基于协方差流形的异常驾驶行为识别方法

研究一种高效的异常驾驶行为正确识别分类的识别方法,对预防由于异常驾驶行为导致的交通事故具有重要意义。提出了一种新的基于协方差流形的异常驾驶行为识别方法。首先提取图像的纹理、颜色和梯度方向特征,以克服基于单一特征识别驾驶行为的不足;并利用协方差流形进行多特征融合,以消除特征冗余以及不同特征数值悬殊对图像识别的影响;最后使用多类LogitBoost分类器进行分类识别。针对相同检测目标的正确识别率可达98%以上,对不同检测目标的正确识别率可达70%以上。实验结果表明该方法有效提高了驾驶行为识别的效果。     

基于小波域NMF特征提取的SAR图像目标识别方法

该文提出了一种基于小波域非负矩阵分解特征提取的合成孔径雷达图像目标识别方法。该方法对图像二维离散小波分解后提取低频子带图像,用非负矩阵分解对低频子带图像提取特征向量作为目标的特征,利用支持向量机进行分类完成目标识别。将该方法用于对MSTAR数据中三类目标识别,识别率最高可达97.51%,明显提高了目标的正确识别率。实验结果表明,该方法是一种有效的合成孔径雷达图像特征提取与目标识别方法。     

模糊图像多波段特征融合的多类舰船识别

利用单波段特征进行多类别舰船识别对舰船的图像质量与特征描述算子要求较高,图像质量的下降会直接导致复杂的特征描述算子识别能力下降。为了多舰船目标识别率的提高,针对单波段特征识别能力的不足,设计了目标图像特征,对多特征进行协方差融合,对多波段目标图像,采用特征并行处理,进行协方差特征融合,最后利用融合后的特征对多舰船目标进行识别分类。对比试验结果显示,本文设计的融合特征,在单波段图像上,比直接利用流行的HOG特征识别率高,多波段融合特征的识别率较单波段融合特征更是得到了质的提升,达到了95%以上。     

基于深度卷积神经网络的多特征融合的手势识别

针对传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致手语识别率较低的问题,本文将深度卷积神经网络架构作为分类器与多特征融合算法进行结合,通过使用纹理特征结合形状特征做到有效识别。首先纹理特征通过LBP、卷积神经网络和灰度共生矩阵方法得到,其中形状特征向量由Hu氏不变量和傅里叶级数组成。为了避免过拟合现象,使用"dropout"方法训练深度卷积神经网络。这种基于深度卷积神经网络的多特征融合的手语识别方法,在"hand"数据库中,对32种势的识别率为97.73%。相比一般的手语识别方法,此方法鲁棒性更强,并且识别率更高。     

一种基于二代Curvelet和2D Log-Gabor滤波器的多模特征层融合识别方法

针对单模生物特征识别在实际应用中易受干扰、识别率低且无法达到零错误识别的问题,提出一种基于二代Curvelet和2DLog-Gabor滤波器的人脸与虹膜特征层融合识别算法.该方法利用二代曲波变换提取人脸特征,用2DLog-Gabor幅值法提取虹膜特征,通过PCA降维单模特征向量,在特征层进行融合,通过SVM分类识别融合特征向量.在ORL人脸库和CISIA虹膜库构成的多模生物特征库上进行测试.实验结果表明:该算法正确识别率能达到100%,较单模人脸、单模虹膜识别方法的识别率均提高3.33%,为多模生物特征识别提供了一种有效模型.     

基于元学习的压制式干扰识别方法研究

针对复杂电磁环境下干扰信号样本量少而难以识别的问题,提出基于元学习的干扰识别方法。首先计算干扰信号频率响应的Holder系数;然后将干扰信号的时频图经残差网络输出的特征向量与上述Holder系数进行多模态融合组合成新的多维特征向量;最后利用元学习将输出的多维特征向量拆分为编码向量和干扰信号时频图相关的协方差矩阵,计算干扰信号的预测值,通过计算实际值与预测值之间的最短欧氏距离进行干扰信号的识别分类。仿真结果表明,该干扰识别方法能够有效提高在小样本数据集1-shot和5-shot上的识别率。     

基于多幅同目标图像和HMM的SAR图像目标识别

该文提出了一种基于多幅同目标图像和隐马尔可夫模型的合成孔径雷达图像目标识别方法。该方法通过小波域主成分分析提取目标图像特征向量,结合多幅不同方位角下的同目标图像的特征向量生成单幅图像的特征序列,用隐马尔可夫模型对特征序列进行识别。实验结果表明,该方法可明显提高目标的正确识别率,是一种有效的合成孔径雷达图像目标识别方法。     

基于MatPCA和PNN融合的笔迹鉴定方法

针对目前笔迹鉴定存在识别率低、识别速度慢等问题,提出了一种基于Mat PCA和PNN融合的笔迹鉴定方法。首先采用Mat PCA方法提取特征,因为Mat PCA可以得到比较精确的协方差矩阵,且求取特征向量所用的时间也少,然后用概率神经网络进行识别,仿真结果表明:该笔迹鉴定方法在字体识别率和识别速度上都优于其他方法,该方法将具有很好的应用前景。     

基于多特征融合的弱小运动目标识别

利用单个特征识别强噪声中的弱小运动目标,常因所提取的目标特征与噪声特征易混淆而导致高的虚警率.提出一种新的基于多特征融合的弱小运动目标识别方法.分析了弱小运动目标的连续相关性、面积及质心位置偏移这三个特征的可靠性及提取方法,对获取的特征值进行归一化后采用多特征融合的方法构造更具有鲁棒性的联合特征,确定了以具有最大多特征融合值为真实目标的决策方法.通过与采用单一特征的目标识别方法进行比较,证明了提出的多特征融合方法能更准确地识别弱小运动目标.     

雷达目标识别的一种方法

利用目标的方位角、运动速度、俯仰角和雷达散射截面积（RCS），提出了一种雷达目标识别方法。由目标的实测数据，计算特征向量总体的均值和协方差矩辄及其逆矩阵，由距离判别法进行目标识别。识别结果表明，该方法简单、识别效果较好，具有一定的实际应用价值。