基于改进非负矩阵分解的手背静脉识别算法

为提高手背静脉识别过程中特征的有效性,提出了一种基于改进非负矩阵分解（NMF）的识别算法．首先,静脉图像经过分块后,将每一块子图像的像素均值与平均梯度幅值作为图像原始特征;其次,将所有训练样本原始特征形成的特征矩阵进行非负矩阵分解,其中对分解后的系数向量加以稀疏性与可区分性约束,从而形成改进的非负矩阵分解模型;再次,基于梯度投影法对提出的非负矩阵分解模型进行求解,获取新的特征基与特征向量;最后,利用最近邻匹配算法对特征向量进行分类,实现身份的识别．实验结果表明,提出的识别算法可获得较高的识别率,处理过程具有较好实时性．     

一种改进的人脸识别算法

分块主成分分析算法(PCA)在提取人脸特征时是按照分块进行的,它获得的特征矩阵的维数大于PCA方法得到特征的维数。针对这种情况,本文提出了一种改进的分块主成分分析算法,该算法首先对每个子图像集分别求解散布矩阵,并根据此散布矩阵求出投影矩阵;然后将子图像投影到对应投影矩阵上得到特征向量,由此特征向量进而求出相应子图像间的子距离;最后将图像的所有子距离相加得到图像间的距离,根据最近邻分类器进行分类识别。实验表明,本文方法不仅提高了识别率,而且减少了所需的鉴别矢量,具有很好的识别效果。     

基于有效维度特征的手背静脉识别算法

针对手背静脉识别过程中采集的图像出现干扰信息的问题,提出了一种基于有效维度特征的识别算法。首先,该算法对采集的图像进行自适应中值滤波去噪;其次,对图像进行分块处理,并基于混合高斯模型与梯度信息对子图像提取特征;然后,依据子图像间特征相似性,提出了判断子图像是否为干扰信息的方法;最后,融合所有真实静脉区域的特征,形成特征向量,并采用基于稀疏表示的算法对多种有效维度下的特征向量进行匹配。实验表明,该算法具有较高的准确识别率,即使采集的手背静脉图像存在部分遮挡,算法依然能够获得较好的识别效果。     

一种基于局部排序PCA的线性鉴别算法

主分量分析(Principal Component Analysis,PCA)是模式识别领域中一种重要的特征抽取方法,该方法通过K-L展开式来抽取样本的主要特征。基于此,提出一种拓展的PCA人脸识别方法,即分块排序PCA人脸识别方法(MSPCA)。分块排序PCA方法先对图像矩阵进行分块,对所有分块得到的子图像矩阵利用PCA方法求出矩阵的所有特征值所对应的特征向量并加以标识;然后找出这些所有的特征值中k个最大的特征值所对应的特征向量,用这些特征向量分别去抽取所属的子图像的特征;最后,在MSPCA的基础上,将抽取子图像所得到的特征矩阵合并,把这个合并后的特征矩阵作为新的样本进行PCA+LDA。与PCA和PCA+LDA方法相比,分块排序PCA由于使用子图像矩阵,可以避免使用奇异值分解理论,从而更加简便。在ORL人脸库上的实验结果表明,所提出的方法在识别性能上明显优于经典的PCA和PCA+LDA方法。     

基于UDCT和三角形测量特征融合的手背静脉识别

提出了一种基于特征融合的手背静脉识别算法,首先对手背静脉图像感兴趣区域进行预处理,然后采用均衡离散曲率波变换对感兴趣区域进行变换,接着对变换系数进行相位编码,并计算编码统计直方图的卡方距离,当此距离与阈值相差较大时,得到识别结果;否则,对预处理后的图像提取静脉骨架,确定相关的特征点,通过三角测量法来计算匹配距离,对和采用加权平均法来获得最终的识别结果.该方法在识别时间没有明显增加的情况下,而识别的效果却得到了提高.     

