红外图像的非均匀性及其仿真

分析了红外成像系统非均匀性产生原因、特点，总结均匀性校正方法，提出非均匀性描述及仿真方法。     

C语言实现模拟信源编码最优量化的数值计算

模拟信号转换成数字形式，必须要经过量化才能实现。标量量化的方法包括均匀量化和非均匀量化两种，这两种方法都会带来精度的损失。丈中探讨了模拟信源量化的最优算法，并用C语言实现了高斯信源在不同量化电平下均匀量化和非均匀量化的最优步长的数值计算。通过对计算结果进行比较，给出了非均匀量化优于均匀量化的具体结论。     

加入运动触发场景的非均匀性校正方法

针对目前非均匀性校正方法存在的问题与不足，介绍了适于红外焦平面阵列探测器的非均匀性校正处理方法。其特点是用一个触发电路使基于场景的非均匀性校正电路对探测器的运动信号做出响应。实验结果表明，在没有劣化静态场景的情况下，该方法实现了运动场景信号的校正，不仅消除了红外焦平面阵列响应的非均匀性，而且补偿了其漂移。     

任意横截面形状非均匀介质波导传输特性的分析

用阶梯近似与边缘元和模匹配相结合的方法分析了一大类任意横截面形状非均匀介质波导的传输特性，将非均匀部分用一系列级联的台阶近似，各台阶用微波多模网络等效，用边缘元方法求得各本地波导的本征值问题后，用模匹配法算 出各微波网络的散射参数，最后通过级联的微波网络求得融洽上非均匀结构的传输特性，由于边缘元方法的通用性，此法可对各种不同横截面形状的非均匀介质波导进行分析。     

非均匀子波空间采样定理

本文从非均匀采样出发，详细研究了非均匀采样的Ｗａｌｔｅｒ子波空间采样定理的存在条件，给出了Ｓｈａｎｎｏｎ采样定理的一类非均匀采样形式，对紧支尺度函数张成的子波空间，给出了一类非均匀采样方法，使得对该空间中任意紧支信号，非均匀采样成为可能，文中还指出了非均匀紧支子汉空间采样的优点，数值实例验证了理论的正确性。     

FPGA实现红外焦平面的非均匀性校正

红外焦平面阵列(IRFPA)普遍存在着响应度的非均匀性问题，极大的限制了凝视红外系统的探测性能，本文先分析了红外焦平面阵列非均匀性的成因，然后讨论了非均匀性校正的方法，最后针对热释电红外焦平面非均匀性产生的特点，提出了用FPGA实现其非均匀性校正的方案。     

一种时间交替采样的非均匀时延估计技术

给出了一种时间交替采集系统各通道非均匀采样时延偏差的估计方法，分析了非均匀采样信号的频谱特性，介绍了非均匀采样信号时延估计原理。仿真结果表明，该算法可显著提高数据采集系统的性能。     

一种用于ISAR成像的转角采样不均匀补偿方法

转角采样不均匀是固定脉冲重复频率逆合成孔径雷达中经常出现的问题，它会影响ＩＳＡＲ的成像质量。给出了一种角采样不均匀补偿方法。该方法通过分估氦事估计出目标相对于雷达视线的转角变化转迹，再通过改变采样间隔使转角采样均匀，达到补偿目的。     

微偏振片阵列成像的非均匀校正研究

针对传统的非均匀校正算法难以校正偏振成像的非均匀问题，提出了一种新的矩阵校正算法。分析了偏振成像与非偏振成像的非均匀性的不同表现，阐述了微偏振片阵列成像的非均匀产生机理，指出了采用非偏振成像非均匀校正方法的失效原因。在构建偏振成像系统对入射偏振光源的响应模型基础上，提出了矩阵校正法。实验部分给出了矩阵校正法对均匀偏振场本底图像和信息丰富场景图像的校正效果，定量分析结果表明，矩阵校正法将均匀本底图像的非均匀性降至校正前的10%左右。     

红外焦平面阵列非均匀性的两点校正及依据

以Planck辐射定律和红外探测元的线性响应模型为基础，在理论上完整地推导了红外焦平面阵列非均匀性的两点校正方法；据此，论证了两点校正方法的物理依据，即从理论上证明如果探测元是线性和稳定响应的，该方法则可以实现非均匀性的准确校正；初步分析了非均匀性校正中存在误差的问题。     

视频监控系统中基于PCA算法的人脸识别

PCA算法提供了一个高维和低维间的线性变换矩阵,这个变换矩阵可以通过求取协方差矩阵的特征向量获得。特征值较大的特征向量反映人脸最大差异性;根据脸部固定结构特点构造人脸平均模板,利用模板匹配来检测图像中的人脸,计算待测图像与特征空间的距离进一步判别是否是数据库中人脸。实验表明,PCA算法在视频监控系统的人脸识别中可以很好地实现人脸特征提取和检测。     

三维人脸特征提取方法综述

有效提取人脸特征是人脸识别技术的关键组成部分。传统的二维图像容易受到光照、姿态及表情的影响,而三维数据被认为具有光照姿态不变性。文中从局部特征和整体特征两个角度,对三维人脸特征提取进行综述,对部分方法进行比较,并分析了方法的有效性,总结了三维人脸特征提取方法的优势和困难。     

基于连续均值量化变换的人脸检测算法

针对人脸检测中对旋转、光照、遮挡等检测的准确性与稳健性问题,提出将连续均值变换用于人脸检测的方法.首先利用连续均值变换提取候选区域人脸的特征,用提取的特征训练SNoW分类器,通过分类器对人脸与非人脸样本进行分类,达到准确确定人脸位置的目的.实验结果证明,与人工神经网络、支持向量机和朴素贝叶斯相比,该方法在复杂背景和光照和遮挡以及多人脸等情况下仍然具有很好的准确性和稳健性.     

