基于类矩阵和特征融合的加权自适应人脸识别

为了准确快速地进行人脸识别,提出了一种基于类矩阵和特征融合的加权自适应人脸识别算法,该算法首先,提取人脸的全局特征和6个关键部分的局部特征,同时给出了局部特征权值的动态选择方法,由于该法可以根据不同的训练集得出不同的权值,因而增强了算法的自适应能力;然后通过将全局和局部特征加权融合来得出样本的特征矩阵;接着设计出了一种加权PCA方法用于对样本矩阵进行降维;再进一步提出类矩阵的概念,同时给出并证明了类矩阵的推导公式,并据此得出一种新的投影准则;最后,将类矩阵和试验样本分别进行投影,并根据其欧氏距离的大小得出试验人脸的最终类别。试验表明,该算法不仅计算速度快、识别率高,而且能有效解决LDA小样本空间问题,应用前景良好。     

基于ι~∞范数的稀疏ICA和FCM的自然图像特征提取

为了保证图像特征系数的稀疏性和加快寻找最优基的收敛速度,提出了一种基于l~∞范数的稀疏独立分量分析(SICA)的算法.该SICA算法采用l~∞范数作为ICA的稀疏性度量标准,用模糊C均值聚类算法初始化独立分量的特征基,有效地实现了自然图像的特征提取;而且,该SICA方法不需要优化高阶的非线性函数和密度估计,因而计算简单、且收敛速度较快;同时,利用提取的图像特征成功地实现了图像恢复,通过图像恢复对比实验表明了该方法在特征提取方面的合理性和实用性.     

一种改进的红外目标识别算法

提出一种基于一维搜索和距离函数的快速独立分量分析(Fast ICA)特征提取改进算法。该算法针对Fast ICA中迭代初始值的选取影响其收敛性的问题,通过一维搜索策略使其收敛性不依赖于初始值的选取。与此同时,根据红外图像的特性设计类内类间距离函数准则对提取的独立分量进行优化选择,保留对目标识别贡献大的独立分量特征,从而克服在高维特征子空间下随着训练图像样本数的增多,红外目标识别率和稳定性下降的问题。实测数据实验结果表明,与传统算法相比,该算法能够在提取少量红外目标特征的情况下达到更低的错分率,且算法在不同类别数下的错分率具有较强的鲁棒性。     

基于多姿态人脸图像合成的识别方法研究

为了解决多姿态人脸识别问题,提出基于独立成分分析（ICA）进行正面人脸合成的新方法。首先利用ICA和PCA提取不同姿态人脸的特征子空间,然后利用通过训练得到的姿态转换矩阵合成其相对应的正面人脸图像,实验表明ICA人脸识别算法要优于PCA人脸识别算法,并在此基础上用小波对人脸图像进行预处理,据姿态转换矩阵得到的正面人脸特征系数直接进行分类比较,识别率得到了很大的提高。     

基于聚类算法和层次支持向量机的人脸识别方法

提出一种基于聚类算法和层次支持向量机的人脸识别方法。该方法在训练阶段把利用小波变换提取的图像特征先进行聚类，再利用聚类的结果来训练层挺支持向量机；识别阶段先利用层次支持向量机初步判断待识别图像最可能所属的人，最后利用免疫算法对待识别的人脸图像进行确认。实验表明，该算法效果较佳。     

基于分块聚类的多流形判别分析人脸识别

针对传统的人脸识别算法在处理单样本人脸识别时由于训练样本不足而影响识别率的问题,提出了一种基于分块聚类的多流形判别分析(MMDA)算法.将每个单训练样本划分成若干大小相等且互不重叠的局部小块,利用聚类算法将局部小块聚类到各个类所属的流形上,并使用特征变换最大化类与类之间的分离性;最后,计算出测试人脸的流形与所有训练样本流形之间的距离,采用最近邻分类器完成人脸的识别.在ORL及FERET两大人脸数据库上的实验验证了算法的有效性及可靠性,识别率可分别高达77.22％、57.59％,实验结果表明,相比几种较为先进的人脸识别算法,该算法在处理单训练样本人脸识别问题时取得了更好的识别效果.     

