方法,有效提高了HRRP的信噪比。通过提取能较好反映雷达目标散射点回波特性的多维特征向量,设计BP神经网络作为分类器,提出了一种基于目标多维特征向量以及BP神经网络的高分辨雷达目标识别方法。利用在微波暗室测量获得的三种国产飞机模型回波数据进行目标识别处理,实验结果表明,提出的方法能有效地完成三种目标识别任务,在虚警率低于3%的情况下正确识别率优于95%。     

高分辨雷达一维距离像的融合特征识别

雷达目标识别中,提取目标的有效特征将直接影响识别效果。针对雷达目标高分辨距离像(HRRP)具有平移敏感性,提出了一种基于多特征的融合特征来作为目标特征进行识别。利用PCA将三种平移不变特征融合,采用支持向量机算法来实现识别。仿真实验结果表明,该方法不仅降低了目标特征的存储量,同时也克服了高分辨距离像的平移敏感性,具有较高的识别率和很好的推广性。     

采用不变矩傅氏级数表示的步态识别

步态作为唯一具备远距离识别能力的生物测量特征已经受到广泛的关注。步态序列包含人行走的静态和动态信息,综合利用这两方面信息是提高识别性能的关键。为了综合利用人行走的静态和动态信息来提高识别能力,提出了一种用步态的不变矩傅氏级数系数的幅值作为识别特征的步态识别方法。因为不变矩描述了人运动的静态信息,其在整个步态周期提取的特征则蕴含了人运动的动态信息,所以将不变矩作为识别特征用于步态识别。该方法首先计算每帧图像的不变矩;然后采用傅里叶级数来拟合整个不变矩系数序列,并用遗传算法搜索傅里叶级数系数;接着将这些系数的幅值表示为用于分类的特征向量;最后再用k近邻分类器对特征向量进行分类。通过对CMU步态数据库中的4种步态分别进行的实验结果表明,该方法对单独的矩可取得80%以上的识别率,而对级联的矩识别率则可达到90%以上。另外,该方法对部分遮挡也具有鲁棒性。实验结果和性能分析表明,这种结合静态和动态信息的识别方法是有效的。     

基于全信息相关度的动态多分类器融合

AdaB00st采用级联方法生成各基分类器,较好地体现了分类器之间的差异性和互补性.其存在的问题是,在迭代的后期,训练分类器越来越集中在某一小区域的样本上,生成的基分类器体现不同区域的分类特征.根据基分类器的全局分类性能得到固定的投票权重,不能体现基分类器在不同区域上的局部性能差别.因此,本文基于Ada-Boost融合方法,利用待测样本与各分类器的全信息相关度描述基分类器的局部分类性能,提出基于全信息相关度的动态多分类器融合方法,根据各分类器对待测样本的局部分类性能动态确定分类器组合和权重.仿真实验结果表明,该算法提高了融合分类性能.     

一种自适应子融合集成多分类器方法

融合集成方法已经广泛应用在模式识别领域,然而一些基分类器实时性能稳定性较差,导致多分类器融合性能差,针对上述问题本文提出了一种新的基于多分类器的子融合集成分类器系统。该方法考虑在度量层融合层次之上通过对各类基多分类器进行动态选择,票数最多的类别作为融合系统中对特征向量识别的类别,构成一种新的自适应子融合集成分类器方法。实验表明,该方法比传统的分类器以及分类融合方法识别准确率明显更高,具有更好的鲁棒性。     

基于AdaBoost的雷达目标HRRP识别

针对雷达高分辨一维距离像(HRRP)特征维数高的特点,采用线性判别分析(LDA)和核Fisher判别分析(KFD)方法进行特征压缩和提取。分析了基于AdaBoost算法的分类器的设计思想和实现步骤。构造了高斯型弱分类器,利用AdaBoost算法集成高斯弱分类器实现了一强分类器,利用此分类器对降维后的HRRP数据进行分类识别,并同K近邻分类器(KNN)、支持向量机(SVM)分类器进行比较,得到一些有价值的结论。     

基于聚类和随机参考分类器的对海雷达目标识别算法*

为了进一步提高复杂干扰环境下对海雷达目标识别的泛化能力,提出基于k-medoids聚类和随机参考分类器(RRC)的动态选择集成算法(KMRRC).主要利用重采样技术生成多个基分类器,然后基于成对多样性度量准则将基分类器划分为多个簇,并基于校验数据集为每个基分类器构建相应的RRC模型,最后利用RRC从各个簇中动态选择竞争力最强的部分基分类器进行集成决策.通过寻优实验确定KMRRC的参数设置,随后利用Java调用Weka API在自建的目标全极化高分辨距离像(HRRP)样本库及17个UCI数据集上进行KMRRC与常用的9种集成算法和基分类算法的对比实验,并进一步研究多样性度量方法的选取对KMRRC性能的影响.实验验证文中算法在对海雷达目标识别领域的有效性.     