最大似然稀疏编码在人脸识别中的研究

摘　要 稀疏编码(SRC)是一种用于人脸识别的方法。该方法把检测图像表示为一组训练样本的稀疏线性组合,表示的准确性通过L2或L1残余项来衡量。此模型假定编码残余项服从高斯分布或拉普拉斯分布,实际上却不能很准确的描述编码错误率。本文提出一种新的稀疏编码方法,建立一种有约束的回归问题模型。最大似然稀疏编码(MSC)寻找此模型的最大似然估计参数,对异常情况具有很强的鲁棒性。在Yale及ORL人脸数据库的实验结果表明了该方法对于人脸模糊、光照及表情变化等的有效性及鲁棒性。     

基于PCA算法的人脸识别

PCA算法作为一种数值分析技术,主要的应用是用于简化数据、降低数据维度。将PCA算法应用到人脸识别,能提取出人脸图像中最主要特征,去除数据的冗余和噪声。文中采用PCA进行人脸识别,能为人脸识别提取区分度高的特征数据,有效提高了识别的准确性。且在ORL和YALE人脸库进行了实验。实验结果表明,该方法对实验的人脸图像有较高的识别率。     

RESEARCH ON FACE RECOGNITION BASED ON IMED AND 2DPCA

This letter proposes an effective method for recognizing face images by combining two-Dimensional Principal Component Analysis （2DPCA） with IMage Euclidean Distance （IMED） method. The proposed method is comprised of four main stages. The first stage uses the wavelet decomposition to extract low frequency subimages from original face images and omits the other three subimages. The second stage concerns the application of IMED to face images. In the third stage, 2DPCA is employed to extract the face features from the processed results in the second stage. Finally, Support Vector Machine （SVM） is applied to classify the extracted face features. Experimental results on the AR face image database show that the proposed method yields better recognition performance in comparison with the 2DPCA method that is not combined with IMED.     

基于下颌轮廓线的人脸分类方法

在人脸正面图像中,下颌轮廓线是一种相对稳定的形状特征,但是如何提取和有效利用这个特征是一个难题。提出一种在识别中有效利用下颌轮廓特征进行人脸分类的方法。根据先验知识将人脸分为圆脸、尖脸和方脸,据此建立下颌形状模板：尖下巴、圆下巴和平下巴。对事先得到的下颌轮廓上的点进行模板匹配,根据匹配结果进行轮廓线分类。该算法采用了基于先验分布和局部判别的方法,先得到可能的轮廓点,然后进行滤波去除伪下颌点,得到真正位于下颌轮廓上的点,再通过模板匹配进行分类。试验表明,该方法分类效果良好,可以有效提高大库人脸识别的速度和识别率。     

一种应用于小样本人脸识别的2DLPP算法

LPP是一种局部特征提取算法,被广泛应用于模式识别中,然而在人脸识别中会遭遇小样本问题,为解决这个问题,提出了一种应用于人脸识别的二维LPP算法,直接对图像矩阵进行特征提取,既解决了传统LPP算法的小样本问题,又加快了特征提取速度.YALE人脸库和Extended Yale B人脸库上的实验结果表明2DPP具有较高的识别率,对光照、姿态的变化具有一定的鲁棒性.     

基于LARK特征提取的AdaBoost人脸检测系统

由于图像易受到外部条件及图像背景的影响,AdaBoost人脸检测方法在特征分类的过程中,单个分类器存在将人脸图像误判为非人脸图像的情况,致使分类器在检测过程中存在误差。文中通过研究AdaBoost人脸检测方法,并将LARK特征提取方法应用到特征分类当中,使原有的方法上得到改进,从而有效提高了人脸检测的准确度。     

一种2DDCT与压缩感知结合的人脸识别

针对压缩感知(Compressed Sensing,CS)方法需将图像矩阵转化为向量后进行特征提取,导致数据维数很大,计算复杂等缺点,提出二维离散余弦变换(2DDCT)和压缩感知(Compressed Sensing,CS)相结合的人脸识别方法。新方法首先利用2DDCT将图像变换到频域,压缩人脸图像以去掉人眼不敏感的中频分量与高频分量,这样有效降低了所需特征的维数,减少了计算量;然后通过感知算法进行特征提取得到人脸识别特征,最后运用最近邻分类器完成人脸的识别。在ORL、Yale及Feret人脸数据库的实验结果证明了该算法的有效性与稳健性,特别是在YaleB人脸数据库运用该方法得到了很好的试验结果。