基于两级2DPCA的SAR目标特征提取与识别

对二维图像用主分量分析(PCA)来提取特征具有准确估计协方差矩阵比较困难、计算复杂度大的缺点。二维PCA(2DPCA)克服了PCA的局限性,但2DPCA仅去除了图像中各行像素间的相关性,因此它用于特征提取时得到的特征维数较大。该文采用两级2DPCA的图像特征提取方法,可进一步压缩特征维数,减少识别运算量。用运动和静止目标获取与识别(MSTAR)计划录取的合成孔径雷达(SAR)地面静止目标数据的实验结果表明,结合该文的预处理方法,两级2DPCA在大大降低了特征维数的同时,提高了识别率,且对目标方位角变化具有较强的鲁棒性。     

增量式块主成分分析的焊缝图像特征提取算法北大核心CSCD

针对焊缝图像特征提取的实时性问题,该文提出一种增量式块主成分分析(incremental block principal component analysis,IBlockPCA)算法,用于焊缝特征主成分的提取。该算法先将焊缝表面图像分割成子图像块并对其进行重构,然后利用提出的IBlockPCA算法对局部块图像进行增量式特征提取,并采用KNN算法对提取的特征主成分进行分类识别;最后在焊缝数据集上进行了算法的性能对比。实验结果表明,该算法在收敛率、分类率及复杂度等方面均优于其他主成分分析(principal component analysis,PCA)算法,其分类识别率为97.5%,其平均处理速度可达50 frame/s,能够满足焊缝表面图像的实时性处理需求。     

一种基于2DPCA的人耳识别方法

针对人耳识别问题,提出一种二维主分量分析(2DPCA)的人耳识别方法,该方法不需要预先将图像转换为一维向量,而是基于图像矩阵,直接计算图像协方差矩阵的特征向量作为人耳特征提取,大大加快特征提取的速度,从根本上克服了传统PCA在进行图像特征提取时耗时过多的缺点。并通过BP神经网络进行分类识别。实验结果表明,应用2DPCA方法提取人耳图像特征,可以大大提高识别效果。     

基于增量式双向主成分分析的机器人感知学习方法研究

针对直观协方差无关增量式主成分分析算法(CCIPCA)需要满足零均值高斯分布的问题,该文提出含均值差向量更新的泛化CCIPCA算法(GCCIPCA),拓展了算法的适用范围。其次,针对机器人感知学习存在的在线增量计算及有效数据降维等问题,将GCCIPCA的增量思想引入到现有的双向主成分分析算法(BDPCA),提出基于增量式BDPCA(IBDPCA)的机器人感知学习方法。该方法直接针对图像矩阵行列方向的类散度矩阵进行迭代估计,具有一定的泛化能力和快速的增量学习能力,提高了实时处理速度。最后,以机器人待抓取物块作为感知对象进行实验,结果表明所提算法能够满足机器人感知学习的实时处理需求,相比现有的增量式主成分分析算法,在收敛率、分类识别率、计算时间及所需内存等性能方面均得到显著提升。     

一种新的二维特征抽取算法及应用

二维主成分分析方法是直接利用二维图像来构建方差矩阵的。为了充分利用样本类别信息,文章以类间散布矩阵特征向量作为投影方向进行特征抽取。首先用2DPCA先作一次横向压缩,对抽取出的特征矩阵再用2DPCA作一次纵向压缩。与传统二维主成分算法比较,极大压缩了特征的维数,加快了分类速度,提高了识别率。用ORL人脸数据库进行了实验验证,证明了本方法的可行性。     

基于代数特征的多光谱图像特征提取方法

多光谱图像特征提取的好坏直接关系着目标识别算法的复杂程度,也影响着最终目标识别的性能。研究了一维主成分分析（1DPCA）、二维主成分分析（2DPCA）、一维奇异值分解(1DSVD)和二维奇异值分解(2DSVD)等代数特征提取方法,并用这些方法构成图像识别框架的特征提取部分,通过识别率的大小来验证是否适合于多光谱图像特征提取。实验结果表明：①与可见光图像目标识别相比,PCA和SVD特征更适合于红外图像目标识别;②训练样本分类时,PCA和SVD特征的识别性能改善不明显;③训练样本少时,SVD重构图像、2DSVD和1DPCA特征的识别性能较好。     