基于多特征组合的交通标识识别

在分块核函数的基础上提出了基于多个图像特征进行组合决策的识别方法。该算法先对交通标识图像提取两个不同的特征,即HOG特征和基于子模式组合的分块核函数特征,然后针对不同特征构造相应的分类器,最后对这几个分类器的输出采用投票机制进行决策融合。在德国交通标识数据库上的实验结果表明,该方法相比单特征识别具有更高的识别准确率。     

基于遗传规划的SAR图像目标识别

针对SAR图像目标的特征,采用新的Hu不变矩和仿射不变矩的组合作为特征矢量,设计了一种基于遗传规划的SAR图像目标识别算法。该方法不需要数据先验知识,通过自身的学习就能快速发现数据和数学表达式之间的联系。通过对MSTAR数据中的3类目标进行仿真实验,获得了较好的识别率。     

基于D-LDA与最近特征分类法的眼虹膜识别系统

以3个主要处理阶段来实现一个高识别率的虹膜识别系统。撷取人眼图像进而分离出虹膜图像，再利用图像处理予以改善，使得虹膜图像更适于后续的识别。接着建立虹膜的特征向量，在虹膜图像展开的过程中，解决了虹膜图像旋转不变性的问题，然后利用直接线性判别分析（D-LDA）的方式进行特征抽取，使得所产生出来的特征向量拥有最大类别间距离与最小类别内距离的特性。最后，探讨多种最近特征分类法与其识别效果，并将上述方法设计完成一套眼虹膜识别系统。实验结果显示，在样本特征向量数较少的情况下识别率有96．47％，如果在每个类别中增加样本特征向量的数量，则系统的识别率可以达到98．50％。     

Handwritten digit recognition: benchmarking of state-of-the-art techniques

This paper presents the results of handwritten digit recognition on well-known image databases using state-of-the-art feature extraction and classification techniques. The tested databases are CENPARMI, CEDAR, and MNIST. On the test data set of each database, 80 recognition accuracies are given by combining eight classifiers with ten feature vectors. The features include chaincode feature, gradient feature, profile structure feature, and peripheral direction contributivity. The gradient feature is extracted from either binary image or gray-scale image. The classifiers include the k-nearest neighbor classifier, three neural classifiers, a learning vector quantization classifier, a discriminative learning quadratic discriminant function (DLQDF) classifier, and two support vector classifiers (SVCs). All the classifiers and feature vectors give high recognition accuracies. Relatively, the chaincode feature and the gradient feature show advantage over other features, and the profile structure feature shows efficiency as a complementary feature. The SVC with RBF kernel (SVC-rbf) gives the highest accuracy in most cases but is extremely expensive in storage and computation. Among the non-SV classifiers, the polynomial classifier and DLQDF give the highest accuracies. The results of non-SV classifiers are competitive to the best ones previously reported on the same databases.     

Hu新增不变矩在零水印中的应用

文章提出了一种使用Hu新增不变矩的零水印算法。该方法融合Hu不变矩及其新增的几个不变矩的特征,形成一组更为完备的特征矢量。文章利用这些特征矢量可以更好的构建零水印系统。在模式识别领域中使用这种方法可以实现对目标图像更为准确的识别;在图像检索领域中此方法比单一的Hu不变矩具有更好的检索性能。它不但保持原有Hu矩的平移、尺度、旋转不变性,而且比原有的Hu不变矩包含了更多的细节信息因此可以更全面地描述图像。所以将新增的几个不变矩和7个Hu不变矩应用到数字水印中,在一定程度上可以很好的提高水印系统的整体鲁棒性和可靠性。     

An ensemble-based data fusion approach for characterizing ultrasonic liver tissue

This study investigates the feasibility of an ensemble of classifiers in characterizing ultrasonic liver tissue. Texture analysis generally requires feature representation and classification algorithm. From a variety of feature representations and classification algorithms, obtaining optimal ensembles composed of any feature-classifier pairs is difficult. This paper proposes an ensemble creation algorithm that can form an ensemble with high generalization performance. The pattern recognition process comprises four main stages. The first stage utilized multiresolution analysis to extract intrinsic features of ultrasonic liver images. By utilizing spatial-frequency decomposition, a feature vector was obtained by collecting the feature representation for each subimage. In the second stage of the study, various classification algorithms with diverse feature vectors were trained. Based on the trained classifiers, an ensemble was created by using the proposed algorithm in the third stage. The last stage was concerned with the aggregation of individual classifiers. The proposed approach was applied to discriminate ultrasonic liver images from three liver states: normal liver, cirrhosis, and hepatoma. Based on the six well-known fusion schemes, the experimental results showed that the ensemble proposed in this study yields more discrimination. The results indicate that the combining multiple classifiers with different features is an effective approach for characterizing ultrasonic live r tissue. Furthermore, a clinician can use the quantitative index of the classification results when deciding whether to conduct an advanced medical examination, thus improving the quality of medical care.     

Improving dynamic facial expression recognition with feature subset selection

This paper addresses the dynamic recognition of basic facial expressions in videos using feature subset selection. Feature selection has been already used by some static classifiers where the facial expression is recognized from one single image. Past work on dynamic facial expression recognition has emphasized the issues of feature extraction and classification, however, less attention has been given to the critical issue of feature selection in the dynamic scenario. The main contributions of the paper are as follows. First, we show that dynamic facial expression recognition can be casted into a classical classification problem. Second, we combine a facial dynamics extractor algorithm with a feature selection scheme for generic classifiers.We show that the paradigm of feature subset selection with a wrapper technique can improve the dynamic recognition of facial expressions. We provide evaluations of performance on real video sequences using five standard machine learning approaches: Support Vector Machines, K Nearest Neighbor, Naive Bayes, Bayesian Networks, and Classification Trees.     

一种用于手写体汉字识别的候选字加权多分类器集成方法

提出了一种基于候选字加权的多分类器集成方法,并将其应用于手写体汉字的识别研究中。利用４种不同的特征提取方法构造了４个独立的分类器;利用不同分类器各候选字加权处理得到的置信度函数来构造集成函数,从而将４个独立的分类器集成为一个多分类器系统。通过实验分析了几种分类器集成的方法,验证了具有一定互补性的多分类器集成对手写体汉字的识别率有较大的提高。实验结果表明、所提出的方法是行之有效的。