一种有效的步态识别方法

提出一种有效的步态识别算法。对于每个步态序列，首先通过背景减差检测运动目标的轮廓，计算轮廓质心与轮廓边缘的距离并进行归一化，然后使用PCA方法获取特征空间并进行投影，接着使用时空相关和投影质心归一化进行相似性度量，最后通过最近邻法和K近邻法进行分类识别。通过大量的实验分析，取得了较高的识别率。     

步态与人脸融合的身份识别方法

为了保持步态识别的优势,克服单一生物特征识别的不足,提高远距离的身份识别率,提出了一种步态与侧面人脸在特征层上融合识别方法.首先利用二向图像矩阵主成分分析,对步态能量图和侧面人脸图分别进行特征提取与降维处理,得到初始特征矩阵,并将得到的初始特征矩阵进行矢量化、特征组合,获得组合特征向量.然后利用多重判别分析法对组合特征向量进行特征融合,获得步态与人脸的融合特征向量,最后采用最近邻法进行身份识别.利用CASIA Dataset B步态数据库对上述方法进行了验证.结果表明,该方法提高了身份识别的正确率,验证了该方法的有效性,为多生物特征识别提供了一种新的方法.     

基于稀疏表示的鲁棒掌纹识别

本文提出一种基于稀疏表示的掌纹识别新方法。该方法将测试掌纹图像表示为训练掌纹图像的线性组合,其表示的系数是稀疏的,最大系数所对应的类别即掌纹的类别。对于包含大量噪声和大面积遮挡的掌纹图像,我们把这样的掌纹图像看作是原始掌纹图像和噪声（或者遮挡物）的相加,对于原始掌纹图像和噪声（或者遮挡物）分别用不同的基来稀疏表示,这样可以有效地分离看掌纹和噪声（或者遮挡物）,自然可以达到较好的识别率。     

基于可能性C-均值的鲁棒多视角聚类算法

目前多数多视角聚类算法不考虑噪声问题,为了更有效地分析含有噪声数据的聚簇结构,提出了一种基于可能性C-均值的鲁棒多视角聚类(PCM-RMVC)算法,该算法同时利用多个视角空间中的特征信息,最小化每个视角空间中数据对象与聚簇中心的距离.推导出数据隶属度和每个视角权重的迭代更新规则,设计出聚类过程的迭代算法.实验表明:PCM-RMVC算法对噪声具有较强的鲁棒性,并且聚类效果优于五种有代表性的多视角聚类算法.     

一种基于步态特征的身份识别方法

提出了一种基于步态特征的身份识别方法。首先用背景减除方法检测行人的轮廓;然后将二维的人体轮廓转换为一维的不变矩信号,把人体的步态序列变换为不变矩矢量;最后规格化不变矩矢量,采用最近邻法进行识别。实验结果表明该方法有好的识别性能。     

基于方向补偿匹配算法和脚跟着地特征的鲁棒步态识别简

针对步态识别中传感器方向不一致和动作信号分割问题,提出利用方向补偿匹配算法解决传感器方向不一致问题,利用脚跟着地的观测特征计算似然度.首先,通过IMUZ传感器获得动作的加速度和旋转速度,根据加速度计算出脚跟着地(HST)特征的似然度;然后,利用IMUZ传感器的旋转矩阵进行倾斜校正,利用方向补偿信号匹配算法解决传感器方向不一致问题;最后,通过计算数据库样本与探针样本的距离获得匹配度.实验结果表明,与固定窗口方法、动态窗口方法、运动角联合方法和传感器融合方法相比,本文方法对5种步态类别的识别率更加稳定,对4种步态的识别率明显高于其他方法.     

基于积极性区域的红外步态识别方法研究

红外步态图像具有可见度和对比度低的特点,易造成预处理后人体目标分割残缺不全,从而影响步态识别的性能。针对此问题,提出一种基于积极性区域的红外步态识别方法。首先通过将平均步态图像(AGI)划分成头、手臂、躯干、大腿、前腿、后腿和脚等7个区域,然后使用基于Gabor的区域协方差矩阵方法提取每个区域的特征,识别时使用其中6个处理效果相对完好的区域信息,从而剔除了残缺区域对识别结果的影响。该方法在CASIA的红外夜间步态库上进行了测试,取得了较好的识别效果。最后进一步分析了人体各个区域对识别的影响和作用,并提出了积极性区域的概念,用于红外步态识别。实验结果和分析结果表明,本文方法鲁棒性好且有效。     

基于多通道步态集合的跨视角步态识别

为了提高步态识别的识别效率,提出了一种基于多通道步态集合的步态识别算法.算法中将一个周期的步态轮廓图进行归一化处理后,通过步幅的大小将周期内的轮廓图划分为7个通道,每个通道内的轮廓图按照平均步态来处理,得到7通道的步态模板.结合卷积神经网络的优异性能,将该多通道步态模板(period energy im-age,PEI)当成图像集作为网络的输入,让网络自身去提取步态模板之间的时序关系.在此基础上,使用增强约束的Triplet Loss函数来学习到最优的特征和距离度量,使最终的训练更加有效.通过在标准数据集CASIA-B上的实验结果表明,与之前多数算法相比,所提出的算法在跨视角的情况下能取得很好的识别效果.     

