图象隶属度及其在人脸识别中的应用

文中首先从代数理论和模糊数学出发，讨论向量空间中任一子空间对任一向量的接纳程度，将其定义为向量隶属度，并证明它具有一些不变性，然后将它推广应用于图象识别中，构造图象隶属度，人脸识别实验结果表明，图象隶属度具有良好的识别分离能力。     

基于图像似然度的人脸检测

本文提出了一种基于图像似然度的检测人脸方法,该方法能在复杂的背景下较好的检测出人脸。该方法分为训练阶段和检测阶段。在训练阶段。从人脸图像集中选取大量人脸图像的信息矩阵的奇异值向量作为矩阵中的一列而构成的人脸图像集特征矩阵。然后,用大量的人脸图像的特征向量与人脸图像集特征矩阵比较找出最小相似度,作为阈值;在检测阶段。求待测区域的特征向量与人脸特征矩阵的相似度,与阈值比较以决定是否是人脸。     

一种改进的UWSAN最大似然目标定位方法

研究水声信道目标定位问题,由于水下定位精度与陆地不同。为了解决水下水声信道中有效传输信息,采用传统的无线传感器阵列网络(UWSAN)最大似然目标定位方法有效性差。为解决上述问题,提出将每个阵列的局域似然函数进行信息提取和压缩,并将信息进行融合。分析每个阵列的局域似然函数特性,并根据高斯函数对归一化似然函数进行拟合,结合各个阵列接收到的能量,在融合时先给拟合的归一化似然函数乘以其接收到的能量,再将各个阵列的对数似然函数相加得到全局对数似然函数,其中最大值的位置就是最大似然法估计的目标位置。数值仿真结果表明,改进方法不但大大降低了局部节点到融合节点的传输数据量,而且在高信噪比下与直接计算似然函数的数值非常接近,可以有效估计目标的位置。     

一种应用PCA的人脸图像集识别方法

提出一种适用于同类别的图像子集的类别判断方法。同类别的图像子集经过PCA主特征提取后,选择较大的p个特征值对应的线性无关的特征向量,组成特征矩阵,则同类别的图像子集可以转化成一个特征矩阵,图像子集与特征矩阵一一对应,进而整个图像库能够用矩阵集合来表示。定义一种矩阵间的距离及最小二乘距离,通过计算待测图像子集对应特征矩阵与图像库中不同类别对应特征矩阵之间的距离或最小二乘距离,判断待测试图像子集所属类别。     

利用时差的单站无源相干定位最大似然算法

针对利用单个观测站接收多个第三方辐射源信号来估计目标位置的无源相干定位问题,提出了一种基于最大似然的时差定位算法。首先根据时差测量与目标位置之间的函数关系,构建目标位置的似然函数;然后采用牛顿迭代算法求解非线性似然函数的全局极大值,从而得到目标位置估计;推导了目标位置的最小二乘解,并将其作为牛顿迭代的初始解,从而保证算法的收敛性;最后还推导了算法的理论误差和克拉美罗界,并证明两者相等。仿真结果表明,算法的定位精度优于现有算法,且在测量误差适中时,定位精度可以达到克拉美罗界。通过几何精度因子图,分析了目标位置、外辐射源数量和位置等因素对定位精度的影响。     

图像集的离散度矩阵及其在人脸图像识别中的应用

本文提出了图像集离散度矩阵的基本概念及用于人脸图像识别的方法。该方法把同一类图像集中的各幅图像的信息矩阵的奇异值向量作为矩阵中的一列构成图像集特征矩阵。把这些矩阵组成一图像库,并找出图像集离散度矩阵和图像库离散度矩阵,从而计算出它们的最佳投影系数。然后,把测试样本的图像集特征矩阵与图像集库中的训练样本图像集的特征按投影系数相比较找出它的相似程度,从而进行人脸图像识别。     

基于最大似然准则Hausdorff距离的跟踪算法

针对视频处理中运动物体的检测和跟踪问题,提出一种基于最大似然准则Hausdorff距离的目标跟踪算法,首先利用基于GVF的Snake方法获得物体模型;然后采用基于最大似然准则的Hausdorff距离匹配后续帧中的目标,搜索策略采用类似于Rucklidge提出的多分辨率搜索方法,在不影响搜索成功率和目标定位精度的情况下, 可以显著地缩短搜索时间;最后使用Snake方法完成运动物体的轮廓更新.实验表明该方法可以较好地跟踪刚性和非刚性物体,同时对部分被遮挡的目标也有良好的跟踪效果.     

基于CbCgCr椭球体似然平滑度的肤色分割

对于有色偏、高光和阴影的复杂背景彩色人脸图像,已有模型不能获得较理想的分割结果。为此,提出一种基于CbCgCr椭球体肤色似然平滑度的肤色分割算法。预处理人脸输入图,以消除色偏、高光和阴影,建立CbCgCr椭球体肤色模型,计算肤色似然平滑度,利用肤色似然平滑度粗分割肤色区域,并对其进行去噪处理,以获得肤色细分割图和细提取图。实验结果表明,对光照不均和背景复杂的人脸彩色图像,该算法的肤色分割准确性、鲁棒性和实时性较优。     

