基于步态特征的身份识别研究

随着信息化发展进程日益加快,信息技术的应用领域和范围也在不断拓展。出于安全因素的考虑,身份识别在社会的多个领域起到了非常重要的作用。伴随着科技的发展和进步,生物识别技术得以开发和应用,通过判断人的动作行为,进而区分其个体身份。作为一种新型的生物识别技术,步态识别技术将身份识别技术水平提升到一个新的高度,成为当前身份识别领域重点研究的方向。文章基于步态特征的身份识别进行研究。     

基于多类特征融合的步态识别算法

步态识别作为一种新兴的生物认证技术,是指通过人的走路姿势来识别人的身份。由于步态受到很多因素的制约,基于单个特征识别率很低,而且不同的特征其特征类型和度量尺度不同。本文提出一种将人体轮廓特征、肢体角度特征、反射对称特征相融合的方法,得到一个联合特征矢量,并采用最近邻模糊分类器进行识别。实验结果表明,本文算法可以解决不同类别的特征融合问题,具有较好的识别性能。     

一种基于CNN算法的步态识别模型研究

为解决传统步态识别模型训练时间长、识别准确率低等问题,文章构建了能够进行深度学习的行走时步态特征数据库,通过对所选取特征的特定性、关联性和稳定性的研究,建立步态特征矩阵,利用Tensorflow设计CNN算法进行深度学习,使其能够自动实现基于行走时步态特征的个人识别。在27名实验者情况下,该模型的识别准确率可达99%以上,且训练时间较短,优于目前已发表的其他模型,对构建更大数据库的识别系统具有启发意义。     

基于特征步态的身份识别方法

本文提出了一种有效实用的基于步态的身份识别方法。通过提取目标行走的差分步态图像,将目标运动过程的动态信息转化为二维平面中的静态信息,利用K-L变换进行特征提取,使用标准的分类器进行分类。在中科院自动化所提供的NLPR数据库上做了大量的仿真实验,验证识别性能。     

基于Fisher准则特征融合策略的PNN车牌汉字识别

为克服图像二值化预处理的不利影响,提高汉字字符图像特征的表征能力,降低传统算法的训练复杂度,在此直接应用车牌字符灰度图像,基于Fisher准则对提取的Pseudo—Zernike矩特征和Gabor变换特征进行融合,在最佳鉴别矢量方向上求得表达能力更强的融合特征。训练结构简单、速度较快的概率神经网络作为识别器,实现车牌汉字的正确、快速识别。试验表明,此算法无需对车牌汉字图像二值化,与所采用的概率神经网络识别器相比,传统BP,SVM等的训练复杂度降低,速度提高,经表征能力更强的融合特征训练后,具有更高的识别准确率。     

基于遗传算法和BP模糊神经网络的红外步态识别

为了提高红外步态识别精度的目的,采用分别基于小波描述子特征的模糊分类器识别和基于体形平均灰度图特征的贝叶斯分类器识别,再进行基于遗传算法和BP模糊神经网络的多分类器融合识别的新方法。做了基于中科院红外步态数据库的识别仿真实验,获得识别率、等错误率和累积匹配分值的实验数据及对比结果,得到多分类器融合识别比单分类器识别提高约10%识别率,降低约10%等错误率,完全收敛阶数提高1倍多的结论。具有识别精度高、收敛速度快的特点。     

基于Conv-TasNet的多特征融合音视频联合语音分离算法

视听多模态建模已被验证在与语音分离的任务中性能表现优异,本文提出一种语音分离模型,对现有的时域音视频联合语音分离算法进行改进,增强音视频流之间的联系。针对现有音视频分离模型联合度不高的情况,作者提出一种在时域上将语音特征与额外输入的视觉特征进行多次融合,并加入纵向权值共享的端到端的语音分离模型。在GRID数据集上的实验结果表明,该网络与仅使用音频的时域语音卷积分离网络（Conv-TasNet）和音视频联合的Conv-TasNet相比,性能上分别获得了1.2 dB和0.4 dB的改善。      

基于残差网络和注意力机制的步态识别算法

针对现有行人步态数据集样本较少、多特征融合复杂且识别精准度不高的问题,提出了一种基于残差网络和注意力机制的步态识别算法。首先对每种特征制作标签,然后将表示不同特征的标签做拼接,达到识别多特征的目的。通过迁移ResNet18的预训练模型,并在ResNet18网络第一个和最后一个卷积层后面加入注意力机制,能够加速网络的收敛,提升模型的精准率。〖JP3〗在CASIA-B数据集上进行多次实验,结果表明所提出方法能准确识别行人、状态和不同角度三种步态特征,识别的精准率为97.6%。     

