人脸表情识别的Gabor变换最优通道模糊融合方法

根据Gabor小波的多方向、多尺度性质,将其分成13个通道。利用各个通道对表情识别率贡献不同的特点,提出了一种最优通道模糊积分融合的人脸表情识别算法。首先,提出最优通道选取的三条原则,根据这三条原则选取出3个最优通道;然后,提取表情图像经过最优通道的Gabor特征,并进行降维处理;最后,将每个最优通道作为一个分类器,用基于模糊积分的多分类器联合的方法对它们进行融合处理。在JAFFE库上进行测试取得了94.41%的识别率,验证了该算法的有效性。     

一种基于离散小波变换和支持向量机的人脸识别新方法

为提高人脸识别系统的性能，提出了一种基于离散小波变换DWT（discrete wavelet transform）特征提取和支持向量机（SVM）分类的人脸识别方法。首先，采用DWT对人脸图像进行降维和去噪，然后，对小波低频子图像进行核辨别分析（KDA）提取人脸特征，最后，结合SVM进行分类识别。基于该方法，对ORL人脸库进行分类识别，采用39个特征识别率达到98．2％。仿真结果表明，该方法明显减少了高频干扰对人脸特征的影响，增强了特征的辨别能力。而且，SVM有效地提高了分类器的分类和推广能力。     

基于矩形积分双谱和核主分量分析的电台指纹识别

目的 解决传统的积分双谱特征维数比较大而导致分类器的稳健性和电台的正确识别率下降的问题.方法 首先选择矩形积分双谱作为识别的特征参数,然后采用了核主分量分析方法进行降维,最后采用基于核函数的支持向量机分类器(SVM)实现对电台指纹的识别.结果 给出一种方法,实现了同种型号相同调制方式的3部不同电台的识别.结论 该算法有效地降低了特征维数.较大地提高了电台的正确识别率.     

结合加权相似值和相似投票的视频流人脸识别

为了提高利用Gabor特征进行人脸识别的识别率和鲁棒性,文章提出了一种新的视频流人脸识别方法.首先根据人脸不同位置特征点的识别能力不同,选取对识别贡献比较大的眉毛和眼睛部位进行特征提取;然后根据不同特征点Gabor特征的分类能力,采用加权相似值和相似性投票相结合的方法进行视频流人脸识别.实验结果表明,该方法比传统方法具...     

基于深度卷积稀疏自编码分层网络的人脸识别技术

面对海量人脸图像识别,传统特征提取方法难以提取有效特征,造成人脸识别准确率较低。提出了一种鲁棒的人脸特征提取算法,即利用深度卷积稀疏自编码网络自动学习人脸中丰富且识别力高的特征。该方法将卷积操作融入自编码网络中,同时加入稀疏化思想,从而形成深度卷积稀疏自编码分层网络(hierarchical deep convolution sparse autoencoder,HDCSAE);用该网络自动提取海量人脸图像的高层鲁棒特征,并将提取的特征作为SVM分类器的输入得到分类结果。在FERET人脸数据库下对该方法进行测试,识别率达到99.47%,比传统的基于提取人为定义特征的人脸识别方法的识别率有所提高。     

基于EEMD与模糊信息熵的旋转机械故障诊断方法

针对旋转机械故障识别率偏低的问题,提出一种基于EEMD与模糊信息熵的旋转机械故障诊断方法.该方法结合EEMD分解和模糊信息熵在特征提取方面的优势,构造出一种能够精细度量不同类别振动信号故障概率复杂度的特征集合.首先将原振动信号进行EEMD分解,获得若干个本征模态函数(IMFs);计算出前5个高频IMF分量的模糊信息熵组成高维特征集;利用LPP对高维特征集进行维数约简剔除冗余不相关特征;最后将约简后的样本集输入到KNN分类器中进行故障识别.用双跨转子实验台采集的数据对所述方法进行验证,并与EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法进行故障识别率对比,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更高的故障识别率.     