基于三维动态步态的身份识别方法仿真

根据步态识别人身份的研究中,由于二维步态特征无法完全表示人体特有的动态步伐特征,导致识别受限。提出基于三维动态步态的身份识别方法,以连续步态图像帧为单位,通过立体视觉技术从二维图对不同采样时刻的运动人体三维步态轮廓信息进行提取,提取人体步态三维轮廓后,对其进行无关区域分割,获取和人体行走相关的步态特征。通过构建步态特征变换的几何模型,给出动态三维步态特征的转换过程,依据欧氏距离度量,根据结果实现身份识别。仿真实验结果表明,所提方法具有很高的识别精度和识别效率,性能较静态方法有较大的改善。     

一种鲁棒的子空间聚类算法

针对聚类分析常面临的维数灾难和噪声污染问题,将样本加权思想与子空间聚类算法相结合,提出了一种鲁棒的子空间聚类算法.该算法结合现有子空间聚类方法,为每个类簇计算一个反映各维度聚类贡献程度的权矢量,并利用该权矢量对各维度加权组合,得到各类簇所处的子空间.此外,算法还为每个样本分配一个反映离群程度的尺度参数,以区分正常样本和离群点在聚类过程中的地位,保证算法的鲁棒性.在二维数据集、高维数据集以及基因数据集上的对比实验结果表明,对于具有不同噪声比例的各种维度数据集,该算法均能取得较高的聚类精度,表现出较好的鲁棒性.     

基于鲁棒回归度量学习的图像分类算法

度量学习是机器学习中的重要研究问题之一,针对实际应用中的噪声数据,如何建立一个鲁棒的度量仍是一个挑战.本文将稀疏表示、特征学习与分类模型相结合提出了一种新的基于鲁棒回归度量学习(RRML)的算法并将其应用于图像分类.算法对最优特征子空间和稀疏表示进行联合学习,在更具判别性的低维表征空间中,通过稀疏表示有效地编码数据的局部结构信息,进而更好地揭示数据的内在鉴别信息,并以此指导该模型学习到最优的投影矩阵;同时对噪声矩阵和投影矩阵的行稀疏约束,可以极大降低噪声的影响.实验结果表明所提算法在图像分类准确率和鲁棒性方面均优于其他对比算法.     

改进的子空间匹配追踪导波信号识别方法

针对子空间匹配追踪计算复杂的缺点,提出一种改进的子空间匹配追踪（MSMP）方法.采用线调频小波函数作为匹配原子,选用微分进化算法（DEA）实现改进的子空间匹配追踪方法.利用29kHz t（0,1）导波对含缺陷的铝管进行检测实验,采用MSMP对检测信号进行匹配分解与重构.将匹配结果与基于微分进化算法的匹配追踪（MP）及基于t算子的进化规划算法（tEP）的正交匹配追踪（OMP）所得结果进行比较,并比较了基于DEA的MSMP和MP,基于tEP的OMP匹配所得参数.结果发现：重构所得信号质量明显提高,基于DEA的MSMP和MP方法匹配所得参数均能比较准确地反映缺陷位置以及激励信号的中心频率,基于DEA的MSMP匹配所得的参数更加准确且耗时更短,改进的方法可有效识别管道导波无损检测信号并定位缺陷.     

时域中系统鲁棒稳定性的定量计算

本文定量地考虑了当系统参数受到干扰时的稳定性问题。目的为对以状态空间法表示的线性系统鲁棒稳定性的定量计算提出一个统一的结论。文中首先对摄动的分类及对用李亚普诺夫理论求解受扰系统鲁棒稳定性的历史结果进行了述评,进而对其摄动的允许界限的计算提出了新方法。实例表明所示结果较少保守性。     

基于傅立叶描述符优化形变轮廓插值的步态识别研究

针对现有步态识别算法在步态周期变化时不能很好地保留瞬时信息的问题,提出了一种基于傅里叶描述符优化形变轮廓插值方法。首先,对人类轮廓的周期性形变进行建模;然后,将基于傅里叶系数乘积的新度量作为闭合曲线之间的距离度量,并利用帧插值方法近似识别半周期的起始帧和结束帧;最后,利用步态距离完成最终的步态分类。在OU-ISIR和CASIA步态数据库上的识别精度可分别高达99%、87.34%,分析结果表明,提出的算法在步态周期变化时依然能保留瞬时信息,对行走速度上的轻微变化具有更好的鲁棒性,并且大大降低了整体计算复杂度。     

