基于多尺度低频特征组合的线性鉴别分析

目前线性鉴别分析(LDA)方法是在原始图像上直接进行,抽取的是图像的全局特征,受光照、表情变化而引起的局部高频信息影响较大,忽视了更能反映图象本质的低频特征.为此提出先将图像进行多尺度划分,再提取划分后的每个子图像的低频部分,组合起来作为该图像的特征向量,最后根据这些特征向量再应用LDA方法进行鉴别分析.多尺度低频特征组合的向量反映了图像从局部到全局的全部低频特性,具有更有效的鉴别信息.在ORL和Yale人脸库上的实验结果显示,所提出的算法识别性能显著提高,鉴别能力更好.     

一种基于高阶统计量的图像识别算法研究

提出了一种基于图像高阶统计量的识别算法。利用Radon变换将图像数据变换到一维空间,通过计算投影数据的双谱构造出具有比例和平移不变性的特征。利用Rapid变换获得特征的旋转不变特性;接着,利用阈值分析的方法进行特征选择,获得了较原始特征更好的识别效果。针对特征向量过长的问题,利用主元分析进行长度压缩。与不同方法的实验比较表明,算法能够有效地用于图像识别。     

基于KFD+ICA特征提取的SAR图像目标识别

提出了一种用基于核函数的Fisher判别分析(kernel based Fisher discriminant analysis,KFD)和独立分量分析(independent component analysis,ICA)特征提取的合成孔径雷达(synthetic aperture radar,SAR)图像目标识别方法。用基于核函数的Fisher判别分析提取SAR图像样本在高维特征空间中的最佳分类向量,对最佳分类向量做独立分量分析,得到表征图像样本的特征向量,用支持向量机(support vector machine,SVM)对提取得到的特征向量分类完成目标识别。对MSTAR数据库中三类军事目标用该方法进行特征提取和识别实验,识别率为96.92%。结果表明,KFD ICA特征提取方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。     

二维最大散度差图像投影鉴别分析

提出了一种新的二维散度差图像投影鉴别分析方法。该方法利用类间离散度与类内离散度之差作为鉴别准则，从根本上避免了传统的Fisher线性鉴别分析所遇到的小样本问题时。所提出的方法是直接基于图像矩阵的，与以往的基于图像向量的鉴别方法相比，它的突出优点是大大提高了特征抽取的速度。在ORL人脸数据库和AR标准人脸库上的仿真试验结果表明，所提出的方法不仅在识别性能上优于传统的散度差鉴别分析，特征抽取的速度有了较大幅度的提高。     

基于径向基函数网络人脸识别的研究

用人脸信息来识别和辨认一个人类个体,是计算机视觉和模式识别领域中的一个研究热点。本文提出了一种基于径向基函数网络(RBFN)识别人脸的方法,使用主分量分析(PCA)技术降低样本维数,并用生成图像(SI)技术改变人脸的姿态,以增加学习样本数。用标准人脸库ORL进行实验,表明人脸识别效果有大幅度的提高。     

人脸识别:一种基于特征融合及神经网络的方法

基于特征融合和神经网络构建了一个完整的人脸识别系统。首先使用广义K-L变换对人脸的自组织特征和形状特征进行融合；然后使用UDT(Uncorrelated Discriminant Transfom)对融合后的特征进行变换，以获得最优鉴别矢量；最后使用多层感知器作为分类器。仿真结果证明了该方法的有效性。     

Face Recognition Based on Support Vector Machine and Nearest Neighbor Classifier

Support vector machine (SVM), as a novel approach in pattern recognition, has demonstrated a success in face detection and face recognition. In this paper, a face recognition approach based on the SVM classifier with the nearest neighbor classifier (NNC) is proposed. The principal component analysis (PCA) is used to reduce the dimension and extract features. Then one-against-all stratedy is used to train the SVM classifiers. At the testing stage, we propose an al-     

一种最优的核Fisher鉴别分析与人脸识别

基于核的Fisher线性鉴别分析(KFDA)已成为抽取非线性特征的最有效方法之一。但是,针对必然面临的奇异性问题,如何抽取非线性最优鉴别特征还没有得到很好的解决。基于同构映射的思想,我们提出了一种最优的核Fisher鉴别分析(OKFDA)方法,从理论上巧妙的解决了奇异情况下最优鉴别矢量集的求解问题。在FERET人脸库的子库上的实验结果验证了OKFDA方法的有效性。     