基于多频带2D-PCA的虹膜识别算法

近年来,二维主分量分析(2D-PCA)和离散小波变换作为图像分析的两种有效方法,受到人们的广泛关注。结合以上两种方法,提出了一种多频带2D-PCA虹膜识别快速算法。该算法首先对虹膜图像做预处理,然后将预处理后的图像做2维离散小波变换,取小波系数的两个中频子带作为2D-PCA的输入空间;在训练阶段,求得训练样本输入空间的特征空间并由此得到训练样本的特征向量,形成样本特征库;在识别阶段,计算得到未知样本特征向量;同时为了提高特征向量对图像旋转的鲁棒性,在该阶段进行了基于不同起始角度的归一化处理。最后采用Hamming距离,对未知样本的特征向量在特征库中进行多模板匹配,通过K临法则和阈值法得到识别结果。实验结果验证了所提算法的有效性。     

基于分块FRIT-SVD的鲁棒零水印算法

针对水印图像轮廓特征的提取,使用小波变换并不是最佳方式,脊波变换较小波变换有着更好的逼近精度和稀疏性能。结合二维混沌系统、SVD和位平面技术共同构造零水印信息,提出了一种基于脊波变换域的鲁棒零水印算法。该算法首先对载体图像进行二维一级小波变换提取低频域,利用分块策略对其分块并进行有限脊波变换(FRIT),经SVD提取最大奇异值构造特征矩阵后,使用二维混沌系统对特征矩阵进行置乱加密,提取特征矩阵中的重要位平面与加密水印信号结合生成注册零水印信息,不仅提高了水印鲁棒性,双重加密后的水印安全性能也得到提升。实验表明,该算法具有较好的鲁棒性、安全性和易操作性,能够有效抵抗各类图像攻击。     

基于变换域和形状特征的感知图像哈希算法

提出一种基于非下采样轮廓波变换(NSCT)分解和Zernike矩的图像哈希算法.通过预处理操作后的彩色RGB图像转换到YCbCr空间;分别对每个通道进行一级NSCT分解得到低频图像和高频纹理图像,对Y通道的高频图像使用Canny算子提取边缘后计算Zernike矩作为中间哈希序列H1;将3个通道得到的低频图像分块求取6个统计特征得到18个特征向量,使用PCA降维再进行压缩得到中间哈希序列H2;结合高频哈希序列H1和低频哈希序列H2作为最终哈希h.实验结果表明,该算法比几种对比算法具有更好的区分性和更高的效率.     

基于图像梯度补偿的人脸快速识别算法

针对传统人脸识别算法运行效率低的问题, 提出一种采用图像梯度补偿模式(IGC)的人脸快速识别算法. 首先, 提取人脸图像四个方位的梯度; 其次, 将所获的四个梯度进行多方式融合, 产生两个梯度算子; 再次, 使用新产生的梯度算子对原图像进行适度补偿, 形成人脸图像的IGC特征图; 然后将所获IGC特征图分块统计直方图, 并将各个分块的直方图串联成用于人脸图像描述的特征向量; 最后使用PCA方式对特征向量进行降维处理, 利用SVM分类器进行识别. 在ORL和CMU_PIE数据库上完成测试, 结果表明本文算法在具有较高识别率的同时, 其算法的运行效率具有卓越的表现.     

静脉灰度图像拓扑特征提取方法

二值化处理作为静脉识别中关键步骤不可避免会造成特征信息的部分减损,为了克服这种情况,文中提出一种跳过二值化过程直接对静脉灰度图像进行拓扑特征提取的新方法,该方法首先根据像素的邻域信息计算图像的方向场极值图(EGDF,extreme graph of direc tional fields),并利用预先定义的约束模板集从EGDF中逐步提取出静脉主脊,然后在设定的范围约束图中,利用最大邻域点跟踪算法从静脉主脊的各个端点开始搜索从而获得静脉次脊,最后由静脉主脊和静脉次脊组成了静脉灰度图像的全部拓扑特征.通过对比实验,发现文中算法提取的静脉拓扑特征优于常规组合方法即二值化后再进行骨架提取得到的静脉拓扑特征,且克服了基于新小波函数的对称分析法中无法提取漂浮静脉纹路以及将两条相距较近的纹路误识为一条纹路的问题.因此,是一种有效的静脉灰度图像拓扑特征提取方法.     