基于改进的LLE和FSVM方法在人脸识别中的应用

针对人脸识别问题,提出了一种新的算法。该算法首先用gabor小波对人脸图像进行特征提取。然后采用LLE算法进行降维。最后用FSVM和三叉决策树相结合设计识别分类器进行人脸识别。在降维的过程中,针对高维空间相似性度量函数和自适应参数选取方法上,对LLE算法进行了改进。在ORL人脸数据库的仿真结果表明,该算法能有效提高人脸识别性能,具有较高识别率。     

基于小波变换的人脸图像压缩

传统的人脸识别方法,在对压缩的人脸图像进行识别时,要先进行图像的“全解压”操作,然后再进行识别,这无疑大大限制了识别系统性能的提高.为提高压缩人脸识别中压缩域特征提取的有效性和识别率,提出一种支持在压缩数据中提取识别特征的人脸图像压缩算法,反对称双正交小波变换子带编码的方法.与DCT法相比较,在获得高压缩比的同时,较好地保留了人脸图像的识别特征和主观质量.     

基于多分类器融合的人脸识别方法

提出了一种融合整体和局部信息进行人脸识别的新方法。首先利用DCT LDA方法提取表达人脸信息能力强的左眼、右眼和嘴巴的局部特征,利用F isherface方法和简单频谱脸方法提取人脸的整体特征,然后应用多分类器组合规则融合整体和局部特征,实验结果表明利用加法融合规则在ORL和FERET数据库上识别率分别达到98.45%和90.79%,说明了该方法的有效性,同时也表明将多分类组合应用于人脸识别是一种比较可行的思路。     

原点无关最近特征分类器及在人脸识别的应用

受最近特征线分类器的基本设计思想启发，将最近邻法向平面和空间推广，提出了原点无关最近特征平面和原点无关最近特征空间分类器．与最近特征平面、最近特征空间分类器相比，原点无关最近特征分类器最大的优势就在于其定义的特征子空间不依赖于原点位置，而仅由同模式的若干个特征点决定．这种定义提高了相应的模式相似性度量的合理性与有效性．以人脸识别为例，对多种分类器的性能进行比较．实验结果表明，原点无关最近特征分类器在识别率、稳定性等方面均优于同阶的最近特征分类器．     

基于模糊积分的神经网络离线签名识别

提出一种基于模糊积分融合方式的多神经网络离线签名识别方法。首先对签名图像进行一系列预处理,提取不同类型的特征,然后使用神经网络进行初分类,再用模糊积分进行融合。实验表明,该识别方法能够比单个神经网络有更好的签名识别效果。     

面向对象森林分类的多分类器结合方法研究

为改善面向对象的SPOT5遥感图像森林分类精度,在多分类器结合的投票法、Bayesian平均法和模糊法的基础上提出综合保守投票法和模糊法的多分类器结合新方法——投票模糊法。对最小距离、马氏距离、Bayes准则、模糊逻辑和支持向量机5个分类器结合的试验检测结果表明:采用投票模糊进行分类器结合,总体分类精度和Kappa系数均比投票法、Bayesian法和模糊法的高,也略高于分类效果最好的单个分类器——Bayes分类器,且各类型间生产者精度的差异减小。但分类器结合效果不很明显,其主要原因可能是各分类器采用同一套训练样本,分类器输出结果之间存在较高的关联性,并且所分类型较多。因此,在实际应用中,应尽可能确保各个分类器训练样本的差异性,或者尽可能地避免每个分类器都采用相同的对象特征。     

融合主动外观模型与局部二元模式的人脸识别

提出一种新的人脸识别算法.首先,利用主动外观模型(active appearance model,AAM)提取人脸五官特征点,进而获得人脸区域的全局纹理特征;然后对人脸区域中的若干个局部子块进行加权局部二元模式(local binary pattern,LBP)的特征组合;接着分别对这两类特征进行最近邻法则匹配;最后,采用基于模糊综合的原理对这两大类特征进行数据融合,给出最终识别结果.实验表明该算法的有效性,能够很好地结合人脸图像全局和局部的互补信息,识别效果优于各单一模块的分类性能.     

基于广义典型相关分析融合和鲁棒概率协同表示的人脸指纹多模态识别

针对单模态生物特征识别容易受自身条件和环境变化的影响,鉴于人脸识别和指纹识别已经在生物识别系统中得到了广泛应用,提出了二者特征信息融合的多模态生物特征识别方法。该方法首先对人脸、指纹图像进行预处理,并对这两种模态均提取LBP和Gabor特征,然后将广义典型相关分析方法分别引入到人脸多特征融合和指纹多特征融合中,应用分块对角矩阵组合上述融合的人脸特征和指纹特征,最后用鲁棒概率协同表示分类器进行分类。在两个多模态数据库上的实验结果表明:与人脸或指纹单模态生物特征识别相比,基于人脸指纹的多模态生物特征识别具有更高的识别率和更好的稳定性;所提出的基于广义典型相关分析的特征融合方法优于传统的融合方法。     

