LDA及支持向量机的人脸识别算法研究

在主成分分析的基础上采用线性差别分析法对人脸图像进行特征提取,构造人脸的特征脸空间,在特征脸空间运用线性差别分析法进行人脸识别。在支持向量机方法理论基础上,利用LibSVM分类器对处理后的人脸图像进行分类,考虑到核函数参数对分类结果的影响,通过参数寻优及算法的改进将多类问题的分类简单化,并大大提高识别效率,在ORL人脸库的识别结果表明,本方法在特征参数个数的选取、识别效果等方面都有其独到的优越性,具有很好的可行性和实际意义。     

基于RBF神经网络的人脸识别研究

针对人脸识别技术中存在的高维问题、小样本问题和非线性问题展开研究.围绕人脸特征提取,采用基于主成分分析和Fisher线性鉴别来克服在人脸识别中的小样本问题,同时将人脸图像从高维空间映射到低维空间从而解决了高维问题;在分类识别方面,采用具有很强的非线性映射功能的RBF神经网络进行模式分类,能够解决人脸识别中的非线性问题.在ORL人脸数据库上进行的仿真实验表明,该方法进行人脸识别具有较高的识别率.     

基于二维广义主成分分析的人脸识别

针对人脸识别中的特征提取问题，提出了一种基于二维广义主成分分析（2DIMPCA）的人脸识别方法.有别于传统的人脸识别算法需要将二维人脸图像矩阵压缩成一维向量，该方法直接采用二维图像矩阵来构建方差矩阵，通过在水平和垂直2个方向上顺序执行2次广义主成分分析（IMPCA）运算，消除了人脸图像行和列的相关性，大大压缩了特征的维数.选用二维最小近邻分类法进行分类，计算识别率.在AT&T人脸库以及Yale人脸库上的测试结果表明，与主成分分析（PCA）和IMPCA相比，该方法具有更高的识别率和更快的识别速度.     

采用主成分分析与最邻近法的复合材料板损伤检测实验

文章采用主成分分析结合最邻近法对复合材料板进行了损伤检测实验。首先在正弦扫频激励下,通过测试获得复合材料板在各种损伤工况下的频响函数;然后选取若干种损伤工况的频响函数,经过主成分分析法处理后,提取出各个频响函数携带结构健康状态信息最多的前若干阶主成分,组成最邻近法的样本集;最后采用最邻近法来识别被检测结构频响函数所代表的结构健康状态。该方法的优点是直接利用测试得到的频响函数进行损伤检测,避免了识别结构模态参数所带来的误差,检测过程简单。通过对复合材料板结构不同位置和不同程度损伤的检测实验,验证了该方法用于复合材料层合结构损伤检测的可行性和有效性。     

基于稀疏张量的人脸图像特征提取

在多线性主成分分析(Multi-linear principal component analysis,MPCA)的基础上提出了用于特征提取的稀疏张量主成分分析(STPCA)方法。该方法把MPCA中的特征值分解问题转化为线性回归问题,以此得到稀疏的投影矩阵,并通过该投影矩阵来降低遮挡对特征提取效果的影响。最后在Georgia tech和AR人脸库上进行对比实验,结果表明:本文方法无论在识别的精确度上还是在对遮挡的鲁棒性上都优于原有的MPCA算法。     

人脸识别的智能门禁控制系统

为了快速有效地验证身份,控制大门的开关,以人脸作为判决因子,判断来访者的合法性,以此来控制门的开关．当红外传感器探测到有人来访时,触发系统抓拍来者的人脸图像,利用OpenCV的人脸检测分类器,快速地进行人脸定位,采用改进的主成分分析算法,实现人脸的识别,与库中存放的合法进入者人脸进行比对;对于允许进入的来访者,控制打开大门,对于不能进入的来访者,系统发出语音提示．经过实验,验证了系统方案的可行性,实现了以人脸为身份识别的智能门控．系统工作稳定,在3s之内完成工作,识别率达85%．     

基于投票极限学习机的人脸识别混合算法研究

针对小波分析在处理多维图形时不能充分利用数据本身特有几何特征的缺陷,使用第二代曲波变换(the second generation of curvelet transform,SGCT)方法进行人脸图像的处理,选取具有最大标准差的尺度层系数,以完成对人脸图像的特征提取,同时结合基于双向二维主成分分析(bidirectional two dimensional principal component analysis,B2DPCA)的数据降维,构造一种基于混合投票机制极限学习机(voting extreme learning machine,VELM)的人脸识别算法.通过与其他算法的分类结果对比,证明该算法具有更高的识别正确率.     

