KPCA和SVM在人脸识别中的应用

支持向量机（SVM）适合处理小样本的问题，并且基于核函数主元分析能够处理原始数据的高阶统计量，在图像识别中它可以描述多个像素之间的相关性，因此提出了一种基于核函数主元分析（KPCA）与支持向量机（SVM）的人脸识别方法。     

基于神经网络和SVM的GPS干扰类型识别

全球定位系统（GPS）干扰信号类型的识别是采取有效抗干扰手段的先决条件。针对7种典型的GPS干扰信号,提取了包括高阶统计量在内的8个特征,设计了反向传播（BP）神经网络分类器和多项式支持向量机（SVM）分类器,实现了干扰信号类型识别。仿真结果表明,两种分类器均具有较高的正确识别率和较好的热噪声鲁棒性,特别是在干噪比（JNR）为3dB时,平均正确识别率可保持在94％以上。     

基于二叉树SVM的弹道目标RCS识别

二叉树支持向量机(SVM)是一种针对多类问题的有效分类器,具有结构简单、训练快的特点,但二叉树SVM容易出现误差积累,且不能输出识别结果的置信度。文中设计了一种基于隶属度计算的二叉树SVM分类器,首先,该分类器利用方差和最小准则选择节点,将多类问题转化为偏二叉树SVM分类问题,避免了误差积累,然后,利用特征变换空间的类中心和类半径,计算出样本结果的置信度,使得二叉树SVM分类器能够输出模糊结果。将上述二叉树SVM分类器应用于弹道目标的RCS特征识别,仿真结果表明了该方法的有效性。     

基于SVM的复杂环境下苹果图像的分割

将需要研究的目标从复杂的背景下提取出来是后期图像理解和图像分析的关键.一种基于支持向量机(Support Vector Machine,SVM)的图像分割方法被提出,将图像分为目标和背景两类.在OHTA的颜色空间下提取各类样本像素值,并用SVM对样本进行训练,运用训练好的SVM分类器对苹果图像进行分割,并进行去噪处理.实验表明该算法可以有效地分割出复杂背景下的苹果,分割速度、分割准确率优于阈值分割法.     

基于联合特征和SVM的极化SAR图像分类方法

极化SAR地物分类作为极化SAR数据解译的关键环节,已成为遥感领域研究的一个新热点。在充分研究现有方法的基础上,给出了一种联合特征和SVM相结合的极化SAR图像分类方法。该方法基于目标分解理论提取极化SAR图像的多类散射特征,并结合具有上下文知识的纹理特征,构建联合特征矢量;利用提取样本区域像素的联合特征矢量训练SVM分类器;将未知数据输入训练好的分类器完成最终的分类。实测SAR图像数据的实验结果表明,算法能够充分利用极化SAR图像电磁散射特性及纹理特征的互补性,具有较好的分类性能。     

基于多分类器融合的语言识别研究

多分类器协同合作克服了单个分类器识别效果不理想,适用范围较窄或对使用环境要求较高的不足。本文提出了一种基于SVM分类器融合的语种识别系统,该系统采用了SVM作为子分类器,参数选取包括美尔频率倒谱系数、线性预测倒谱系数,基音频率和第一共振峰频率,采用投票法,加权平均法和决策模板法等三种不同的融合方法对汉语,英语,日语,德语和西班牙语进行识别研究,达到了预期的识别效果。     

用于高阶MPPSK 信号检测的SVM新算法

为了降低支持向量机(SVM)算法在高阶多元位置相移键控（M-ary Position Phase Shift Keying,MPPSK）系统的信号检测复杂度,在分析常用SVM多分类算法的基础上,提出了一种新的具有更低复杂度的类二分法SVM。为了进一步提高高阶MPPSK信号检测性能,提出一种新的SVM特征向量提取方法,调制矩阵法,并将两种方法结合起来,用于高阶MPPSK系统的信号检测。仿真结果表明:类二分法SVM能显著降低多分类SVM的算法复杂度,调制矩阵选取特征向量法能够显著提高高阶MPPSK系统的检测性能,两种方法结合用于高阶MPPSK系统,可以在有效降低复杂度的前提下保证期望的检测性能。      

