一种基于KCCA的小样本脸像鉴别方法

基于典型相关分析和Fisher线性鉴别分析的等价性,提出了利用核典型相关分析来抽取小样本人脸图像的非线性鉴别特征,并用其进行脸像鉴别.这样得到的非线性特征本质上等价于核Fisher非线性最佳鉴别特征.基于ORL库的实验表明,对小样本人脸图像,KCCA可以得到和广义鉴别分析近似的识别性能,其所得非线性特征明显优于FLDA的线性鉴别特征.     

基于KPCA及最佳鉴别独立分量的人脸识别方法

首先分析了独立分量分析(ICA)在人脸识别应用中存在的一些问题,然后从3个方面对基于独立分量分析的人脸识别方法进行了改进:首先利用KPCA将人脸映射到特征空间,在特征空间进行ICA得到相对于原样本的非线性独立分量,从而得到一种非线性独立分量分析的方法;其次,定义了Fisher鉴别信息作为选取最佳鉴别独立分量的准则;最后,提出了一种用最佳独立分量表示待识别人脸图像的方法,克服了用直接投影得到的特征不准确的问题.基于ORL人脸数据库的实验表明,利用此改进的非线性最佳鉴别ICA方法,可以得到优于FLDA方法的识别性能,且在特征数较少时仍能得到较好的识别稳定性.     

基于分块SIFT和GMM的人脸识别方法

当前人脸识别方法对采集环境要求严格,多是基于不变特征格,普适性不强.提出一种基于分块SIFT和GMM的人脸识别方法,首先在人脸整体和各分块图像上分别提取SIFT特征,并采用PCA方法进行降维处理,得到鲁棒性强和区分能力好的人脸特征;然后借鉴假设检验的思想,用通用的背景模型描述生物特征识别问题,并通过GMM方法和本文提出的成对模型构建人脸的背景模型和个体模型,据此计算待识别样本与注册样本之间的相似度,求取分类指数,采用分层决策框架实现人脸识别.仿真实验表明,本文方法对环境变化的识别鲁棒性强、识别性能好.     

Curvelet变换用于人脸特征提取与识别

针对小波变换用于人脸识别时难以充分描述人脸曲线特征的问题,提出用Curvelet变换进行人脸特征提取与识别的新方法. 将人脸图像进行Curvelet变换,提取进一步压缩的低频系数和高频各子带的Curvelet能量特征为人脸特征向量,并采用支持向量机进行特征分类与识别. 以Orl和Yale人脸库进行测试,结果表明,该方法相比小波变换法识别效果更佳,且对光照、姿态和表情变化具有良好的鲁棒性.     

基于二维有监督测地线判别投影的戴眼镜人脸识别

针对戴眼镜人脸识别问题,提出了二维有监督测地线判别投影(2D Supervised Geodesic Discriminant Projection,2DSGDP)方法.该方法在扩充虚拟样本库的基础上,分析戴眼镜人脸图像和不戴眼镜人脸图像,及戴不同眼镜人脸图像的差异,提取判别特征用于识别.该特征同时考虑类内类间差异,寻...     

基于Snake模型和协作表示分类的鲁棒人脸识别方法

人脸图像的姿态和偏转角度变化严重影响人脸识别的性能,为此提出一种基于Snake模型姿态矫正和协作表示分类(CRC)的鲁棒人脸识别方法.首先,利用Snake模型提取人脸图像边缘和特征点,对偏转人脸图像进行矫正.然后,提取Gabor特征,构建特征向量.最后,采用CRC算法,对图像特征进行协作表示,根据样本图像与测试图像的残差来判断图像类别.实验结果表明,提出的方法对偏转角度、姿态、光照变化具有很强的鲁棒性.     

基于小波变换和小波神经网络的3D遮挡人脸识别方法

提出一种基于小波变换和小波神经网络的3D遮挡人脸识别方法.首先,对待检测人脸的深度图像进行小波变换,计算各层小波变换系数与数据库中平均人脸深度图像的小波变换系数之间的距离,通过阈值分割得到遮挡区域的二值掩膜,进而得到人脸的遮挡区域;然后,对非遮挡区域提取小波变换系数,构建小波神经网络分类器,依据小波网络的人脸空间距离进行3D遮挡人脸识别.仿真实验表明,该文方法对3D人脸的有意遮挡和无意遮挡的鲁棒性强、识别性能好.     

基于余弦变换的人脸识别技术的研究

人脸识别技术能够有效的识别人的身份,如今在现实生活中有着广泛的应用.人脸识别技术可分为两大部分:人脸检测和人脸识别,其中人脸识别包括四个具体的过程:人脸图像预处理、特征提取、分类器和计算相似度,本文重点分析了基于离散余弦变换(Discrete Cosine Transform,DCT)的人脸图像预处理过程,并通过特征提取对比处理效果.     

基于样本扩展和线性子空间特征提取的单样本人脸识别

针对单训练样本情况下的人脸识别问题,提出一种虚拟样本扩展方法. 利用光照模板映射将单一样本扩展为一组虚拟样本,从而增强单训练样本的分类信息. 采用主成分分析（principal component analysis, PCA）对扩展的虚拟样本进行降维,并用Fisher 鉴别变换作二次特征抽取,然后用最近邻分类器识别人脸图像. 所提方法在人脸图像库Yale B 和Extended Yale B 上进行试验,用PCA+LDA 方法把扩展图像作为训练集对测试图像进行特征提取和识别. 相对于以单样本图像为训练集的PCA 特征提取,该方法显著提高了识别率.     