一种非限制性条件下人脸识别的方法

针对非限制性条件下人脸识别准确率较低的问题,提出了一种基于方向梯度直方图特征提取和快速主成分分析算法的人脸识别方法。首先,利用Haar特征分类器对原始数据进行人脸的检测与提取,并进行有序化保存;然后,对有序数据进行方向梯度直方图特征提取,再使用快速主成分分析算法进行降维处理,并对其进行归一化处理;最后,采用支持向量机算法(SVM)对所得到的实验数据进行最终的分类与识别。实验结果表明,与单一的支持向量机算法、主成分分析算法以及方向梯度直方图算法相比,本文方法能有效地提高非限制性条件下人脸识别的准确率,且耗时较短。     

基于加权小波变换和2D-PCA的人脸识别改进算法

基于小波变换的人脸识别方法通常将图像变换成低频和高频信息,传统的人脸识别算法大多数都是基于小波变换后的低频信息,没有充分利用高频信息,造成了高频信息中对识别有利信息的丢失. 本文提出了一种基于加权小波变换和2D-PCA的人脸识别改进算法. 首先基于二维离散小波(2D-DWT)对图像进行二层小波变换,将所得的低频信息和水平、垂直和对角高频信息进行加权融合. 在此基础上,采用二维主成分分析(2D-PCA)方法进行特征提取; 最后采用最近邻分类器进行分类识别. 基于ORL标准人脸数据库的实验结果表明,本文提出的方法比传统的2D-PCD识别算法和2D-DWT+2D-PCA识别算法有更好的识别效果,且人脸受光照等因素的影响表现出良好的鲁棒性.     

基于改进KNN算法的动态手势识别研究

手势识别是人机交互的一种方式,用于手势识别的传统K最邻近算法由于训练组数据量大影响了其识别效率,为此提出了一种新的手势特征提取方法,设计了一款基于改进K最邻近算法的手势识别俄罗斯方块游戏.该方法根据手势信号的特征量,只需记录特征量的符号作为训练组以及测试组来储存.实验表明,改进K最邻近算法在体感游戏中对手势识别的平均成功率较阈值判别法的手势识别成功率提高了10%左右.     

模拟电路故障诊断的改进分析

针对模拟电路故障诊断识别率较低的问题,文章结合模拟电路智能故障诊断流程的重要环节对特征选择、特征提取和诊断识别进行了改进分析。首先将支持向量机(support vectormachine,SVM)和传统特征选择算法相结合,改进了现有特征选择算法,接着将主成分分析(principle component analysis,PCA)和独立成分分析(independent component analysis,ICA)相结合提出双空间特征提取算法,并将双空间提取算法和融合特权信息支持向量机(SVM of learn-ing using privileged information,LUPI-SVM)算法相结合,提出基于双空间提取算法的融合特权信息支持向量机模拟电路故障诊断方法。最后对改进后方法进行了应用分析,通过对两个典型电路的仿真测试,验证了改进后方法的可行性和有效性,改进后方法提高了模拟电路故障诊断的性能。     

一种广义的K-L变换与人脸识别

提出了一种直接基于图像矩阵的包含在类平均图像中判别信息的最优压缩方法。在ORL标准人脸库上的试验结果表明，提出的方法不仅识别性能优于传统的主分量分析和Fishr线性鉴别分析，而且特征抽取的速度得到了很大的提高。     