基于有监督双正则NMF的静脉识别算法

为使提取的静脉图像特征具有较好的聚类特性以更利于正确识别,提出了一种基于有监督非负矩阵分解的识别算法。首先,对静脉图像进行分块处理,通过融合所有的子图像特征形成静脉的原始特征;其次,采用特征的稀疏性与聚类属性双正则项,对原始的非负矩阵分解模型进行改进;然后,基于梯度下降法对改进的非负矩阵分解模型进行求解,实现对原始特征的降维与优化;最后,利用最近邻算法对新的特征进行匹配,从而获得识别结果。实验结果表明,对于3种静脉样本数据库,所提识别算法的错误接受率与错误拒绝率分别可以达到0.02与0.03;此外,其2.89s的识别时间可以满足实时性要求。     

基于Gabor小波变换与分块PCA的人脸识别

由于Gabor小波描述的人脸特征维数太高,直接将Gabor小波提取的特征进行识别时出现计算量大、实时性差的问题,提出了基于Gabor小波变换与分块主分量分析的人脸识别新算法。首先对人脸图像进行Gabor小波变换得到人脸图像特征,然后用分块主分量分析方法对其进行降维、提取特征向量,最后用最近邻分类器分类识别。在ORL和NUST603人脸库上进行实验,结果表明,该方法的识别率优于传统PCA、分块PCA、Gabor小波变换与PCA结合的方法。     

脊波域的图像数字水印算法研究

提出一种将混沌置乱加密后的水印信息嵌入到图像脊波变换域的算法。将图像分块后进行有限脊波变换,选择出图像纹理块的脊波域最大能量方向上的系数嵌入水印,水印提取只需要记录嵌入位置序列即可。实验结果表明,算法对噪声、压缩、不规则剪切、对比度等攻击有较强的鲁棒性。     

基于小波变换和脊波变换的自适应图像去噪算法

为了克服单纯小波变换或脊波变换的不足,提出了基于小波变换和脊波变换的自适应去噪算法。实验结果表明,在处理点奇异性和线奇异性的图像时,该方法比单纯小波变换或脊波变换的阈值去噪算法更具优越性,在实际应用中更为有效。     

基于Finite Ridgelet变换的图像线性特征提取

线性特征是图像的一种重要局部特征,它常常决定图像中目标的形状。线性特征的提取在图像匹配、目标描述与识别以及运动估计、目标跟踪等领域具有十分重要的意义。常用的线性特征检测方法有Radon变换和Hough变换,但检测曲线复杂度会很高。本文提出一种多尺度几何分析的线性特征检测方法,该方法以finite ridgelet理论为基础,结合正交小波变换对线性特征进行提取。Finite ridgelet变换对于含有直线奇异的多变量函数具有良好的逼近特性,能够获得连续空间函数的稀疏表达,同时具有区域平滑性、很好的可逆性和去冗余性。实验结果表明,本方法即使在背景复杂的环境下也具有良好的检测效果。     

一种小波和脊波联合去噪方法

由于小波变换不能有效地处理图像中的奇异线,而脊波变换能很好地弥补这一不足,提出了一种基于图像分块的小波和脊波联合去噪方法。该方法把噪声图像分成一定尺寸的图像块并选择其中的同质块和非同质块;利用小波去噪方法处理同质块,而非同质块用脊波去噪方法处理得到去噪后的图像;用维纳滤波器进一步处理去噪后的图像。实验表明,该方法与单纯的小波去噪方法和脊波去噪方法相比,信噪比有了较高的改善,能有效地保留图像的边缘细节信息。     

带PCA卷积的稀疏表示图像分类算法

针对不同卷积核可以提取不同的图像特征,而卷积核的训练比较困难这一问题,提出一种带主成分分析（PCA）卷积的稀疏表示分类算法。先对训练样本集做分片去均值化处理,然后直接应用PCA算法提取所有分片的前K个特征向量作为卷积核,再用这些卷积核对原始图像进行卷积操作;并提出一种自动加权策略,对卷积处理后得到的K个特征图像进行加权叠加操作;最后对特征图像进行分块直方图统计稀疏化,并应用稀疏表示分类算法进行分类。在公共人脸数据集AR、CMU Multi-PIE、ORL以及数字手写体数据集MNIST上与常用分类算法进行对比实验,实验结果表明,带PCA卷积的稀疏表示分类算法具有更高的分类准确率。     

基于多尺度脊波字典的图像去噪算法

基于人眼视觉系统特性,根据图像几何结构特征,提出一种多尺度脊波字典的构造方法。构造出的多尺度脊波字典具有多分辨率、多尺度、各向异性和多方向等特性,能够更为稀疏地表示图像,从而得到一种基于多尺度脊波字典的稀疏性约束图像去噪算法。实验结果表明,该去噪算法能有效去除噪声,更好地保留图像的边缘等细节。