基于广义主成分分析的步态识别算法研究

步态识别是根据人行走方式的不同对人的身份进行识别的.通过背景减除实现人体检测,运用形态学操作和图形几何变换实现了图像的标准中心化.在特征提取阶段使用步态能量图(GEI)来描述每个步态序列,分别使用主成分分析、二维主成分分析、完全的二维主成分分析以及加权完全的二维主成分分析对特征进行降维,最后采用最近邻分类器来测试识别结果作对比研究.实验结果表明权衡计算量和识别率,二维主成分分析对于GEI的步态识别比较有效,识别率可达95.43%.     

基于图像分块和RBF神经网络的人脸识别方法

目的 提出一种基于图像分块和径向基函数(RBF)神经网络的人脸特征提取与识别方法,解决人脸识别中的高维、小样本问题.方法 采用人脸图像的分块处理、奇异值分解压缩算法,降低特征维数,有效地解决了存储和传输中的数据压缩问题,运用基于聚类方法的RBF神经网络分类器进行人脸分类识别.结果 通过实验和数据分析表明,该方法在人脸骨骼特征明显时具有较高的识别率,与基于整体人脸图像的识别效果相比,识别率提高了3%.结论 笔者提出的识别方法具有良好的学习效率和识别精度品质指标.     

视频序列中的人脸实时跟踪与识别方法

集成了基于肤色的人脸跟踪和基于PCA/BPNN(主成分分析/前馈神经网络)的人脸识别技术,提出了一种人脸实时跟踪与识别方法.该方法可以实现复杂背景下的人脸跟踪,并可处理人脸遮挡问题.通过平均视频序列中的多幅人脸图像,获得了很高的正确识别率.该方法在800 MHz主频的微机上实现,系统处理速度达20帧/s.     

基于神经网络集成技术的运动想像脑电识别方法

针对运动想像脑电信号,提出一种基于神经网络集成技术的识别方法.该方法通过离散小波变换(DWT)抽取想像左、右手运动的主要特征,采用Bagging算法构建神经网络集成(NNE)模型,并选取相对多数投票法获得网络集成的输出结果.在"BCI Competition 2003"竞赛数据集上的实验结果表明,该方法得到了比基于单个神经网络的脑电信号识别方法更高的识别率,同时,降低了个体神经网络的配置难度,提高了系统的泛化能力.     

一种改进的基于 ART2神经网络的文字识别算法

为了解决 ART2神经网络的漂移问题,提出了一种改进的基于 ART2神经网络的文字分类和识别方法.此方法能够自主学习,收敛速度快,识别率和识别速度都比 BP神经网络高.实践证明,基于此设计的脱机手写体文字识别系统能对较规范的手写体文字进行识别,识别率达到85%.     

基于SVM的决策融合鱼类识别方法

为解决基于声学散射数据的高精度鱼类识别问题,提出一种基于SVM的多方位声散射数据决策层融合的鱼类识别方法。利用小波包变换(WPT)和离散余弦变换(DCT)方法对多方位声散射数据进行特征提取,并进行特征降维处理。然后采用SVM分类器对每个方位提取的特征做出多次决策,并输出最终识别结果。采用3种不同鱼类作为研究对象,设计了可靠的获取多方位声散射数据的实验方案,给出不同方位数量条件下,基于WPT和DCT特征量的识别率。理论分析及实验数据处理结果表明,随着方位数量的增加,总体识别率呈升高的趋势,基于SVM的多方位声散射数据决策层融合方法可以有效提高识别率至90%以上。     

采用多核相关向量机的人体步态识别

为进一步提升人体步态识别的准确率,参考人体步态特点,选择下肢表面肌电信号(SEMG)、髋关节角度、膝关节角度作为步态识别信息源,提出一种基于多核相关向量机(MKRVM)的人体步态识别方法.该方法以多源信息特征值作为多核相关向量机的输入,通过实验对不同信号选取合适的核函数,利用萤火虫优化(GSO)算法确定核函数参数,输出为不同步态的概率.利用训练好的模型直接对新样本进行分类,将概率最高的步态模式作为识别结果.实验结果表明,该方法对于平地行走、上楼、下楼、上坡、下坡等步态的平均识别率为94.64%,优于单核支持向量机(SVM)等方法.     

