一种基于神经网络的地震信号去噪的处理方法

在众多的去噪处理方法中，Ｋ－Ｌ变换是去除随机噪声的有效方法．Ｋ－Ｌ变换是利用地震剖面各道在空间方向的相关性来取信号的共同特征，以实现去除剖面中的随机噪声．传统的Ｋ－Ｌ变换是通过矩阵的Ｈｏｕｓｈｏｌｄ变换实现的．其运算量及空间占用量比较大．笔者用一种Ｈｏｐ－ｆｉｅｌｄ网实现对地震剖面进行Ｋ－Ｌ变换的去噪处理，并且给出了该网络的详尽描述及稳定性证明．由于Ｈｏｐｆｉｅｌｄ网能实时进行处理，固而具有实时性．模拟实验的结果表明，这种方法对消除地震剖面的随机噪声是一种行之有效的方法．     

基于主元分析的人脸识别方法研究

研究了利用主元分析进行人脸识别的方法。将人脸图像训练集进行主元分析,对得到的变换矩阵应用奇异值分解提取特征子空间,把训练图像和测试图像投影到子空间上,选择分类器进行人脸识别。实验表明,主元分析能很好地在子空间下提取出人脸图像的特征信息,从而实现人脸识别。     

基于局部非负矩阵分解的人脸识别

提出了一种基于局部非负矩阵分解的人脸识别方法,以单个人的训练样本集获取其人脸特征子空间,将识别图像向每一个特征子空间中进行映射及重构,在子空间内实现人脸识别。ORL标准人脸库进行的计算机仿真证实了该方法的有效性。     

使用K—L变换进行图象压缩的一种新方法

在图象变换编码领域，Ｋ－Ｌ；变换是最小均方误差意义上的最佳变换，但是变换矩阵随图象内容而不同，且计算复杂，速度慢。本文造反他合理的计算自协方差矩阵的特征矢量的方法，以削减计算时间。同时提出了将模式识别引入Ｋ－Ｌ变换的一种新的图象压缩的方法，用精选的模式集训练ＢＰ神经网络，使之在计算中将各个图象正确归类，以选择合适的变换矩阵。     

基于矩—小波描述子的人脸图像识别

介绍了在Radon变换下的图像矩特征的抽取方法,并得到图像的矩特征矩阵;进而对矩特征矩阵按行向量进行小波变换组成矩——小波描述子特征矩阵,采用矩阵的加权欧氏距离作为人脸图像的匹配识别的算法,产生较好的结果。     

矩阵低秩逼近的快速增量算法及其在人脸图像中的应用

针对矩阵数据降维或低秩逼近问题,提出了一种快速增量算法.假设矩阵数据存在双边分解,建立了两个相互耦合的特征子空间模型,因此增量算法由两个特征子空间的迭代更新构成.每一步迭代,新载入的矩阵数据沿着行(列)特征子空间进行正交分解,从而获得了行(列)协方差矩阵更紧致的表达.一旦该表达被建立,行(列)特征子空间的更新就可以通过解一个和矩阵数据的行(列)数相比更小规模的特征值问题来完成,算法的高效率得以实现.该算法被应用到人脸图像重构和人脸跟踪问题中,一系列实验表明了算法的有效性.     

基于小波变换和非负矩阵分解的人脸识别改进方法

针对NMF在识别人脸图像特征时分解速度慢,基空间不适应欧氏距离度量的缺点,提出了一种基于小波变换和非负矩阵基矩阵正交化的人脸识别方法.利用小波变换对人脸图像进行变换,选择LL分量既能抽取到人脸的实质特征又能有效减小数据维数,降低NMF分解的复杂性.同时对NMF的基矩阵实施正交化变换,在得到的正交基上进行投影.实验结果表明,该方法对光照变化、表情变化和部分遮罩不敏感,识别性能明显提高.     

基于K-L变换的掌纹自动识别

掌纹自动识别是对基于生物统计学的身份鉴别的重要补充。论文尝试了对掌纹图像代数特征的提取 ,并设计了基于 K- L变换的掌纹自动识别方法。实验表明 ,这种方法能够取得很好的识别效果 ,即使对于低分辨率下的图像也有较高的识别率。在此基础上结合子空间法模式识别理论 ,提出了双子空间掌纹自动识别方法。并用双子空间对各类样本的空间分布进行了更加精细的刻画。然后采用分层最小距离分类器实现掌纹识别 ,使识别率和鲁棒性得到了进一步提高。     

基于分块局部二元模式的鉴别特征抽取方法及人脸识别

提出了一种基于分块局部二元模式(LBP)的鉴别特征抽取方法.该方法对人脸图像进行分块,再对分块后的子图像矩阵采用LBP算子抽取LBP特征.由于LBP是利用一串二进制码表征较小图像块的局部纹理,这有助于提高人脸识别的性能.采用主分量分析(PCA)方法对由所有分块后子图像的LBP特征向量构成的新训练集进行维度缩减,最后以Fisher线性鉴别分析(LDA)对缩减后的PCA特征进行鉴别特征提取.在ORL人脸库和YALE人脸库上的实验结果表明,该方法优于传统的PCA和LDA方法.     