一种新的基于SVM的文本分类增量学习算法

文本分类将自然语言文本按内容归入一个或多个预定义类别中,在许多信息组织和管理中都是一项重要的内容。不同算法的分类;佳确性各不相同。在文本分类领域,SVM分类器是一种常用且效果较好的分类器,具有较严密的理论基础。对SVM分类器进行了分析,提出了利用增量模式实现多类文本分类的算法。实验表明：增量方法大大减少新类增加时分类器更新所需要的学习步骤和时间,是一种较好的分类算法。     

基于多特征提取和粒子群算法的图像分类

现有图像分类大都采用单一特征,不能利用多个特征之间性能互补优势,且将特征选择与分类器构造分割开来,影响图像分类的精度和分类器的泛化能力。针对以上问题提出一种基于混沌二进制粒子群算法(CBPSO)的特征选择和SVM参数同步优化方法,利用图像的综合特征,将特征选择和SVM分类器构造结合同步优化,仿真实验结果表明,该算法能同步找出最优的特征子集和合适的SVM参数,提高了图像分类精度和分类器泛化能力。     

利用多特征融合和集成学习的极化SAR图像分类

该文提出了一种利用多特征融合和集成学习的极化SAR图像监督分类算法。该算法首先提取极化SAR图像的多重特征,包括EPFS特征,Hoekman分解特征,Huynen分解特征,H/alpha/A分解特征以及扩展四分量分解特征。为保证集成学习中基本分类器的差异性与准确性,算法从5组特征集中每次随机选取两组不同的特征进行串联融合,作为SVM分类器的输入。最后,利用随机森林学习算法将所有基本分类器的预测概率集成输出最终分类结果。像素级和区域级的分类实验表明了该文算法的有效性。      

Discriminant Independent Component Analysis as a subspace representation

Subspace modeling plays an important role in face recognition. Independent Component Analysis （ICA）, a multivariable statistical analysis technique, can be seen as an extension of traditional Principal Com- ponent Analysis （PCA） technique, which addresses high order statistics as well as second order statistics. In this paper, a new scheme of subspace-based representation called Discriminant Independent Component Analysis （DICA） is proposed, which combines the strength＂ of unsupervised learning of ICA and supcrvised learning of Linear Discriminant Analysis （LDA）, and efficiently enhances the generalization ability of ICA-based representation method. Based on DICA subspace analysis, a set of optimal vectors called ＂discriminant independent faces＂ are learned from face samples. The effectiveness of our method is demonstrated by performance comparisons with some popular methods such as ICA, PCA, and PCA＋LDA. On the large scale database of IIS, significant improvements are observed when there are fewer training samples per person available.     

基于PCA和ICA的人脸识别

提出利用主成分分析(PCA)和独立成分分析(ICA)相结合的方法对人脸进行识别。首先对预处理后的图像进行降维,即利用PCA算法对图像进行去二阶相关和降维处理,然后再利用ICA算法获得人脸影像独立基成分,利用人脸影像独立基来构造一子空间,最后利用待识别图像在这个空间上的投影系数进行人脸识别。从两个不同的数据集,将传统的PCA人脸识别算法和提出的人脸识别算法进行比较。从实验数据结果看,提出的PCA和ICA结合人脸识别算法优于传统的PCA人脸识别算法。     

基于人脸检测分析户外广告关注度

户外广告需要统计其真实的关注度以更好地选择广告投放策略。文中提出了以观看广告的正面人脸数与持续时间来统计关注度。在OpenCV人脸检测函数库的基础上,提出了通过降分辨率、提取与分解有效像素、重叠检测、人脸生命周期模型等方法来改善检测的速度与精度。并给出了实验结果,分析了算法的优缺点,提供了改进的思路。     

基于局部相位量化与仿生模式的伪装人脸识别算法

伪装条件下的鲁棒人脸识别,目前在人脸识别领域被日益重视,并认为是难点问题之一. 本文采用非伪装建模方法,提出了一种基于局部相位量化特征提取与仿生模式识别理论的伪装人脸识别算法. 该算法采用了局部相位量化方法进行对伪装模式下具有较好鲁棒性的相位统计特征提取,进而采用仿生神经元构建高维几何覆盖形体,有效利用了不同类别人脸特征的连续性,从而避免了伪装模式的干扰. 在AR数据库及采用警用面部复合软件设计建立的伪装数据库上的仿真实验均表明,与现有主流算法相比较而言,本文所提识别算法在伪装条件下取得了较高的识别性能.      