基于支持向量机的图像纹理识别方法

将支持向量机(SVM)应用于基于内容的图像检索领域，提出一种基于Gabor小波变换和支持向量机分类器的新型集成纹理识别方法.目标是利用Gabor小波设计的多通道小波滤波器对图像目标进行小波变换，用Gabor小波变换系数的模的平均值和标准差生成表示目标图像的特征向量，将特征向量归一化后用支持向量机进行训练和识别.最后，利用Brodatz纹理库中的纹理图像进行了试验并与其他几种方法进行了比较.结果表明，该方法的识别率在小样本情况下要优于其他几种方法，并且具有更好的泛化和推广能力.     

基于PC-LDA的交通标志形状特征识别方法

针对PCA方法所提取的特征分类效果较差,而LDA方法通常不能直接应用于图像特征提取的问题,提出了一种基于PC-LDA的交通标志形状特征识别方法.通过对交通标志图像进行归一化和二值化处理,得到交通标志形状特征.将PCA方法与LDA方法相结合用于交通标志二值图像特征提取,可以得到既有最佳描述性又有最佳分类效果的PC-LDA特征子空间.利用标准交通标志图像数据库进行验证,并采用最小距离分类器对所提取的特征进行识别,结果表明,该方法能够快速有效地进行维数约减,提高了交通标志识别率.     

下肢假肢穿戴者跑动步态识别方法

提出基于粒子群（PSO）优化支持向量机（SVM）的下肢假肢穿戴者跑动步态识别方法.将假肢接受腔装配的肌电（EMG）传感器、加速度计和足底的压力传感器采集的假肢穿戴者跑动运动信息进行去噪预处理,对应提取加速度的偏度、均值与肌电信号均方根多个特征参数作归一化处理,结合双下肢足底压力信息组成多维特征向量,作为SVM的输入,解决了单一特征识别步态的低准确率问题.利用PSO优化分类模型参数,建立基于SVM的次序二叉树分类模型对跑动步态进行辨识.与传统BP神经网络的步态识别方法对比表明,利用PSO优化SVM方法能够将跑动步态识别率提高到92.78%,优于SVM和BP神经网络.     

基于小波子空间集成的人脸识别

基于小波变换的人脸识别方法通常选用低频子图进行人脸识别,这样会丢失其他子段图像中的识别信息。针对这一问题,提出了两种小波子空间集成人脸识别方法并与其他相关方法进行了实验比较。第1种方法集成每1层小波低频子空间图像进行人脸识别;第2种方法首先对人脸图像做L层小波分解,然后对每1层的3个高频子空间图像求平均,连同每层的1个低频子空间图像得到L个小波子空间图像,最后集成这L个小波子空间图像进行人脸识别。本文提出的方法充分利用了不同频率小波子段图像的识别信息,能够提高人脸识别的精度。在ORL、YALE和JAFFE 3个人脸数据库上的实验结果显示,本文提出的方法特别是方法2在识别精度方面都优于其他方法。     

基于小波子图和决策融合的人脸识别算法

提出了一种基于小波子图和决策融合的人脸识别算法。首先将图象进行适当层数的小波分解 ,每次分解只取最低频子图。然后对低频子图再进行一次小波全分解得到不同方向的四个子图。在这四个子图上分别进行传统的主分量分析 (PCA)或者进行傅立叶变换(即频谱脸算法 ) ,可得到四个识别结果 ,再跟据一种决策融合方案得出最终的识别结果。最后 ,我们用 Olivetti人脸数据库对本文的算法与传统的 PCA算法 ,基于单一小波子图的PCA算法以及频谱脸算法进行了比较。实验结果显示 :应用了多个小波子图以及决策融合方案后 ,识别率都有一定的提高     

基于加权小波变换和2D-PCA的人脸识别改进算法

基于小波变换的人脸识别方法通常将图像变换成低频和高频信息,传统的人脸识别算法大多数都是基于小波变换后的低频信息,没有充分利用高频信息,造成了高频信息中对识别有利信息的丢失. 本文提出了一种基于加权小波变换和2D-PCA的人脸识别改进算法. 首先基于二维离散小波(2D-DWT)对图像进行二层小波变换,将所得的低频信息和水平、垂直和对角高频信息进行加权融合. 在此基础上,采用二维主成分分析(2D-PCA)方法进行特征提取; 最后采用最近邻分类器进行分类识别. 基于ORL标准人脸数据库的实验结果表明,本文提出的方法比传统的2D-PCD识别算法和2D-DWT+2D-PCA识别算法有更好的识别效果,且人脸受光照等因素的影响表现出良好的鲁棒性.     