基于深度卷积神经网络的多特征融合的手势识别

针对传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致手语识别率较低的问题,本文将深度卷积神经网络架构作为分类器与多特征融合算法进行结合,通过使用纹理特征结合形状特征做到有效识别。首先纹理特征通过LBP、卷积神经网络和灰度共生矩阵方法得到,其中形状特征向量由Hu氏不变量和傅里叶级数组成。为了避免过拟合现象,使用"dropout"方法训练深度卷积神经网络。这种基于深度卷积神经网络的多特征融合的手语识别方法,在"hand"数据库中,对32种势的识别率为97.73%。相比一般的手语识别方法,此方法鲁棒性更强,并且识别率更高。     

基于优化核Fisher判别分析的雷达目标识别

针对雷达目标高分辨距离像非线性可分和高特征维数的特点,提出一种基于优化核Fisher判别分析的雷达目标识别方法.该方法利用Fisher判别准则下界作为目标函数对核Fisher判别分析进行核参数优化,再利用支持向量机训练和识别由核Fisher判别分析提取的高分辨距离像特征.基于5种飞机目标的仿真实验表明,优化核Fisher判别分析可以有效优化核参数并降低特征维数,具有稳定优异的识别性能.     

基于核Fisher判决分析的脸谱识别新方法

本文提出一种新的基于核Fisher判决分析(简称KFDA)的脸谱识别方法。即首先应用KFDA提取脸谱特征，然后，进行脸谱识别。利用标准的AT＆T脸谱数据库对KFDA特征提取方法和PCA、FDA以及ICA特征提取方法进行比较，最后使用线性支持向量机(简称SVM)进行分类和识别，实验结果显示基于KFDA特征提取脸谱识别方法的识别率明显优于其它三种脸谱识别方法的识别率。     

基于模糊核Fisher判别的雷达距离像识别研究

核Fisher判别分析(KFDA)既具有核技巧的非线性描述能力,又继承了线性Fisher判别分析(FDA)的优点,其在非线性判别方面表现出很好的识别性能。尝试把训练核样本的模糊隶属度信息完全融入到核散布矩阵的计算中,使得KFDA在提取原始训练样本非线性特征的同时,又可以提取到训练核样本的隶属度信息,并且把这种方法应用到雷达一维距离像识别中,实验证明其取得了很好的识别效果。     

基于模式识别的图像编码

提出了一种新的基于模式识别的图像编码方案:(1)利用模式识别对图像进行预测,然后进行DCT编码;(2)将图像分为高频和低频两个区域分别进行模式库的训练,以提高图像预测效果.实验表明,该算法具有更好的预测编码性能.在压缩比为30:1时,重建图像的平均峰值信噪比有1.3dB的改善.     

一种核Fisher判别分析的快速算法

针对训练样本多时核Fisher判别分析(KFDA)的计算代价大,特征提取速度慢问题,本文提出一种KFDA的快速算法。该算法首先基于线性相关性理论,设计出一种优化方法,快速寻找训练样本在特征空间所张成的子空间的一组基;然后用这组基线性表示最佳投影方向,结合特征空间中的Fisher准则函数,推导出求解最佳投影方向的新公式,其求解过程只需对一个阶数等于基的个数的矩阵特征值分解,同时提取某样本特征时只需计算该样本与这组基之间的核函数。基于多个数据集的实验验证了该算法的有效性。     

核Fisher判别方法在低分辨雷达目标识别中的应用

将机器学习领域新的研究成果应用到雷达目标识别中，并开发有效、实用的分类器具有重要实际意义。核Fisher判别方法是基于Fisher线性判别方法而提出的一种非线性分类方法，在这种方法中使用了基于核的算法中的“核技巧”。本文研究了核Fisher判别分类方法在低分辨雷达目标识别中的应用，并用从某低分辨雷达录取的实际飞机目标回波数据时该算法进行了测试，实验证明了核Fisher方法在低分辨雷达目标识别中的有效性。     

基于核函数Fisher鉴别的异常入侵检测

将核函数方法引入入侵检测研究中,提出了一种基于核函数Fisher鉴别的异常入侵检测算法,用于监控进程的非正常行为。首先分析了核函数Fisher鉴别分类算法应用于入侵检测的可能性,然后具体描述了核函数Fisher鉴别算法在异构数据集下的推广,提出了基于核函数Fisher鉴别的异常入侵检测模型。并以Sendmail系统调用序列数据集为例,详细讨论了该模型的工作过程。最后将实验仿真结果与其它方法进行了比较,结果表明,该方法的检测效果优于同类的其它方法。     

基于Fisher线性判别分析的语音信号端点检测方法

传统的语音端点检测方法对辅音,特别是受到噪声污染的清音部分与背景噪声之间分离能力不足。针对上述问题,该文提出一种基于Fisher线性判别分析的梅尔频率倒谱系数(F-MFCC)端点检测方法。将清音信号和背景噪声视为两类分类问题,采用Fisher准则求解具有判别信息的最佳投影方向,使得投影后的特征参数具有最小类内散度和最大类间散度,从而增大清音与背景噪声的可分离性。在不同语音库上的实验结果表明,F-MFCC能够在不同信噪比和背景噪声条件下提高语音端点检测的准确率。