基于局部表示的分类方法及其人脸识别应用

基于稀疏表示的分类方法SRC与基于协同表示的分类方法 CRC分别通过L1范数和L2范数最小化获得具有稀疏性的线性表示系数,在人脸识别中取得了很好的效果。为了解决这两种方法没有考虑数据局部信息的问题,提出了基于局部表示的分类方法 LRC。LRC使用测试样本局部范围内的训练样本对其进行线性表示,这样获得的局部表示系数在保持稀疏性的同时包含有效的局部信息。另外,通过求解一简单的约束最优化问题,LRC可快速获取局部表示系数。在ORL、YALE以及FERET人脸数据库上的实验结果,表明了LRC的有效性和高效性。     

多彩色空间相关分析的人脸识别算法

人脸识别是当前人工智能和模式识别的研究热点,得到了广泛的关注.基于对不同色彩空间数据的分析,论文提出了多彩色空间典型相关分析的人脸识别方法.文中对2维的Contourlet变换特性进行了分析和讨论,利用Contourlet的多尺度,方向性和各向异性等特点,提出了一种基于Contourlet变换的彩色人脸识别算法.算法对原图进行Contourlet分解,对分解得到的低频和高频图像进行cca分析.典型相关分析是一种有效的分析方法,其实际应用十分广泛.低频系数反映图像的轮廓信息,高频系数反映图像的细节信息,使用cca充分利用不同频率的信息,使不同色彩空间的不同分辨率图形的相关性达到最大,得到投影系数,最后,采用决策级最近邻分类器完成人脸识别.在对彩色人脸数据库AR的识别实验中,该算法识别率达到98％以上,与传统算法相比,该算法不仅既有良好的识别结果,而且具有很快的运算速度.     

多彩色空间相关分析的人脸识别算法

人脸识别是当前人工智能和模式识别的研究热点,得到了广泛的关注。基 于对不同色彩空间数据的分析,论文提出了多彩色空间典型相关分析的人脸识别方法。文中 对2 维的Contourlet 变换特性进行了分析和讨论,利用Contourlet 的多尺度,方向性和各向 异性等特点,提出了一种基于Contourlet 变换的彩色人脸识别算法。算法对原图进行 Contourlet 分解,对分解得到的低频和高频图像进行cca 分析。典型相关分析是一种有效的 分析方法,其实际应用十分广泛。低频系数反映图像的轮廓信息,高频系数反映图像的细节 信息,使用cca 充分利用不同频率的信息,使不同色彩空间的不同分辨率图形的相关性达到 最大,得到投影系数,最后,采用决策级最近邻分类器完成人脸识别。在对彩色人脸数据库 AR 的识别实验中,该算法识别率达到98%以上,与传统算法相比,该算法不仅既有良好的 识别结果,而且具有很快的运算速度。     

一种基于图像的水位自动测量新方法

河流的水位是非常重要的水文数据。提出了一种新的基于图像的水位自动测量算法,能够精确的检测和定位出水位线。该算法合理运用了形状校正、边缘检测、轮廓跟踪与分析、数字形态学、图像投影等图像处理技术,具有抗噪、抗光照不均、稳定可靠,实时性强、实现简单等优点。该算法实现的水位自动检测系统已经在工程上应用,长期实践表明它是稳定可靠的。     

核稀疏保持投影及生物特征识别应用

稀疏表示系数包含较强的鉴别信息,稀疏保持投影(Sparsity Preserving Projections,SPP)利用稀疏表示系数进行特征提取.本文通过核方法获取高维特征空间的核稀疏表示系数,并利用核稀疏表示系数构造邻接矩阵,提出核稀疏保持投影(Kernel Sparsity Preserving Projections,KSPP).核稀疏表示系数比稀疏表示系数包含更强的鉴别信息,因此KSPP可以比SPP提取更有效的鉴别特征.在多个数据库上的生物特征识别实验,KSPP都取得了不错的实验结果.     

基于保持投影的最大散度差的特征抽取方法

对非监督鉴别投影(UDP)准则进行修正,并在修正的准则基础上提出基于保持投影的最大散度差的特征抽取方法.该方法利用非局部散度与局部散度之差作为鉴别准则,从而避免UDP线性鉴别分析中所遇到的小样本问题引起的局部散度矩阵奇异的问题.在标准人脸数据库Yale和FERET上进行实验,实验结果表明本文方法的有效性.     

基于Agent的开放云联盟计算任务分段及迁移机制

解决云计算平台可能出现的短时间用户群峰值需求而商家却要为此巨额投入,提出搭建基于移动agent的开放云联盟,考虑到云联盟环境计算任务的安全性和私密性,采用计算任务分段及迁移机制。研究计算任务带权分段并以此进行位置部署,设计实现由分段机制产生的超量子任务段随agent自适应迁移机制,并给出算法实现。实例仿真表明,计算任务分段及迁移机制是有效的,构建的云联盟可以解决云平台可能出现的短时间峰值需求问题。     

利用主成分分析解决定位中的复共线问题

DV-Hop定位方法用跳距代替测距,而后利用信标节点进行定位。它具有硬件要求低、计算和通信开销不高且容错性能较好的特性,因而被广泛运用到各个定位系统中。但其定位常常受到信标节点摆放位置和噪声的影响,使得定位结果较差。通过对DV-Hop定位过程的分析,利用机器学习中的主成分分析方法处理信标节点随机摆放所产生的复共线性问题,同时可以消除部分噪声,使得未知节点估计值具有较小的均方差,进而提高定位的精度。仿真实验结果验证该改进后的算法同样具有原先算法优良特性,且定位精确度有所提高。     

一种基于ICA和模糊LDA的特征提取方法

独立成分分析(ICA)和线性鉴别分析(LDA)是两种经典的特征提取方法.为了更好地解决人脸识别中的特征提取问题,在已有的两种方法进行特征抽取的基础上引入模糊技术,抽取重叠(离群)样本中有助于分类的特征.首先用ICA进行初次特征提取,然后采用模糊k近邻方法得到相应的样本分布信息,最后在此基础上用模糊LDA进行二次特征提取,得到有效的特征向量集.在3个人脸数据库上的实验结果表明本文方法的有效性.     

模糊二维线性鉴别分析算法

在二维线性鉴别分析的基础上,引入了模糊数学的思想,给出了模糊二维线性鉴别分析方法。模糊二维线性鉴别分析通过隶属度函数将样本归入所有的类别之中,根据隶属度重新定义了类间散布矩阵和类内散布矩阵,进而将样本的原始分布信息通过相应的隶属度函数完全融入到最后提取的特征中。通过在ORL和耶鲁人脸库上进行的实验,结果证明了基于模糊二维线性鉴别分析方法的优越性。