步态信号采集与分类平台的设计与实现

低成本、易实施、无接触式的步态信号采集与分类平台可为步态的定量评估、智能诊断提供新的研究路径与参考思路。应用改进经验模态分解(empirical mode decomposition, EMD)结合Bagging正则化共空间模式(Bagging regularized common spatial pattern, BRCSP)与Fisher线性判别分析法(Fisher linear discriminant analysis, FLDA)设计了步态信号采集与分类平台。该平台将采集到的步态信号通过改进EMD进行滤波,抑制高频干扰噪声,提取真实、有用的本征模态分量(intrinsic mode function, IMF)进行信号重构,从而得到包含完整、准确步态信息的信号;再通过BRCSP特征提取方法强化步态信号的个体差异性及共同特征,提取出显著的特征分量;最后应用FLDA方法将特征向量映射到低维度空间中并进行步态分类。实验结果表明,该平台能准确分类进入红外、激光检测区域内的不同步态,平均分类准确率达到96.6%。     

基于局部特征和稀疏表示的鲁棒人耳识别方法

作为图像局部特征区域的有效描述方法,局部二值模式是目前对二维图像最有效的纹理分析特征之一。本文提出了基于局部二值模式特征的稀疏表示人耳识别方法。该识别算法首先提取训练人耳图像的局部二值模式特征描述子作为稀疏表示的字典,然后将测试样本的局部二值模式特征描述子表示为字典中所有局部二值模式原子的稀疏线性组合,最后通过求解稀疏表示模型得到稀疏编码系数,根据测试人耳图像的重建误差进行识别。在UND-J2人耳库和USTB人耳库上的实验结果表明,基于局部二值模式特征的稀疏表示人耳识别方法对人耳图像光照变化、姿态变化以及人耳遮挡具有更好的鲁棒性,实现了更高的识别率。     

基于改进APG的鲁棒光谱回归在人脸识别中的应用

针对人脸识别中传统的光谱回归方法对于由类标签错误和面部遮挡产生的误差很敏感的问题,提出了基于加速近似梯度的鲁棒光谱回归方法。首先将鲁棒判别子空间的学习问题转化成最大相关熵问题,得出光谱目标和预测之间的最大相关解;然后对相关熵采用总变分正则化,进而学习空间平滑的人脸结构;最后基于半二次化优化的附加形式,将最大相关熵问题投影到混合正则化模型,并通过加速近似梯度算法进行有效优化。在FRGC人脸数据库上的实验结果表明,所提方法对于类标签错误和面部遮挡具有鲁棒性和有效性,与其它几种常用的线性回归、光谱回归方法相比,不仅提高了识别率,而且大大地降低了计算开销。     

子空间域相关特征变换与融合的语音识别方法

为了提高语音识别准确率,提出了一种子空间域相关特征变换与融合的语音识别方法(MFCC-BN-TC方法)。该方法提取语音短时谱结构特征(BN)和包络特征(MFCC)分别描述语音短时谱结构和包络信息,并采用域相关特征变换的形式分别对BN和MFCC特征进行特征变换;然后对这种变换进行泛化扩展提出子空间域相关特征变换,以采用不同的时间颗粒度(帧和语音分段)进行多层次区分性特征表达;最后,对多种区分性特征变换后的特征进行联合表征训练声学模型,并给出了区分性特征变换与融合的一般框架。实验结果表明:MFCC-BN-TC方法比采用原始BN特征方法和采用MFCC特征基线系统方法,识别性能各自提高了0.98%和1.62%;融合MFCCBN-TC方法变换以后的语音信号特征,相比于融合原始特征,识别率提升了1.5%。     

基于PSD特征的FBCCA脑电信号识别方法

:当前基于稳态视觉诱发电位 (Steady-State Visual Evoked Potential,SSVEP）的脑机接口使用的都是单一识别算法,针对不同时间长度的识别准确率较低。本文提出了一种基于滤波器组的典型相关分析（Filter Bank Canonical Correlation Analysis,FBCCA）与功率谱密度（Power Spectral Density,PSD）分析相结合的SSVEP识别算法,可以提高SSVEP识别的普适性与准确率。该方法使用FBCCA寻找高相似度的参考频率信号,再通过多组PSD分析来锁定最终的响应频率,完成频率识别。该方法无需经过训练就能得到较高的识别准确率。实验结果表明,在刺激时长为1s时,该方法能达到86.61%的准确率,比PSD分析的方法提升了5.44%,比典型相关性分析方法(Canonical Correlation Analysis,CCA)提升了10.38%的准确率,比FBCCA提升了8.86%的准确率。     

一种改进的增强组合特征判别性的典型相关分析

典型相关分析(CCA)是一种经典的多视角特征提取方法,可以从2个视角中查找特征集之间的线性相关关系.但CCA在做分类任务时具有多个缺点,一是CCA本身为无监督学习方法,做分类时没有利用样本的类信息,二是CCA仅考虑需要分类的目标数据,而忽略了与目标数据来自同一域的Universum数据的信息.因此人们提出增强组合特征判...