基于LBP和几何混合特征的人脸识别

提出一种基于ASM几何特征和LBP局部特征的人脸识别新方法。该方法首先使用ASM算法对样本数据进行区域筛选,然后通过LBP特征与ASM特征构建融合特征对人脸进行识别。本文使用JAFFE人脸数据库和CK+数据库进行算法测试,实验结果表明本文提出的方法比单独使用ASM和LBP特征在人脸识别率上有较大的改善。     

图像识别的最大模糊积分识别法

以两个模糊（Ｆｕｚｚｙ）集的相容度为基础，给出了Ｆｕｚｚｙ识别的最大Ｆｕｚｚｙ积分识别法。该方法计算简单，能体现两个Ｆｕｚｚｙ集的平均相容度、Ｆｕｚｚｙ集的可能度与Ｆｕｚｚｙ积分的一种应用。     

基于人脸与步态特征的室外作业场景身份核验方法

在建筑、通信、电力等工程行业中,作业人员需要频繁执行室外作业。由于室外环境复杂,许多运维工作存在来自高压、高空、深坑等因素的高风险。安全事故一旦发生,将造成巨大的人员和财产损失。因此,需要在作业过程中对作业人员进行身份核验,以方便监督。然而,在传统的监督方式中,作业现场的人员管理和行为管控完全依靠人工核查,监控视频也依赖人工看守,无法做到人员身份实时核验以及对非作业人员入场的有效预警。针对室外作业场景中的作业人员身份识别,目前的研究方法大多基于人脸识别。人脸识别方法能够在作业人员脸部信息清晰且完整时准确识别出其身份信息。然而,当存在遮挡,以及受检测距离、检测角度等因素影响时,会造成脸部信息不完全或者模糊,导致采用人脸识别方法难以准确识别出作业人员的身份。步态特征是一种描述行走方式的复杂行为特征,包括脚的触地时间、离地时间和人体高度、双手摆动幅值等。相比人脸识别,步态特征识别有以下优点：第一,步态识别适用的检测距离更远,而人脸特征随着检测距离的增加识别难度明显上升;第二,步态特征识别是非主动识别,现场作业人员几乎随时随地处于行走状态,而人脸识别需要识别对象正对检测装置;第三,步态特征具有较强的特异性,不像人脸特征较易被模仿、修改。不过,单独采用步态特征进行识别,虽然在作业人员运动时可以捕捉体态信息进而较为准确地对其进行身份核验,但是无法对静态的作业人员进行身份核验。[JP]针对此问题,提出了一种多特征融合的身份核验方法,结合步态与人脸等多特征进行识别,不受衣着、环境等外在因素的干扰,可以有效提高身份核验的准确率。提出的融合人脸特征和步态特征的多特征身份核验方法包括身份注册阶段、训练阶段与测试验证阶段。身份注册阶段,人工标注人脸与步态信息,并录入人员信息库;训练阶段,首先利用相关网络提取视频中图像序列的步态轮廓图与人脸区域,然后利用深度学习网络模型提取相关特征,构建融合的特征向量与身份ID间的关系;测试阶段,首先判断图像中有无清晰人脸,如果有则使用多特征融合识别方法,否则仅通过步态特征进行特征匹配进而完成身份核验。结果表明,多特征融合方法在中科院自动化所的CASIA-A数据集上的分类准确率达到99.17%,数据集包含的3个视角下的分类准确率分别为98.75%,100%和98.75%。因此,所提方法可以有效提高单人场景中的身份识别准确率,是在室外作业场景中进行身份核验的一种有效方法。     

特征选择模糊加权多通道Gabor人脸识别

对如何选取和表示人脸的Gabor特征、如何融合多通道Gabor的识别结果进行了研究.提出了一种多通道Gabor人脸识别方法:依据各通道特征可分离性判据确定特征提取区域、计算通道权值,采用模糊加权规则融合多通道的识别结果.该方法降低了特征冗余度;考虑了各通道识别能力的差异性;更好地解决了分类"边界"问题.在AR,CAS-PEAL-R1,YaleB和ORL人脸库上的实验结果表明,本文方法较传统多通道Gabor表征方法具有更高的识别率,平均识别时间较传统整体表征有较大的优势.