基于非线性迭代PLS的人脸识别算法

主成分分析(PCA)是一种无监督的线性降维方法,能有效地提取模式的类内特征,当样本之间出现高度相关性或多重相关性时,PCA提取的主成分解释能力不够。鉴于PCA的缺点,采用一种有监督的鉴别特征提取法——偏最小二乘(PLS),在保留输入变量的最大信息条件下,先在输入和输出变量组中建立模型,再用非线性迭代法提取类间特征,直至隐变量收敛。在ORL人脸库和Yale人脸库中实验结果表明,该算法具有有效性。     

基于统一概率模型的每人单张图象的人脸识别研究

人脸识别不同于许多其他的传统模式识别问题(例如字符识别)。在传统的模式识别应用中，常常分类的类数比较少，而每一类的训练样本非常多。通常的统计模式识别方法基于内部插值的思想，根据各类中的样本情况，或者估计各类的类条件概率密度(如最大似然估计、Parzen窗估计等)，或者     

基于识别的凸集投影人脸图像超分辨率重建

人脸图像的超分辨率重建在公安、视频监控等领域有重要应用价值．基于识别的思想,对人脸灰度图像进行统计分析,得到有关人脸灰度整体特征的先验知识,将其描述为属性集合,从而利用凸集投影算法进行超分辨率图像重建．实验结果表明,重建质量较为理想,与通常的超分辨率凸集投影重建方法相比,抑制噪声的能力有显著提高,重建质量改善明显,收敛速度加快,且易于计算和实现．     

关于Vague集之间的相似度量

首先提出了定义一个Vague集之间的相似度量所应该满足的若干准则,而后指出了Chen给出的vague集之间的相似度量所存在的缺陷,并分析了李凡提出的vague集之间的相似度量,在此基础上,基于对不确定性信息处理的背景,提出了一种新的相似度量方法。研究了这一新的相似度量的性质。     

再论Vague集间的相似度量公式

列举了大量Vague集间的相似度量公式。例题务析表明它们中的大多数都有缺陷。本文用分段函数的方法试图修补这些公式,使得这些公式中的大多数都能够继续使用。这项工作有益于Vague集理论的发展。     

基于人脸识别的人脸图像质量评估

无约束场景下,低质量的人脸图像不仅浪费计算资源而且降低系统识别率.针对此问题,提出一种基于人脸识别的人脸质量评估方法对人脸图像进行预评估.以人脸识别系统特征提取网络为基础网络在COX数据集上进行微调,并使用微调后网络对COX数据集进行质量分数标定.最后,结合基础网络及质量预测网络并以相应损失函数在标定数据上进行回归学习以获取质量评估模型.实验结果表明,该方法能够有效区分不同质量的人脸图像并提升人脸识别系统性能.     

粗糙集的两种相似性度量

粗糙集理论是一种新的处理模糊和不确定性知识的软计算工具.在近似空间中,首先基于集合的上下近似给出了一种粗糙集间的相似度量方法.然后通过定义一种基于粗糙隶属函数的包含度,给出了另外一种粗糙集间的相似度量方法,并分别研究了这两种相似度量方法的有关性质.最后讨论了这两种相似度量方法之间的关系.     

基于改进的多流形算法的人脸图像集识别

一个图像集由大量变化不一的图像组成,而且这些图像都表示同一个人.现实中的图像集数据是非线性的,造成这些现象的因素有人脸的角度不同、光线的明暗等,因此图像集中的每幅图像都是变化的,如果近似的将一个图像集建模为线性子空间,而忽略了集合中数据结构的变化,很显然是不合理的,这也必然会影响到最后的识别率.受流形理论知识的启发,可以将图像集建模为一个流形,这与传统的将图像集建模为子空间的方法有着本质区别.本文在基于流形的人脸图像集识别方法的基础上进行改进,提出新的计算样子空间距离方法,最后采用所有最短子空间距离的平均值作为流形之间的距离,称为改进的多流形方法(Improved multi-manifold method,IMM).IMM方法在CMU PIE数据库上进行实验,结果表明该方法相比其他方法具有更高识别率.     

关于模糊粗糙集的相似度量

基于对不确定性信息处理的背景,定义了模糊粗糙值与模糊粗糙集的相似度量,研究了它们的有关性质。     

Vague集的相似度量

Vague集的相似性度量对于知识表达、模式识别等人工智能研究具有重要意义。Chen给出的关于Vague集的相似性度量体现出注重确定Vague集中总体肯定度相似的思想,但相似度量的公式存在度量上的不足,也蕴含了在Vague集的不可知部分接支持度和反对度各占一半的概率计算,这样既不客观也不合理。为此,提出了一种改进的相似度量。     

基于最大后验概率的图像匹配相似性指标研究

图像匹配是视觉跟踪领域中的重要环节,利用巴氏(Bhattacharyya) 系数度量模板与待匹配区域之间的统计特征相似性是图像匹配中最有效的方法之一. 但是由于背景特征的影响,有时应用巴氏指标进行匹配得到的最优解的位置并不一定是目标特征的实际位置,因而在视觉跟踪过程中目标定位可能出现偏差,甚至跟踪错误. 本文提出了一种基于后验概率的图像匹配相似性指标,该指标利用搜索区域的统计特征,能有效抑制待匹配区域特征中背景因素的影响,同时突出了目标特征的权重,与巴氏指标相比明显改善了匹配函数的峰值特性. 这种指标的另一突出优点是计算复杂度很低,容易得到全局最优解.与巴氏系数指标的匹配结果进行的比较表明,本文所提出的匹配指标在复杂背景下具有更强的目标识别与分辨能力