多分类器信息融合的步态识别算法

融合运动人体整体轮廓和局部关节的特征信息,提出了一种新的步态识别算法。对每个序列进行运动轮廓抽取,从3个方向(水平、垂直、斜向)对时变的2维轮廓进行投影扫描,转换为对应的特征向量;对级联的特征向量分别采用离散正交小波变换(DWT)和核主元分析法(KPCA)提取轮廓时空变化所蕴涵的非线性步态信息,构成两个独立的全局特征分类器。对运动人体髋关节和膝关节建模,根据步态运动的准周期性,将关节角度时序信息按傅里叶级数形式展开,采用遗传算法搜索各次谐波的系数并进行尺度变换,生成局部关节时变特征向量,构成局部特征分类器。最后采用贝叶斯多分类器融合决策规则,融合整体和局部特征。在CMU步态数据库中进行实验,结果验证了算法的有效性,识别性能和验证性能都获得有效的提高。     

基于多侧面多分类器融合的月降水量预测

针对降水量影响因子多、彼此之间关系复杂、预测难度大的特点,提出一种基于多侧面集成学习方法的降水量预测模型。采用多侧面递进算法对数据进行特征提取,得到多个特征子集（多个侧面）,且在特征子空间上建立预测模型,对未知样本进行分类预测,并利用专家投票的大多数规则对预测结果进行组合。实验表明,该方法具有较高的预测准确率。     

一种新的基于聚类的多分类器融合算法

提出了一种新的多分类器融合算法,该算法能找出各分类器在特征空间中局部性能较好的区域,并利用具有最优局部性能的分类器的输出作为最终的融合结果。首先,利用各分类器对训练样本进行分类,这样训练样本被划分为正确分类样本和错误分类样本两个集合;接着,对这两个样本集合分别进行聚类分析来划分特征空间,并计算各分类器在特征空间局部区域中的性能;在测试时,选择测试样本周围局部性能最优的分类器的输出作为最终的融合结果。基于ELENA数据集的实验显示了该算法的有效性。     

基于专家域的多层分类器融合

论文提出了一种基于专家域的多层分类器融合模型,专家指不同专长之单分类器。模型思想来自医院诊断流程,模型首先训练n个专家,之后将样本空间按专家专长划分专家域。对于待测样本,先将样本指派到合适的专家域,然后再由指定的专家对样本进行分类。用这种算法对UCI的标准数据集进行分类,实验结果显示,该算法得到比其他算法更低的分类误差,显著提高了分类器的性能。     

基于GA的多分类器融合算法

为了提高单一分类器的识别性能,在模式识别领域经常采用多分类器集成的方法。提出了一种基于GA的多分类器融合算法,首先通过GA算法对特征集的分割进行优化选择,形成了较优的成员分类器;然后通过对成员分类器分辨能力的度量,提出了一种加权系数矩阵的多分类器组合方法。在UCI数据库上进行了实验,结果表明所提出的算法具有较高的识别率。     

一种基于多分类器融合的雷达辐射源识别方法

雷达辐射源识别传统方法只使用一个分类器进行分类,对于类别数较大、输入样本受噪声污染严重的情况很难获得好的识别效果.首先分析了雷达特定辐射源识别的可行性,分别提取信号的包络和双谱用来作为个体特征.然后将概率SVM引入雷达辐射源识别,得到分类识别的概率输出,并结合灰关联分析得到的灰关联度,采用D-S证据推理方法对两个分类器结果进行融合.仿真实验针对10种同类型雷达的脉冲数据,结果证明多分类器融合较之单个分类器能获得更高的识别率,提高了分类置信度.     

基于主动学习的分类器融合算法

本文提出了基于主动学习的分类融合算法,将度量层输出的分类器融合问题看作二级分类器的设计问题，将SVM主动学习引入二级分类器设计。该算法在有效减少标注代价的同时获得了较高的分类性能。实验证明该算法在分类性能和标注代价两方面都优于传统分类器融合方法。     

基于双特征匹配层融合的步态识别方法

步态识别是根据人类走路的姿态来进行远距离的身份识别。针对轮廓不完整的图 像和关键帧容易造成部分信息丢失而引起的识别率下降问题,提出一种基于双特征匹配层融合 的步态识别方法。步态既有静态图像特征,又有动态速度变化特征,因此本文提出用匹配层融 合方法将静态的 Hu 矩 6 个不变矩特征和动态的帧差百分比特征融合后进行步态身份识别。首 先对一个周期内的归一化步态图像进行 Hu 矩特征以及帧差百分比的特征提取,将 Hu 矩 6 个不 变矩特征描述成一个特征向量,然后运用匹配层融合算法对 2 个特征进行融合;最后使用 K 近 邻分类器进行身份识别。实验表明,该方法较单一方法能够有效地提高步态识别正确率。     

基于光流空间分布的步态识别方法

针对传统基于光流法步态识别复杂、识别率不高的缺点, 提出了一种非模型化的方法——光流空间分布来描述并识别运动目标。首先, 计算每帧步态序列中的密度光流场, 所得的与尺度无关的矩描述了光流的空间形状分布; 然后, 分析每一组矩的周期性结构特征, 不同图像序列对应的矢量有基本相同的周期特征和不同的相位特征, 利用相位特征区分不同个体步态之间的差异; 最后, 训练时计算各个样本特征矢量的平均值作为聚类中心, 识别时计算待识别序列矢量和每个聚类中心的距离, 采用最近邻法则, 把序列归类到距离最近的类中。实验证明, 该算法在CASIA步态数据库上最高能达到90%以上的识别率。     