基于灰度共生矩阵的高效积分图像计算(英文)

基于局部特征描述符的主要方法正在被用于纹理分类、目标检测和识别.灰度共生矩阵(GLCM)是一个体现纹理图像的很流行的方法,也被证明是一个非常强大的纹理分析工具.灰度共生矩阵所带来的子图像重叠非常严重,要花大量的时间去计算.本文提出一种高效灰度共生矩阵的计算方法,并通过实验结果来显示其效率.     

文本分类中基于核的非线性判别

针对文本分类问题中的特征降维问题,改进最大散度差鉴别准则,引入核变换作为前处理,使最大散度差鉴别准则可适用于更广泛的文本分类情形. 提出一种基于核的非线性鉴别方法用于文本特征抽取. 借助于核变换解决了散度差准则在用于文本分类时线性可分性较差的问题. 在最低限度减少信息损失的前提下实现了特征维数的大幅度减缩. 文本分类试验结果表明,这种非线性方法与无核的最大散度差方法相比,F1值提高了4.7%, 具有明显的效率上的优势.     

基于LSTM和特征生成的网络流量分类

本文提出了一种将特征生成和长短期记忆（long short term memory,LSTM）模型相结合的网络流量分类方法。该方法采用矩阵乘法特征生成方式,分析对比了不同特征生成方法的分类性能。通过实验比较了原数据和特征数据在分类问题上的准确性,并比较了卷积神经网络（convolutional neural network,CNN）和本文方法用于网络流分类的效果。在统计特征时采用核函数,使其可以适应LSTM输入维度,获得更佳的分类效果。对真实网络流数据的实验结果表明,本文方法在细分类中的准确度可达93.9%,而在粗分类任务中可达99.2%,其性能明显优于现有其他分类方法。     

灰度和纹理特征组合的SAR影像SVM分类

针对利用单一特征进行分类的效果不理想、普适性不强等问题,提出了一种灰度和不同纹理特征组合的支持向量机(support vector machine, SVM) 分类方法,将由不同特征组合的SVM分类器用于SAR影像分类,并对几种不同的分类结果进行定性和定量比较分析. 实验结果表明,灰度和不同纹理特征组合的SVM分类方法能够取得较高的分类精度,其结果要优于传统的单一纹理特征分类,是一种有效的SAR影像分类方法.     

基于图像内容和特征融合的隐写盲检测

随着特征选择和分类技术研究的不断深入,盲检测的精度越来越高,但现有方法大多不考虑图像自身的内容特性对检测的影响. 该文提出一种基于图像内容和特征融合的盲检测方法,根据图像复杂度将待检测图像划分为不同的子图像库,以巴氏距离度量各局部特征的分类能力并确定权值,在特征融合基础上对各子库提取不同特征,用支持向量机进行分类. 在混合图像库上进行的实验表明,该方法具有更好的检测性能,并降低了运算复杂度.     

利用二元结构特征的人脸识别

提出了一种基于二元结构特征提取的人脸识别算法. 该算法将所有类进行两两组合,以两类分类器为基础,为每个两两组合类间的识别挑选最适合分类的特征构成特征选取空间. 对未知样本进行测试时,在特征选取空间中计算测试样本与所有训练类的相似度,将未知样本判断为与之相似度最大的类. 运用AT&T和AR人脸数据库对该算法进行性能测试,与其他算法相比,该算法能在较小的特征维数下获得更高的识别率.     

SIFT特征匹配无人飞艇多光谱影像拼接

无人飞艇抗风能力弱、稳定性差且不符合航摄规范,采用传统方法对其所获取的影像进行拼接往往达不到较高的精度. 为此,该文提出一种基于尺度不变的特征变换进行多光谱遥感影像特征匹配的拼接. 将多光谱信息引入SIFT特征向量集,采用BBF(best-bin-first)算法和随机抽样一致性方法进行粗、精匹配处理和误差剔除,以SIFT特征匹配计算的最优变换矩阵实现光谱影像拼接. 对无人飞艇获取的多光谱影像拼接实验结果表明,所提出的方法能获取大量匹配特征点,且影像间的变换矩阵稳健,光谱影像拼接精度和效果能满足判读解译的需求.     

无线传感器网络的不确定传感数据预测

由于传感误差、传感噪声、传输错误等因素的影响,同一个传感区域内多个传感器节点的传感数据具有一定程度的差异,这种差异导致的区域不确定性传感数据给查询、预测等后续深层次的数据处理提出了严峻挑战.针对这类传感数据的预测问题,提出一种基于多变量主元分析（multiple variable principal component analysis,MVPCA）的不确定性传感数据预测方法. 通过MVPCA的特征提取这一预处理手段获得不确定性传感数据的本质特征,然后采用基于相关分析的多元回归方法对这些数据进行建模和预测. 实际传感数据的实验结果表明,该方法能有效解决不确定性传感数据的预测问题.     

基于深度学习的医疗电子数据特征学习方法

面向高维异构的医疗电子数据,如何才能有效开展特征学习以优化患者联合用药不良预后的风险预测？针对此问题,提出一种基于深度学习的医疗电子数据特征学习方法。首先结合深度学习长短期记忆网络模型和深度稀疏自动编码模型学习具有时序特性的患者联合用药数据的特征表示,并通过二分k-均值聚类方法形成联合用药综合表达因子。然后构建风险预测特征向量和风险相关特征向量,分别用于联合用药的不良预后风险预测和风险相关性分析。最后将该方法与已有的传统方法在真实医疗电子数据集上进行对比实验,结果表明：该方法在患者联合用药的不良预后风险预测中,准确率比传统方法提高了5%～10%,误判率降低了3%～5%,具有较好的风险预测性能。