基于LLE和SVM的人像识别方法

在人像识别方面,传统的特征提取方法大都是线性的,不能很好地保持样本的拓扑结构。支持向量机能提高学习的泛化能力,防止过学习,是一种很好的分类器。为此,提出一种增强的LLE（Locally Linear Embedding）和SVM（Support Vector Machine）结合的人像识别方法,采用PCA（Pfincipal Component Analysis）与LLE相结合算法,对光照归一化处理过的人脸图像进行特征提取,利用SVM的分类机制对人脸图像样本集进行训练和识别。在ORL（Olivetti Research Laboratory）人脸数据库上实验表明,该算法稳健、快速,识别率达到了90％以上。     

基于主分量特征与独立分量特征的人脸识别

PCA方法抽取出的主分量特征与ICA方法抽取出的独立分量特征是对原数据的两类不同描述．PCA是一种基于二阶统计的最小均方误差意义上的最优维数压缩技术,PCA方法所抽取特征的各分量之间是统计不相关的．ICA方法使用数据的二阶和高阶信息抽取数据的独立分量特征．文章对这两种方法做了理论上的比较,并通过实验证明ICA算法提取的特征子空间在人脸识别应用中更有效,识别率更高．     

Gabor特征均值的子空间人脸识别算法的改进

针对人脸图像局部特征提取不充分的问题,在基于子空间分析的人脸识别算法中,提出了在线性和非线性空间中实现基于2DGabor均值的子空间人脸识别算法.首先,根据人脸图像的5个特殊区域,对人脸图像进行分块处理,分别对每一块进行2DGabor运算,并把每个训练样本相应像素点得到的特征矢量取均值,得到图像的特征向量,然后在线性和非线性空间中利用2DPCA(two-dimensional principle component analysis)和KDA(kernel fisher discriminant analysis)对特征向量进行降维处理,最后利用最近邻分类器和支持向量机分类器SVM(support vector machine)进行特征分类与识别,通过对ORL和FERET标准人脸库图像进行的实验仿真即对比结果表明,基于2DGabor均值的方法不仅提高识别率,而且对于人脸光照、姿态和表情变换均具有良好的鲁棒性.     

基于支持向量机的MSPC方法及其应用

针对传统多变量统计过程控制（MSPC）方法在故障检测、故障原因分析和故障识别中的难点，提出了多元特征提取方法与基于支持向量机（SVM）的一类分类器设计、特征选择以及多类分类器设计方法相结合的一种完整的MSPC新方法.该方法在故障检测中可去除特征满足特定分布的假设前提，并可确定多个统计量的控制限；在故障原因分析中综合考虑故障对于各个变量大小的影响以及变量变化对于故障分类的重要性，提高了关键变量选择的准确性；并且故障识别是基于SVM对故障特征分类的优良特性，避免了传统判别法中经验准则的引入.上述方法在标准仿真平台Tennessee Eastman过程上结合主元分析（PCA）进行了应用，结果显示了其优越性.     

基于多群体遗传算法的人脸表情识别

人脸表情识别是目前比较活跃的研究课题。该文提出一种采用多群体遗传算法进化的支持向量机对人脸表情进行分类的新型算法。先提取人脸表情特征,然后采用多群体遗传算法自动选择最优的支持向量机核函数,最后用支持向量机的方法进行分类．在日本JAFFE人脸表情库上进行了仿真实验,并与其他方法进行了比较,该文提出的方法获得了更好的识别效果。     

Feature extraction for target identification and image classification of OMIS hyperspectral image

In order to combine feature extraction operations with specific hyperspectrai remote sensing information processing objectives, two aspects of feature extraction were explored. Based on clustering and decision tree algorithm, spectral absorption index (SAI), continuum-removal and derivative spectral analysis were employed to discover characterized spectral features of dif-ferent targets, and decision trees for identifying a specific class and discriminating different classes were generated. By combining support vector machine (SVM) classifier with different feature extraction strategies including principal component analysis (PCA), minimum noise fraction (MNF), grouping PCA, and derivate spectral analysis, the performance of feature extraction approaches in classification was evaluated. The results show that feature extraction by PCA and derivate spectral analysis are effective to OMIS (operational modular imaging spectrometer) image classification using SVM, and SVM outperforms traditional SAM and MLC classifiers for OMIS data.