基于最大间距准则(MMC)新的有效特征提取方法

基于最大间距准则(Maximum Margin Criterion,MMC)下,提出一组具有标准正交性的最佳鉴别矢量的计算方法和一组具有统计不相关性的最佳鉴别矢量的计算方法。这种方法的目的是寻求一组最佳鉴别矢量既要使投影变换后的特征空间的类间散度最大,而类内散度最小;又要减小最佳鉴别矢量间的统计相关性。与原MMC特征提取方法相比,新的特征提取方法降低了甚至消除了最佳鉴别矢量间的统计相关性,提高了识别率。通过分别在ORL人脸库和NUST603人脸库上实验结果表明提出的具有统计不相关性的MMC特征提取方法在识别率方面整体上好于原MMC特征提取方法和常用的主成分分析(PCA)法。另外,揭示了MMC准则特征提取与Fisher准则特征提取的内在关系。     

约束线性描述分析与人脸识别

针对高维,小样本模式识别中的特征提取问题,提出了一种约束线性描述分析方法(CLDA).以线性变换后样本的类内距离与类间距离之比最小作为准则函数,同时加上约束条件使变换后的样本中心沿着特定的正交方向,通过白化变换、Gram-Schimdt正交化和正交子空间投影求解约束准则函数得到最优变换矩阵.针对入脸识别的小样本问题,根据奇异值分解定理实现白化变换.对ORL.和UMIST人脸库进行了仿真研究,结果表明CLDA方法的性能接近于某些Fisher描述分析万法如直接Fisher描述分析(DDA)和改进的Fisher描述分析(R-LDA).     

Novel copyright protection scheme for digital content

1 .INTRODUCTIONWith the widespread use of Internet and the devel-opment in computer industry ,the digital content ,includingi mages ,audios ,and video ,are easily ac-quiredin our dailylife .Digital multi media contentssuffer frominfringing uponthe copyrights withthedigital nature of unli mited duplication,easy modi-fication and quick transfer over the Internet . As aresult , data piracy has become a serious issue .Hence ,some copyright protection schemes need tobe employed to conquer thi…     

基于PCA和SVM的控制图失控模式智能识别方法

控制图是在线质量控制的重要工具,而利用控制图进行异常过程模式识别却是个困难问题。该文在分析现有控制图识别技术在实际应用中存在缺陷的基础上,提出了一种基于主元分析(PCA)和支持向量机(SVM)的控制图失控模式识别方法。首先,将控制图作为信息图用于趋势模式数据集提取;然后,通过对数据集的高维特征进行线性组合并向低维空间投影的方法,降低了分类器的输入维数,提高了各维特征的敏感性;最后,为了克服神经网络方法速度慢和泛化能力弱的缺陷,利用SVM小样本学习能力,有针对性地设计SVM多分类器进行模式识别。用一个含有6种趋势的20维特征仿真数据集对该方法进行检验,通过主元分析后,数据集的特征被降到了3维并保留了88%的分类信息。进一步的识别结果表明,该方法相对现有的BP、SLFM识别方法达到更高的识别率和识别速度,适合质量控制图在线实时识别。     

基于KPCA和LDA的信号调制识别

对信号的特征选择与分类问题进行研究,提出了一种基于核主分量分析(kernel principle component analysis, KPCA)和线性判别(linear discriminant analysis, LDA)分类器的信号调制识别算法。针对通信信号的特点,首先利用KPCA的方法对特征参数进行主分量组合,以消除信号特征间的相关性和压缩特征向量的维数,然后利用LDA分类器进行信号调制方式的自动识别。仿真表明,在一个较大的信噪比范围内当特征非线性可分时,KPCA在特征选择方面性能更优,且基于KPCA+LDA的识别方法精度高于主分量分析(principle component analysis, PCA)+模板匹配算法。通过分析还可得出,KPCA+LDA等价于基于核的Fisher判别分析(kernel Fisher discriminant analysis, KFDA)方法。     

基于差准则的二维非参数特征分析的SAR目标识别

提出一种基于差准则的二维非参数特征分析(2 dimensional nonparametric feature analysis based on difference criterion,2DDNFA)的图像特征提取方法,它结合了二维线性判决分析(2-dimensional linear discriminant analysis,2DLDA)、最大散度差(maximum scatter difference,MSD)、非参数判决分析(nonparametric feature analysis,NFA)3种方法的思想。首先利用二维图像样本的近邻样本构造类内、类间散布矩阵,再基于差准则计算投影矩阵,最后将二维图像向投影矩阵投影得到特征矩阵。基于实测合成孔径雷达(synthetic aperture radar,SAR)数据的实验结果表明,方法的性能优于基于Fisher准则的2DLDA、二维非参数特征分析(2 dimension nonparametric feature analysis, 2DNFA)方法、也优于基于差准则的二维最大散度差(2-dimensional maximum scatter difference,2DMSD)鉴别分析方法。     