2DPCA-ICA算法在人脸识别中的应用

传统独立元分析(Independent Component Analysis,ICA)用于人脸识别首先是将人脸图像矩阵转换成向量求白化矩阵,然后利用快速固定点算法求分离矩阵,获得人脸图像独立基子空间,从而实现人脸识别.二维主元分析(Two-dimensional Principle Component Analysis,2DPCA)无须将人脸图像矩阵转换成向量,直接利用二维人脸图像矩阵求协方差矩阵,其特征值与特征向量的计算得到简化.本文结合2DPCA与ICA算法的特点,提出2DPCA-ICA人脸识别算法.该方法通过2DPCA算法计算白化矩阵;接着利用ICA算法获得人脸图像的独立元;然后构造独立基子空间;最后依据测试样本在独立基子空间上的投影特征实现人脸识别.基于ORL与Yale人脸数据库的实验结果表明,2DPCA-ICA算法正确识别率与识别效率均高于PCA-ICA算法与2DPCA算法,是一种有效的人脸识别方法.     

基于F范数的二维主成分分析算法及焊缝表面缺陷识别研究

针对传统二维主成分分析(two-dimensional principal component analysis, 2DPCA)算法应用于焊缝表面缺陷识别中存在重构性能及鲁棒性较弱等问题,本文将最大化投影距离和最小化重构误差引入到目标函数中,提出了一种基于F范数的非贪婪二维主成分分析算法(non-greedy 2DPCA with F-norm, NG-2DPCA-F),该算法具有良好的鲁棒性和较低的重构误差。为了进一步提取图像的结构信息和求解出维数更小的特征矩阵,进而提出一种基于F范数的非贪婪双向二维主成分分析算法(non-greedy bilateral 2DPCA with F-norm, NG-B2DPCA-F)。最后,以含有不同噪声块的焊缝表面图像数据集进行实验,结果表明,本文所提算法在平均重构误差、重构图像与分类识别实验中均表现出良好的鲁棒性能。     

一种基于加权变形的2DPCA的人脸特征提取方法

该文首先分析了主成分分析法(PCA)和2维主成分分析法(2DPCA)的关系,针对2DPCA丢失具有鉴别能力的协方差信息以及PCA方法不能解决小样本的问题,提出了基于一种加权变形的2DPCA的人脸特征提取方法(WV2DPCA),该方法利用变形的2DPCA方法分别对人脸3个子部分分别提取特征,然后根据最近邻理论和权值进行分类。经过在ORL人脸库和YALE人脸库的实验研究表明:与2DPCA相比,提高了人脸空间的识别率,压缩了人脸空间的系数,减少了识别时间;在识别的准确率方面,更优于传统的Fisherfaces,IC,Kernel Eigenfaces的算法。     

基于加权高阶奇异值分解的支持张量机图像分类

为了有效提高图像分类的准确率,充分利用图像本身的结构信息并压缩图像数据,首先构造三阶图像特征张量,利用非负矩阵分解(NMF)在张量子空间降维,提出了一种基于二维主成分分析(2DPCA)来得到NMF初始点的方法,保证了图像信息的有效利用.然后,为了保持降维后的张量子空间所在的流形空间的本征结构,根据图像类标构造权值矩阵,并把图像集合构造成四阶张量实现图像的分类.通过对两个图像数据库的实验,表明该方法能有效提升图像分类的准确率.     