基于PCA算法的人脸识别研究

介绍了PCA算法及其在人脸识别中的应用。PCA算法是一种基于统计的算法,其优点是识别率高,速度快。基于PCA算法的特征脸方法首先根据人脸数据库训练出一系列的特征脸,然后把人脸数据库中的每个人脸图片进行映射,得出每个人的特征系数,这组系数可以表示该张图片。最后计算出待识别样本的特征系数,并与人脸数据库中的特征系数一一进行比较,以距离相近的作为识别结果。     

Rayleigh信道多天线系统的酉空时信号识别技术

针对衰落信道中酉空时调制的识别问题,提出两种酉空时信号与传统空时码的识别方案。最大似然识别法利用信道转移概率密度构造平均似然比和广义似然比分类函数,依据不同码字似然比的差异完成分类,在对数域处理从而降低计算复杂度。高阶统计特性识别法利用随机矩阵的矩生成函数产生高阶联合矩和高阶联合累积量,依据酉空时信号特殊的高阶统计特性实现识别。最大似然识别法可在无信道状态信息的条件下完成识别,当已知信道状态信息时识别性能可大幅提高;高阶统计特性识别法需要信道状态信息,同样条件下与最大似然法相比其性能较差,且其准确性会受信道估计的影响,但实现的复杂度低。通过增加接收天线数量在各种方案中均可改善识别性能,4根接收天线相对2根接收天线的增益,无CSI的最大似然法为7-10dB,有CSI的高阶统计特性法可达45dB。仿真结果验证了所提方案的有效性。      

基于LPC高阶统计量语音活动检测算法的设计与实现

论文提出了一种基于LPC残差信号高阶统计量对加性噪声中的确定性信号及非高斯随机信号进行检测的方法,通过理论分析与实验结果表明,高阶统计量能有效地解决客观存在的非高斯及非线性问题,是现代信号分析与处理研究的重要内容,这种检测方法对加性噪声是否有色或是否为高斯分布并不敏感,而只要求噪声具有对称的概率密度函数。利用这种方法对确定性LPC残差信号进行检测的性能与已知波形时匹配滤波器的检测性能要好。利用这种方法还非常易于实现非高斯随机信号的检测。     

一种稳健的人脸检测算法

人脸检测是人脸识别系统的重要组成部分,对于安全级别较高或特殊场合的门禁系统而言,高准确率的人脸识别技术尤为重要。为提高门禁系统的安全性,采用了多种特征相结合的人脸识别算法,融合了背景分离、肤色检测、人脸五官特征检测、运动物体轮廓分析、人体运动跟踪等多种技术进行人脸检测测试,有效地解决了单一特征的人脸检测方法对人脸进行漏检和误检的问题。实验结果表明,该算法在复杂背景和光照条件不足以及有遮蔽物的情况下,均能快速准确地检测出人脸,误检率低。     

结合主成分分析和局部导数模式的人脸识别方法

针对基于局部模式的人脸识别方法特征维数高、计算复杂度高、识别时间长的问题,提出一种结合主成分分析和局部导数模式的人脸识别方法,并针对如何解决光照、人脸表情等方面的问题提出了改进的编码方法。该方法首先将人脸图像分成很多小的区域,然后在每一个小区域中用改进的编码方法进行编码,并建立该区域的局部导数直方图,然后采用主成分分析法对所有直方图向量进行降维得到特征向量,最后利用最近邻分类器计算相似度。实验表明,这里提出的结合主成分分析和局部导数模式方法无论在识别率还是在运算速度上都优于传统的识别算法。