基于局部人脸图像的ICA人脸识别方法

提出了一种基于局部人脸图像独立分量分析的特征提取方法.该方法将人脸图像分成若干个相等的部分,将分成的局部人脸图像矩阵作为训练样本,并先后从水平方向,垂直方向提取训练样本的独立分量.相较于传统的独立分量分析(ICA)方法,该方法具有如下优点:有效解决了传统ICA在进行特征抽取过程中的高维小样本问题;将局部人脸图像作为训练样本,这不仅增加了训练样本数,而且有利于提取人脸局部特征;依次从训练样本的水平方向、垂直方向提取训练样本特征,使得提取的特征不仅维数更小,而且能更有效地反映样本的局部信息.以上优点使得提出的算法较传统方法在人脸识别方面更稳定,识别率更高,在Yale人脸库和AR人脸库上验证了该算法的有效性.     

基于改进的独立分量分析的人脸识别方法

将独立分量分析（Independent Component Analysis，ICA）作为人脸特征提取方法。ICA所提取的特征分类能力强、相互独立，对像素间高阶统计特性敏感，并且不易受光照变化的影响。实验结果表明，基于IcA的人脸特征提取方法的识别性能优于特征脸法。针对传统的ICA算法（Informax算法）存在迭代次数多，难收敛，并且需要人工设定步长来调整学习速度的不足，本文采用FastICA作为ICA的快速算法，并将其关键迭代步骤加以改进，减少了耗时的雅可比矩阵求逆的运算次数。所提出的改进的FastICA具有无需人工参与，收敛速度快，迭代次数少的优点。在特征选择方面，本文将遗传算法（Genetie Algorithm，GA）应用到独立分量的选择与优化中，从而在保证较高识别性能的前提下，获得最优的人脸特征子集。     

新型SFCM算法及其在故障诊断中的应用

为提高故障诊断模式分类的实时性和准确性,采用阈值化类内距离的方法,研究了一种新型SFCM聚类算法,数据验证了此算法较传统FCM算法在收敛速度和聚类精度方面的较好表现,以机载武器控制系统信息通道为诊断对象,采用该方法对通道进行了样本无监督分类验证和故障模式识别诊断试验,结果表明新型的SFCM聚类算法能对信息通道故障模式进行正确的分类识别。     

基于KL距离的KPCA人脸识别算法

针对核主成分分析（KPCA）人脸识别算法中对全局特征变化敏感和忽略局部特征的问题,研究了一种基于KL距离的KPCA人脸识别算法。利用KL距离定义了类间距离和类内差异,设定了一个非线性优化函数来最大化类间距离,同时最小化类内差异,使提取的特征更为紧凑可分,并将其应用于KPCA算法中,利用ORL人脸图像库对算法的性能进行了测试。实验结果表明,该算法相对于传统KPCA算法具有更好的识别效果和稳定性。     

三维欧氏距离变换的一种新方法

常见的三维距离变换算法大都是对城市街区、棋盘等二维近似欧氏距离变换算法的三维扩展,得到的依然是近似欧氏距离.提出一种新的三维欧氏距离变换算法,可以得到完全欧氏距离,时间复杂度为O(n3logn).将该算法应用于三维医学CT图像内部软组织的显示,取得了较好的效果.     

基于分段时间弯曲距离的时间序列挖掘

在时间序列库中的数据挖掘是个重要的课题,为了在挖掘的过程中比较序列的相似性,大量的研究都采用了欧氏距离度量或者其变形,但是欧氏距离及其变形对序列在时间轴上的偏移非常敏感．因此,采用了更鲁棒的动态时间弯曲距离,允许序列在时间轴上的弯曲,并且提出了一种新的序列分段方法,在此基础上定义了特征点分段时间弯曲距离．与经典时间弯曲距离相比,大大提高了效率,而且保证了近似的准确性．     

基于核的图像欧氏距离人脸识别

引进了两幅图像之间的一种新的距离度量方法——图像欧氏距离,该距离是利用核函数对传统的欧氏距离进行改进而得到的。在此基础上,设计了一种新的分类识别方法——基于核的图像欧氏距离人脸识别方法,并应用于人脸识别中。为验证该算法的可行性,对人脸图像进行DCT变换得到预处理样本,并在ORL和Yale人脸库上进行多角度的比较实验。分析实验结果表明,该方法优于其它距离分类器算法。     

Information recommendation using ICA

We describe an information filtering system using independent component analysis (ICA). A document–word matrix is generally sparse and has an ambiguity of synonyms. To solve this problem, we propose a method to use document vectors represented by independent components. An independent component generated by ICA is considered as a topic. In practice, we map the document vectors into a topics space. Since some independent components are useless for recommendation, we select the necessary components from all independent components by a maximum distance algorithm (MDA). Although Euclidean distance is usually used by MDA, we propose topic selection by cosine-distance-based MDA to solve the mismatch of similarities in information filtering. We create a user profile from the transformed data with a genetic algorithm (GA). Finally, we recommend documents with the user profile and evaluate the accuracy by imputation precision. We have carried out an evaluation experiment to confirm the practicality of the proposed method.This work was presented, in part, at the 9th International Symposium on Artificial Life and Robotics, Oita, Japan, January 28–30, 2004     

