基于核主元分析法和支持向量机的人耳识别

对人耳识别中若干关键问题进行了研究. 介绍了两种人耳图像归一化处理的方法,即基于外耳轮廓长轴的线标记法和基于外耳轮廓起始点的点标记法,并对这两种方法进行了对比. 在分析现有人耳识别方法不足的基础上,提出利用核主元分析法提取人耳图像的代数特征,再利用支持向量机分类模型进行人耳识别. 在带有角度、光照变化的北京科技大学人耳图像库上得到的识别率为98.7%,表明了该识别方法的有效性以及利用人耳图像进行身份识别的可行性.     

两种特征提取技术在入侵检测中的应用

在介绍主成分分析方法和核主成分分析方法原理基础上,分别采用这两种方法对KDDCUP99中的入侵检测数据进行特征提取,然后把特征提取后的数据送入神经网络进行训练。仿真实验结果表明,两种方法中核主成分分析方法具有更优秀的特征提取性能。     

Comparison between PCA and KPCA methods in comprehensive evaluation of robotic kinematic dexterity

Due to the correlation and diversity of robotic kinematic dexterity indexes, the principal component analysis （PCA） and kernel principal component analysis （KPCA） based on linear dimension reduction and nonlinear dimension reduction principle could be respectively introduced into comprehensive kinematic dexterity performance evaluation of space 3R robot of different tasks. By comparing different dimension reduction effects, the KPCA method could deal more effectively with the nonlinear relationship among different single kinematic dexterity indexes, and its calculation result is more reasonable for containing more comprehensive information. KPCA＇ s calculation provides scientific basis for optimum order of robotic tasks, and furthermore a new optimization method for robotic task selection is proposed based on various performance indexes.     

基于Cholesky分解的K2DPCA人脸识别研究

K2DPCA(kernel 2D principal component analysis)是基于非线性特征提取的重要人脸识别方法,具有成功的应用.但对大规模训练数据库,其因核矩阵K规模过大、计算代价高而不能有效实现.采用选主元Cholesky,分解方法,仅需计算核矩阵的对角线上元素和部分精选列,得到迹范数意义下核矩阵K的最优Nystr(o|¨)m型低秩近似LL~T来解决该问题.并只需计算小规模矩阵L~TL的特征值和特征向量,实现大规模K2DPCA/KPCA(kernel principal component anialysis)的非线性特征提取.在加噪ORL人脸数据库上的实验结果表明,较K2DPCA/KPCA方法,新方法显著提高了识别率,并可以很大程度上克服噪声的影响;在Extended YaleB大型人脸数据库上的实验结果表明,此算法解决了K2DPCA核矩阵过大而不能有效实现的缺点.     

特征空间中的边缘检测及样本选择

将子空间分类法拓展到特征空间后，与核主成分分析结合提出了一种边缘检测的方法及其训练样本选择策略。是基于特征空间中的核方法，对图像特征表达建立了统一的模型，可处理非高斯分布的数据。可与经典的边缘检测算子或其他方法相结合，增强边缘检测的效果和稳定性。只需训练一次，便可将边缘特征从一幅与训练图完全不同的测试图中提取出来。实验结果表明，对噪声有很好的鲁棒性，能很好地适应小样本训练，其边缘检测的效果明显比经典算子，主成分分析，非线性主成分分析的效果好。     

终端区飞行轨迹聚类分析及异常轨迹识别

为有效掌握空中交通流的分布规律,提高飞行轨迹聚类效率与质量,提出了一种精确度高、运算快、自主识别异常轨迹的飞行轨迹聚类方法.首先,改进均匀参数化法降低了飞行轨迹数据规模.其次,提出一种基于核主成分分析(kernel prin-cipal component analysis,KPCA)和飞行轨迹降维方法,突出不同类点之...     

肋骨皮质纹理特征提取分类算法设计

肋骨的皮质纹理特征是判断骨折的重要依据.提出了肋骨皮质纹理特征提取与分类算法,利用Canny算子图像进行预处理,利用Gabor小波实现纹理特征提取,利用KPCA完成降维和分类.实验结果表明,该算法得到的肋骨纹理特征提取与分类,提高了肋骨骨折的诊断率.     

基于核主元分析和局部保持投影的手背静脉识别

为了保持手背静脉空间的局部结构,运用局部保持投影(LPP)方法进行手背静脉识别.但是对于小样本图像识别,LPP中的特征方程矩阵通常存在奇异性.为了解决这个问题,提出首先利用核主元分析(KPCA)降低手背静脉空间的维数,再对低维图像应用LPP提取局部特征.对已有手背静脉图像库进行测试,实验结果表明,与传统的PCA和PCA+LPP相比,该方法大大提高了系统的识别率,而且特征提取时间为2.6 s,满足实时系统的要求.     

改进的基于数据重构的KPCA故障识别方法

核主元分析(KPCA)方法相对于主元分析(PCA)方法在非线性过程监测方面具有一定的优势,但是KPCA很难找到由特征空间到原始空间的逆映射函数,这给基于KPCA的故障诊断带来了很大的障碍.为此,在KPCA故障数据重构方法的基础上,对故障识别指标进行改进.改进后的方法既能够识别单变量引起的故障,又能识别多变量引起的故障,而且减少了指标计算过程中的运算量,避免了传统故障识别方法只能实现单变量故障追溯的缺陷.将提出的故障识别方法在田纳西过程中进行了仿真研究,结果表明所提方法的有效性.     

一种基于不变特征的图像匹配算法

提出了一种基于图像不变特征的目标匹配算法.算法首先采用了一种改进的SIFT图像特征点提取技术提取目标的SIFT特征向量;建立改进的Kd-Tree特征结构,使用BBF搜索策略完成特征的匹配,接着建立目标的姿态变换空间对匹配点进行HOUGH聚类,去除错误的匹配点,最后对匹配点按照最小二乘法拟合出目标的姿态参数,从而完成目标的定位.实验结果表明,在目标发生平移、旋转和缩放以及场景部分遮挡、视角变化等因素引起的图像变形时,算法均能够稳定地匹配出目标.