基于WPD和(2D)~2PCA的步态识别方法

为了提高步态识别率,在步态能量图(gait energy image,GEI)基础上,提出了基于小波包分解(waveletpacket decomposition,WPD)和完全主成分分析(two-directional two-dimensional principal component analysis,(2D)2PCA)的步态识别方法.该方法采用基于人体轮廓的GEI来解决步态数据量过大的问题,并采用WPD和(2D)2PCA进行步态特征提取,解决了已有基于小波变换的步态识别方法中高频分量丢失或维数过高问题.在NLPR步态数据库上对该方法进行了评测,并与经典方法进行了比较.实验结果表明:该方法具有更高的识别率和视角变化的鲁棒性.     

基于二维广义主成分分析的人脸识别

针对人脸识别中的特征提取问题，提出了一种基于二维广义主成分分析（2DIMPCA）的人脸识别方法.有别于传统的人脸识别算法需要将二维人脸图像矩阵压缩成一维向量，该方法直接采用二维图像矩阵来构建方差矩阵，通过在水平和垂直2个方向上顺序执行2次广义主成分分析（IMPCA）运算，消除了人脸图像行和列的相关性，大大压缩了特征的维数.选用二维最小近邻分类法进行分类，计算识别率.在AT&T人脸库以及Yale人脸库上的测试结果表明，与主成分分析（PCA）和IMPCA相比，该方法具有更高的识别率和更快的识别速度.     

一种新的基于感知轮廓描绘子的自动步态识别方法

通过步态远距离识别人的身份是生物特征识别领域的1个研究热点。文中提出了一种新的基于感知轮廓描绘子的自动步态识别方法。通过检测步态序列中的行人，利用内边界跟踪算法提取出人的二值轮廓，并将其表示成为一维感知轮廓描绘子；使用主成分分析法将步态特征映射到低维特征空间中进行训练和分类，从而实现身份识别。实验结果验证了该方法的有效性。     

基于CHMM的行为识别系统设计

阐述了行为识别的基本过程。将前景序列进行归一化后,采用二维主成分分析方法（2DPCA）降维进行特征提取,利用连续隐马尔科夫模型（CHMM）建模,对行为有效分类和识别。实验结果表明,该设计方案的识别率可以达到95%。     

基于改进BEMD的Gabor-2DPCA掌纹识别

为了提高掌纹识别的准确率,提出一种基于二维经验模式分解(bidemensional empirical mode decomposition,BEMD)的掌纹重构改进算法。该算法首先对预处理掌纹图像采用改进二维经验模式分解算法分解,提取前4个本征固有模态分量重构掌纹;其次,将重构掌纹通过二维Gabor滤波器分解成20个特征子图,利用二维主成分分析(two-dimensional principal component analysis,2DPCA)算法数据降维,提取掌纹特征;最后,计算样本的欧氏距离,实现掌纹识别。采取香港理工大学的PolyU掌纹数据库中的600张掌纹图像实验,结果表明,该算法重构掌纹含有更多纹理特征,在训练样本不同的情况下识别率均有提升,最高可达99.33%。提出的改进算法可以应用于掌纹识别。     

主成分分析在回声定位声波识别中的应用

利用主成分分析理论对回声定位声波特征空间进行优化,通过小波包理论对回声定位声波进行预处理,提取能量参数,采用主成分分析法优化特征空间,减少冗余参数.以优化后的特征空间作为识别向量,通过神经网络对回声定位声波进行识别.结果表明,利用主成分分析优化特征空间,能在较高的识别率下有效降低特征空间维数.     

基于最优轴投影特征的步态识别

提出了一种最优轴投影(OAP)特征来描述步态信息。首先用背景减除法得到序列图像中的轮廓,然后随机选一部分轮廓样本基于主成分分析(PCA)方法训练出最优轴,并基于最优轴提取每个轮廓点的OAP特征。在UCSD和SOTON数据库的实验结果显示,OAP特征包含了丰富的步态信息;和同类型方法相比,本文方法有较高的识别率,计算复杂度减小,识别速度提高。     

一种用于人脸识别的非迭代GLRAM算法

利用二维主成分分析算法通过协方差矩阵获得右投影变换矩阵,进一步对其投影特征矩阵降维获得左投影变换矩阵,提出了一种矩阵广义低秩逼近的新的非迭代算法．ORL和AR人脸数据库的实验研究表明,新的非迭代算法在图像重建和图像识别都取得了和矩阵广义低秩逼近的迭代算法相近的效果,同时节省了大量的训练时间,而较二维主成分分析,新算法以较大的压缩率取得了更好的图像重建效果和识别率．     