双视角下多特征信息融合的步态识别

针对步态识别研究中单视角识别率低、多视角算法复杂等问题,开展了双视角下的步态识别研究.考察正面视角人体的轮廓特征和侧面视角人体行走的动态特征,利用多视角步态信息互补性强的特点,分别从正面视角和侧面视角获取步态序列,预处理得到单连通人体轮廓图形,然后对正面视角提取Procrustes均值形状,侧面视角计算动作能量图(AEI)并经二维局部保留映射(2D LPP)降维,最后将2个视角下的识别结果进行融合从而获得最终的识别结果.在中科院自动化所的DatasetB数据库上进行了实验,获得了较高的识别率,达到了预期的识别效果.     

基于核主成分分析的步态识别方法

为了从多帧步态序列中更有效地提取步态特征并实时性地进行身份识别,提出一种有效的基于平均步态能量图(MGEI)的核主成分分析(KPCA)的身份识别方法。通过预处理技术提取出运动人体的侧面轮廓,根据步态下肢的摆动距离统计出步态周期,得到MGEI。KPCA采用非线性方法提取主成分,描述待识别图像中多个像素之间的相关性。利用KPCA的方法在高维空间对MGEI提取特征,选择合适的核函数,用方差倒数加权欧氏距离进行身份识别。实验结果表明,该算法具有较好的识别性能,并且耗时大大缩短。     

基于动态部位特征的步态识别方法

为了在衣着饰物变化条件下进行步态识别,提出了一种基于动态部位特征的步态识别方法。首先,采用泊松方程给步态轮廓内的每个点赋值,并构造合适的阈值函数来提取步态序列的动态部位特征;然后,统计其等角度间隔的扇形区域内的均值和方差,用其构造动态特征向量;最后,利用支持向量机算法在行走人衣着饰物发生变化的条件下进行步态分类。通过在CASIA大规模步态数据库上的实验,验证了该方法的有效性和鲁棒性。     

基于自适应特征选取的步态识别

提出基于自适应特征选取的步态识别方法。采用新的特征提取方法,该方法将目标按人体结构特点划分为多个子区域,利用各个子区域的质心与头部质心的距离和夹角对步态特征进行描述。采用Boosting算法自适应选取最优特征序列,对识别结果进行加权处理。该方法结合了步态的动态和静态信息,实验结果表明该方法具有较高的识别性能。     

基于特征融合的步态识别算法

步态运动中包含人体形状信息和运动信息,目前步态识别算法多数基于单一信息,不能取得满意的识别结果。利用特征融合的思想,提出一种融合人体轮廓特征和下肢角度特征的步态识别算法。采用傅立叶描述子描述人体轮廓特征;区别于基于模型的运动特征提取方法,依据人体解剖学的知识获取下肢角度,计算代价较小;采用加权融合规则实现两类特征的融合。仿真结果表明,本算法的性能较基于单个特征的算法有明显的提高。     

利用惯性传感器和AdaBoost算法的步态识别方法

针对现有方法在步态识别方面存在的动作信号分割、传感器方向不一致和相似动作识别精度不高等缺点,提出一种基于惯性传感器和AdaBoost算法的步态动作识别方法。首先,基于尺度空间技术,提出了一种鲁棒的步态检测方法将信号分为动作样本,以此来应对动作速度或强度的剧烈变化;然后,应用定位补偿匹配算法纠正传感器的倾斜,从而解决了传感器方向不一致的问题;最后,为了提高识别精度,基于AdaBoost算法自适应选取动作特征,再进行判别分析完成识别。对5个相似步态动作类进行识别实验,结果表明提出的算法具有较高的准确性。     

动静态信息融合及动态贝叶斯网络的步态识别

步态是远距离视频监控领域最具潜力的生物特征。目前对步态的识别研究大都是考虑单一条件下步态的识别率,但在穿外套、背包等混合条件下识别率较低,通过分析人体行走时步态的时序特征,提出一种基于动静态信息相结合的多信息融合的动态贝叶斯网络(DSIF-DBN)。模型含有3层状态,模型中每个时间片都为静态信息和动态信息的融合。此模型能很好地表达步态的时序特性,即步态行走时人体姿态,运动幅度等特征的节奏性变化。实验结果表明该方法有较高的识别率,能有机地融合步态的静态信息及动态信息,并且在有噪声及信息缺失的情况下有较好的鲁棒性,大大降低了外套及背包对步态识别的影响。     

一种多特征分类识别算法融合的网络钓鱼识别技术

针对页面特征提取实时性差的问题进行了研究,提出将特征分类,并行提取、检测、再融合结果的方法。首先提取三个类别的主要特征,包括文本、视觉和网络链接;然后,分别利用了贝叶斯算法、EMD算法以及网络爬虫来进行分类;并且基于后验概率来确定权值的最终选取。最后,把这三个分类结果进行融合。通过对贝叶斯、加权和加权贝叶斯的比较,从正确率、漏报率和误报率对算法进行评估,实验表明采用加权贝叶斯的方法来进行融合计算效果最佳,能够提供较高的准确率和较低的误报和漏报,提高检测的精度和实时性。