一种新型的人脸识别算法在智能门禁系统中的应用

针对人脸识别中的尺度与光照敏感问题,该文提出了一种基于Gabor滤波器的人脸自动识别算法。首先对原始人脸图像进行Gabor小波分解,得到人脸的纹理特征图像;然后利用流形学习的方法进行特征数据降维;最后采用LDA线性判别方法进行人脸的自动识别。实验表明,该算法具有较强的人脸自动识别能力,能有效地解决不同姿态、不同光照条件下的人脸难以识别的问题,将该算法作为智能门禁系统的主程序,实现了智能门锁的自动控制。     

基于DCT和BP神经网络集成的人脸识别

人脸识别是模式识别和图像处理领域的研究热点和难点,尽管已提出了许多方法,然而如何在变化的环境下实时、高效地识别人脸仍是一个难题.鉴于离散余弦变换(discrete cosine transform,DCT)有较高的压缩性能和快速算法以及集成神经网络良好的泛化能力,提出了基于DCT和神经网络集成的人脸识别方法.首先用DCT提取人脸特征矢量,然后构建集成BP(back propagation)神经网络对人脸进行分类识别.在ORL(olivertti research laboratory)人脸库上的仿真实验结果表明,提出的方法取得了较快的训练和识别速度、较高的识别率,因此该方法是一种快速高效的人脸识别方法.     

基于主元分析和压缩感知的人脸识别算法

针对压缩感知理论中的核心问题,即如何通过有限的测量值以较高的重建率重构稀疏信号,提出了基于主元分析和压缩感知的人脸识别方法（PSL0）.该算法利用双向二维主成分分析提取图像行列2个方向的特征并进行降维,建立反映人脸特征投影矩阵,作为压缩感知算法的超完备基,将每一幅待识别图像的特征向量作为测量值,用基于平滑l0范数快速稀疏表示（SL0）算法求解l0范数最小化问题,寻求图像在该超完备基上的稀疏表示,以得到一组最优稀疏系数重构各类图像,求取测试图像与各类重构图像的最小残差进行分类识别.实验结果表明,该算法在同类算法中获得了较高的人脸识别率及较好的重建效果.     

基于多层小波和共生矩阵的纹理表面缺损检测

提出一种利用多层小波和共生矩阵进行纹理表面缺损检测的有效方法.该方法首先将缺损图像在不同水平上进行小波分解,得到一系列低频子图像和高频细节子图像;然后计算和分析各水平上高频细节子图像的共生矩阵特征;最后选择低频子图像进行小波合成得到无纹理图像进行检测.实验证明,该方法能够快速准确地进行纹理缺损检测.     

基于脊波变换的线性判别分析人脸识别方法

在线性判别的基础上提出了一种基于脊波变换的线性判别分析算法,有效地解决了传统线性判别分析算法的小样本问题.首先利用Radon变换将二维人脸图像转换为投影矩阵,然后进行小波变换获取脊波系数矩阵,最后采用线性判别分析方法提取特征后作分类.在ORL人脸数据库上的比较实验结果证实了该算法的有效性.     

基于对称最大间距准则的人脸识别方法

在最大间距准则算法中引入对称性思想,提出了基于对称最大间距准则(SMMC)的人脸识别算法。该算法首先引入镜像变换,将人脸图像生成镜像图像,依据奇偶分解原理,把人脸图像分解成镜像奇、偶对称图像,然后分别对奇偶对称图像进行最大间距准则,提取所需的鉴别特征。在ORL和Yale标准人脸库上的实验结果表明,该算法通过利用镜像变换扩大了样本容量,发挥了最大间距准则算法的优点,提高了人脸识别率。     

基于椭圆拟合的近红外图像的眼睛精确定位法

提出了一种新的近红外人脸图像的眼睛精确定位方法. 该方法首先使用基于Haar特征和AdaBoost算法的人脸检测分类器确定人脸区域和初始眼睛位置;然后用Sobel算子对眼睛区域进行边缘检测处理,得到眼睛边缘,并对它进行椭圆拟合获得眼睛的椭圆轮廓线;最后把拟合椭圆的中心点作为眼睛的精确位置. 实验表明,在正面人脸情况下,本方法能精确地定位近红外人脸图像的眼睛位置,在归一化人脸为120×120像素时,其平均误差小于1.5个像素,处理时间约7 ms.     

基于小波变换的图像融合算法研究

为提高不同聚焦图像的融合质量,提出一种基于小波变换的图像融合改进算法. 利用小波变换将多聚焦图像进行多尺度分解,对分解后的高频系数与低频系数采用不同的选择方案,采用3×3滑动高斯窗口分别计算出待融合图像高频部分的相似度矩阵以及边缘能量矩阵,最后采用将结构相似度与图像边缘算子结合的融合算子对图像进行融合. 结果表明,该改进算法极大地抑制了图像融合中振铃效应,有效避免了融合过程中的信息缺失, 融合图像具有更好的视觉效果.      

基于区域特征的快速人脸检测法

提出一种新的基于区域特征的快速人脸检测方案,相比传统马赛克方法明显改进：重新设计了基于器官的人脸分块策略,使规则制订直观可信;采用块形状自适应技术以提高对不同脸形的适应性,改善了检测算法的适用范围;引入有效的粗检测和层次化局部搜索技术,大大提高了检测速度。仿真表明,这种方法对人脸数目、尺寸、脸形、光照、背景复杂性无限制,适用于不同质量尤其是恶劣质量的图像。