智能环境下基于核相关权重鉴别分析算法的多特征融合人脸识别

针对智能会议环境下基于单模特征的人脸识别的识别率低、鲁棒性差的问题,提出了一种在智能会议室环境下基于核相关权重鉴别分析(KRWDA)算法的融合全局和局部特征的多特征融合人脸识别方法。基于相关权重鉴别分析算法并结合核方法,提出了一种核相关权重鉴别分析算法,有效解决了小样本问题。利用全局特征和局部特征在识别时所描述的内容和作用的互补性在特征层融合两种特征,全局信息和局部信息分别采用离散余弦变换和Ga-bor小波变换提取。在AMIES2016数据库上的仿真实验表明,本文所提出的方法可以有效地提高系统身份识别的正确率。     

基于二维复数离散小波包变换的桥面裂缝检测

为了解决传统桥梁维护检测依靠检测人员进行现场测量,造成桥面检测效率低下且耗费巨大的问题,提出了一种基于二维复数离散小波包变换的桥面裂缝检测方法.采用无人机对桥面图像进行采集,并通过二维复数离散小波包变换来提取桥面裂痕特征.根据频域的角度范围设计了一维非分离滤波器计算小波变换需要的方向分量,并将该分量应用到通过2D-CWPT所获得的小波系数中,从而提取任意方向上的图像特征.采用提出的桥面裂缝检测方法对桥面裂缝进行检测,实验提取到了桥面裂纹的多方特征,验证了本方案的有效性.     

一种集成卷积神经网络和深信网的步态识别与模拟方法

针对高斯过程的条件受限玻尔兹曼机(Gaussian-based conditional restricted Boltzmann machine, GCRBM)时序模型可以对单一种类的步态时序数据进行很好的预测,但对多类步态时序数据难以识别和预测的问题,提出一种集成卷积神经网络(convolutional neural network, CNN)和深信网(deep belief network, DBN)的步态识别与模拟方法。利用所有类步态数据训练多个不同结构的CNNs模型,利用多类数据训练多个DBNs模型学习低维特征,并通过低维特征训练多个GCRBMs模型。在步态识别与模拟时,CNNs分类器通过投票法确定步态数据的类别;通过识别到的类所对应的DBNs模型低维特征作为对应GCRBMs模型的输入预测目标数据的后期时序低维特征;利用DBNs重构阶段将后期时序低维特征模拟出步态图像。在CASIA系列步态数据集上的试验结果表明:与支持向量机(support vector machine, SVM)、集成DBN和CNN等方法相比,本研究方法的识别率有一定的提高,提出的模型能够根据步态时序预测结果模拟出真实的步态序列图像,证实了模型的有效性。     

融合小波变换和张量PCA的人脸识别算法

张量主成分分析(PCA)方法用于人脸识别能获得比PCA方法更高的识别率．小波变换具有良好的时频分析特性,同时还能起到降维的作用．综合利用这两个算法的优点,提出了一种新的人脸识别算法,对人脸图像先采用小波变换做预处理得到4个子带图像,然后对每个子带图像用张量PCA进行特征提取,实现人脸图像的高效识别．仿真结果表明,新算法的识别率比张量PCA方法提高了6％,识别时间为张量PCA方法的35.74％．     

小波包主成分分析在气液两相流流型识别中的应用

针对气液两相流特征参数与流型之间复杂的非线性关系,提出了一种基于小波包主成分分析和最小二乘支持向量机(LS-SVM)的气液两相流流型识别方法。该方法首先对采集的3个不同取压间距差压波动信号进行4层小波包分解,形成小波包特征向量矩阵,然后运用主成分分析方法降低特征向量矩阵的输入维数,并用于LS-SVM训练和识别。试验结果表明,融合3个传感器信息的主成分特征可有效地识别流型,与单一传感器的特征相比,具有更高的识别率。     

基于统计模型的步态识别

提出一种简单有效的步态识别算法.对于每个步态序列,首先,通过背景减差检测运动目标的轮廓;再计算轮廓质心与边缘的距离,并对其进行归一化;用PCA方法获取归一化距离信号的特征空间;使用时空相关进行相似性度量;最后通过最近邻法进行分类识别,在自己建立的样本数据库中取得了满意的效果.