基于二维特征矩阵的特征融合算法

为了提高无线传感器网络信息融合的效率, 提出一种多传感器二维特征融合(2DFF)策略. 将多个传感器标准化后的特征集组合成二维特征矩阵, 引入图像压缩技术, 包括二维主成分分析(2DPCA)及MatPCA对特征矩阵进行特征提取, 实现特征融合. 从理论上剖析该方法之所以能够有效地适用于特征融合, 且区别于传统方法的内在本质. 相比传统的特征融合方法, 该方法能够获得更加精确的融合特征, 提高信息融合的效率. 基于实地采集的地面目标信号的实验结果表明,该方法既提高目标识别率, 又降低了计算复杂度.     

基于Radon变换的特征提取在步态识别中的应用

步态识别主要通过人体走路的姿势来识别人的身份．从经过背景减除后的人体运动图像序列中，根据面积变化确定运动周期，提取人体宽度信息，对下肢进行Radon变换，经处理后提取运动角度信息．对所得到的信息主分量分析变换后进行动态时间规整，采用最近邻分类器分类．该方法可以有效地降低人体运动时身体自遮挡及影子带来的影响．在小数据库上取得了很高的识别率．实验结果表明该方法有效．     

动态主元分析方法的研究及应用

主元分析(PCA)已广泛应用于监视多变量过程，但PCA不能有效地监视动态多变量过程．动态主元分析(DPCA)是一种将静态PCA推广应用到监视动态多变量过程的方法．本文通过实例验证了DPCA监视动态多变量过程的有效性．     

一种新的SAR图像目标识别预处理方法

针对合成孔径雷达(SAR)目标识别问题,提出了一种有效的SAR图像预处理方法．首先通过自适应阈值分割、形态学滤波及几何聚类处理获得干净平滑的目标图像,再采用幂变换来增强图像质量,然后提取图像的主分量分析(PCA)、二维主分量分析(2DPCA)特征来进行识别．基于美国运动和静止目标获取与识别(MSTAR)计划录取的数据的实验结果表明,结合上述预处理,PCA,2DPCA的识别性能均可达到96.5%以上．     

一种基于运动分析的步态识别方法

步态识别是新近发展的一种用在身份识别、视频监控等场合的生物特征识别技术.文中提出了一种基于运动分析的步态识别方法,采用线性判别分析和离散余弦变换分析从图像序列中提取的步态特征.采用背景减除技术提取了侧影,利用侧影的宽高变化进行了步态周期分析及行走方向判断;采用一种通过分析侧影宽度变化获取角度信息的肢体角度提取方法获取了步态序列特征;用类间散布矩阵和类内散布矩阵对应的行列式的比值确定特征个数,并采用线性判别分析和离散余弦变换分析了步态特征.在几个常用数据库上进行了实验结果表明,该方法行之有效.     

一种改进的2DPCA方法在人脸识别中的应用

为了提高二维主成份分析(2DPCA)方法在人脸识别中的识别率,提出了一种改进的2DPCA和分块图像相结合的人脸识别方法。该方法根据类内图像与该类平均图像的距离,引入加权函数,重新定义2DPCA的总体散布矩阵,并应用到分块图像中,对训练样本子图像采用改进的2DPCA方法进行特征提取,实现模式分类。在ORL标准人脸库上的实验结果表明,它可以有效地提高识别率。     

基于多向核主元分析的青霉素生产过程在线监测

基于传统主元分析（PCA）方法的过程监测算法假定过程是线性的，对于具有强非线性的生产过程，应用其进行在线监测出现误报率过高的现象.为此提出了一种多向核主元分析（MKPCA）算法用于间歇过程的建模与在线监测.利用PenSim2.0软件将青霉素间歇生产过程的三向数据按批次方向展开为二向数据并进行标准化，采用MKPCA算法建立过程模型并用于过程的在线监测，计算T2、SPE统计量及相应的控制限.仿真结果表明，与传统PCA算法相比，MKPCA算法具有更好的监测性能，不仅大大降低了正常运行过程的误报率，而且能够较早地检测出过程中存在的底物流加速率与搅拌功率故障.MKPCA可以有效处理间歇过程批次间存在的非线性属性，获取过程变量间的非线性关系.