基于改进PCA的导弹装备健康表征参数提取方法

针对导弹装备健康状态信息复杂且相互交融、健康表征参数难以提取的问题, 提出一种基于改进主成分分析(principal component analysis, PCA)的装备健康状态低维敏感表征参数的确定方法。该方法先开展装备扩展故障模式及影响分析, 构建初始高维特征参数集, 再利用改进PCA对参数集进行降维处理, 在最大化高维表征参数全局特征方差的目标下, 提取出非线性表征参数子集。将该方法应用到导弹舵机健康评估实验中, 使用故障注入模拟设备进行验证。结果表明, 采用所提方法提取的健康表征参数对舵机健康状态识别准确率高, 说明所提方法在提取导弹装备健康表征参数中具有明显的优越性。     

基于空谱信息协同与Gram-Schmidt变换的多源遥感图像融合方法

多光谱和合成孔径雷达图像的融合可以保留每个数据的优势, 有利于提高土地覆盖分类精度。然而, 当前的一些图像融合方法不能完全利用原始数据的光谱信息与纹理细节。为了克服上述问题, 提出一种基于空谱信息协同和Gram-Schmidt变换的融合方法。在所提方法中, Sentinel-2A图像和高分三号(GaoFen-3, GF-3)图像分别经过不同的预处理操作。由于灰度共生矩阵能有效提取图像的纹理信息, 因此将其应用于Sentinel-2A图像以提取结构特征, 并将空谱信息协同的多光谱图像与GF-3图像通过Gram-Schmidt变换进行融合。实验采用主成分分析法和传统的Gram-Schmidt变换作为比较方法。为了确定融合算法的有效性, 采用5项评价指标(包括平均梯度、空间频率、均值、标准差和相关系数)来衡量融合图像的质量。此外, 由于随机森林具有优秀的训练速度和出色的分类性能, 将其用于土地覆盖分类。随机森林的分类精度、Kappa系数和分类结果图作为融合方法的评价标准。实验结果表明, 与单独使用原始Sentinel-2A相比, 所提方法可以将整体精度提高多达5%, 具有提高遥感卫星图像土地覆盖分类精度的潜力。     

基于扰动方法和广义K-L变换的人脸特征抽取

对广义最佳鉴别矢量的求解方法进行研究,根据矩阵的扰动理论和广义K-L变换,提出了一种改进的求解广义最佳鉴别矢量集的解析算法。由于该算法一次性地求出了所有广义最佳鉴别矢量,而无需迭代,因而节约了计算时间,且识别率高。在ORL人脸数据库的数值实验,验证了上述论断的正确性。     

一种基于非降采样Contourlet变换和MLESAC的星空图像配准算法

针对不同时刻拍摄的星空图像进行叠加,提出一种基于非降采样Contourlet 变换（nonsubsampled Contourlet transform, NSCT）和随机抽样最大似然算法(maximum likelihood estimation sample consensus, MLESAC)的图像配准算法。该方法首先对星空图像进行NSCT变换,以提取特征星体的边缘,接着以特征星体的质心为顶点,构造特征三角形,根据三角形全等准则对其进行匹配;然后利用MLESAC算法对已匹配三角形的重心进行验证,将满足要求的特征点带入仿射变换模型,求取变换参数,实现图像的配准。该方法在保证配准精度的条件下,降低了经典配准算法的复杂度,能够有效处理光照变化以及噪声的影响。采用50组空间图像进行验证,结果表明,该算法能够在有效抑制星空图像光照和噪声的情况下,实现星空图像的精确配准,均方根误差达到0.374 1。     

Head pose estimation method based on pose manifold and tensor decomposition

Pose manifold and tensor decomposition are used to represent the nonlinear changes of multi-view faces for pose estimation, which cannot be well handled by principal component analysis or multilinear analysis methods. A pose manifold generation method is introduced to describe the nonlinearity in pose subspace. And a nonlinear kernel based method is used to build a smooth mapping from the low dimensional pose subspace to the high dimensional face image space. Then the tensor decomposition is applied to the nonlinear mapping coefficients to build an accurate multi-pose face model for pose estimation. More importantly, this paper gives a proper distance measurement on the pose manifold space for the nonlinear mapping and pose estimation. Experiments on the identity unseen face images show that the proposed method increases pose estimation rates by 13.8%and 10.9% against principal component analysis and multilinear analysis based methods respectively. Thus, the proposed method can be used to estimate a wide range of head poses.     

一种组合类别信息的非负矩阵分解方法及其应用

基于非负矩阵分解理论,提出一种新的有监督的特征提取方法,它具有二个特点: 一是在特征提取过程中它直接利用训练样本的类别信息,二是在计算上仍然采用与非负矩阵分解方法相同数学公式,因此这种新特征提取方法被称为组合类别信息的非负矩阵分解(CINMF)方法.另外,在分类时本文提出了基于两种特征融合的分类策略进一步提高CINMF方法的识别率.通过在YALE人脸库和ORL人脸库上进行实验,结果表明本文提出的新方法在识别率方面整体上好于原非负矩阵分解方法,甚至超过常用的主成分分析法(PCA).