一种缩减图像维数的方法及其在人脸图像上的应用

2DPCA是一种快速且有效的图像特征抽取方法。不同于传统的主分量分析(PCA)方法,该方法以全新的思路应用主分量分析技术,它直接计算图像矩阵到矢量的投影,并将其看作图像特征。实际上,2DPCA是此种思路下的最优压缩技术。对2DPCA而言,存在两种抽取图像矩阵特征的技术路线,这两种路线将图像变换到不同的空间,且分别突出人脸图像横向和纵向的特质。由于这两种技术路线抽取的特征具有互补性,该文分别设计两种方案对这两类特征加以融合。基于特征融合的识别实验取得了较优的识别正确率。     

基于小波字典稀疏表示的SAR图像目标识别

针对稀疏表示识别算法在图像域构造冗余字典时过分依赖预处理及原子维数较大的问题,提出基于小波字典的 SAR图像稀疏表示识别算法。首先采用二维离散小波变换将原始图像变换到小波域,建立小波域 SAR图像特征模型,得出小波域低频成分可充分表征目标类别信息的结论。然后取小波域低频成分进行2DPCA特征抽取构造小波字典,最后由改进 OMP 算法稀疏分解系数得到识别结果。SAR MSTAR数据的实验结果表明,在无预处理的情况下识别率高达99％,并且在含噪比10％的情况下识别率仍达96％。     

弹道目标宽带极化特征提取分析

针对弹道目标的极化高分辨一维距离像,研究宽带极化特征提取算法,分析所提取特征表征的目标散射特性及其在目标分类识别中的应用。通过弹道目标全极化高分辨一维距离像,构建极化散射矩阵,估计弹道目标的极化相干矩阵,再对其进行Cloude分解,提取H/α/A/P特征,依此对目标各散射中心的散射机理进行判定,同时分析各特征对于弹道目标可分性的强弱,利用SVM算法进行分类识别,同时考虑了信噪比对识别结果的影响,用仿真实验验证了算法的有效性。     

基于B2DPCA和极端学习机的人脸识别

介绍一种新的基于双向二维主成分分析(B2DPCA)和极端学习机(ELM)的人脸识别方法,该方法是根据人脸曲波图像分解和一种改进的降维技术,通过B2DPCA生成识别特征集来提高分类精度.该方法还能够有效地提高分类正确率和降低对原型数量的依赖.通过做大量的实验,把结果和现存技术相比较.     

大鱼际掌纹图像特征提取方法研究

为了更客观更准确的判断出患者的大鱼际掌纹的级数,可以采用图像处理技术对大鱼际掌纹进行预处理、特征提取和分类,以实现大鱼际掌纹的量化与客观识别.文中提出一种基于改进的二维主成分分析技术（2DPCA）再结合Gabor滤波的特征提取方法.以定位分割并经增强处理的大鱼际掌纹图像为基础,获得图像的特征矩阵,作为下一步量化分级的特征输入量.仿真实验结果表明该方法是适用有效的.     

Feature Extractions for Small Sample Size Classification Problem

Much research has shown that the definitions of within-class and between-class scatter matrices and regularization technique are the key components to design a feature extraction for small sample size problems. In this paper, we illustrate the importance of another key component, eigenvalue decomposition method, and a new regularization technique was proposed. In the hyperspectral image experiment, the effects of these three components of feature extraction are explored on ill-posed and poorly posed conditions. The experimental results show that different regularization methods need to cooperate with different eigenvalue decomposition methods to reach the best performance, the proposed regularization method, regularized feature extraction (RFE) outperform others, and the best feature extraction for a small sample size classification problem is RFE with nonparametric weighted scatter matrices     

基于HHT的声频传感器车辆分类识别

针对传统语音信号识别过程中出现的识别率较低或者是计算时间复杂度高的问题,提出了基于希尔伯特黄变换(HHT)的快速声频传感器车辆识别方法.该方法将HHT算法和语音信号特征提取中常用的梅尔倒谱系数(MFCC)相结合,形成一种新的特征提取方法.实验中,将这种方法分别与K-近邻算法(K-NN)、支持向量机算法(SVM)和稀疏表示分类算法(SRC)配合进行语音信号识别,结果表明,该特征提取方法与K-NN分类算法配合,在识别率和算法运行效率方面具有明显的优势.