Novel Similarity Measures for Differential Invariant Descriptors for Generic Object Retrieval

Local feature matching is an essential component of many image and object retrieval algorithms. Euclidean and Mahalanobis distances are mostly used in order to quantify the similarity of two stipulated feature vectors. The Euclidean distance is inappropriate in the typical case where the components of the feature vector are incommensurable entities, and indeed yields unsatisfactory results in practice. The Mahalanobis distance performs better, but is less generic in the sense that it requires specific training data. In this paper we consider two alternative ways to construct generic distance measures for image and object retrieval, which do not suffer from any of these shortcomings. The first approach aims at obtaining a (image independent) covariance matrix for a Mahalonobis-like distance function without explicit training, and is applicable to feature vectors consisting of partial image derivatives. In the second approach a stability based similarity measure (SBSM) is introduced for feature vectors that are composed of arbitrary algebraic combinations of image derivatives, and likewise requires no explicit training. The strength and novelty of SBSM lies in the fact that the associated covariance matrix exploits local image structure. A performance analysis shows that feature matching based on SBSM outperforms algorithms based on Euclidean and Mahalanobis distances.     

基于复小波和Gabor小波的人脸识别

针对双树复小波变换(DT-CWT)不能直接提取水平和垂直2个方向特征的不足,提出一种结合DT-CWT和Gabor小波的人脸识别方法。将Gabor小波提取的0°和90°特征与DT-CWT提取的6个方向特征连接起来共同构成人脸特征向量,采用Fisherfaces方法构建特征向量的线性子空间,应用基于欧氏距离的分类器实现分类。在ORL数据库上的实验结果证明了该方法的有效性。     

基于断层间切片图像的插值方法研究

断层间图像插值是三维重建的一个关键步骤,研究了传统的插值方法,并对其进行了分析。在此基础上提出了一种基于距离变换的目标图像插值方法,该方法首先对断层图像进行阈值分割得到目标图像并对图像进行中心配准,然后运用欧几里德距离变换法求取目标图像的距离图像,采用加权平均线性插值方法得到目标图像间的插值图像;对ICT切片图像进行了实验研究,取得了令人满意的效果。     

基于测地距离的半监督增强

在许多模式识别任务中,研究者常常使用有标记样本的信息,而忽略无标记样本信息,但在现实生活中有标记样本的获得可能需要花费大量的人力、物力、财力,而无标记数据的获得却相对容易得多。如何利用无标记的数据来增强分类器的性能成为近年来模式识别中的研究热点。在以往的半监督增强学习中,主要是根据无标记样本和有标记样本的相似度来利用无标记样本的,相似度主要使用欧氏距离来度量,而欧氏距离只反映样本间的空间位置关系,没有反映样本间的流形信息。因此,提出了基于测地距离的半监督增强学习算法,从而可以反映样本空间的流形信息。多个数据库上的实验结果表明提出算法的有效性。     

Defect detection in textile fabric images using wavelet transforms and independent component analysis

In this paper, a new method based on the use of wavelet transformation prior to independent component analysis for solving the problem of defect detection in textile fabric images is presented. Different subbands of the wavelet packet tree scheme of the defect-free subwindows are obtained and independent components of these subbands are calculated as basis vectors. The true feature vectors corresponding to these basis vectors are computed. The test subwindow is labeled as defective, or not according to the Euclidean distance between the true feature vector representing the non-defective regions and the feature vector of the subwindow under test. The advantage of adding wavelet analysis prior to the independent component analysis is presented. The text was submitted by the authors in English.     

基于区间二型模糊熵的多属性决策方法

针对属性权重信息完全未知的区间二型模糊多属性决策问题,提出了一种基于区间二型模糊熵的多属性决策方法。为了量化区间二型模糊集的不确定信息,通过引入模糊因子、犹豫因子和区间因子建立了区间二型模糊熵的公理化准则,并分别基于欧氏距离、海明距离和广义距离给出了三种熵计算公式。同时,根据决策问题中总体不确定性最小化的原则,结合熵公式构建数学规划模型来确定属性权重,利用得分函数给出了具体的决策步骤,并通过实例分析验证了该决策方法的有效性和灵活性。