基于独立成分分析和信息融合的步态识别

提出基于独立成分分析和多视角信息融合的步态识别方法.应用背景差分和阴影消除检测出人体步态轮廓,对人体轮廓用小波描述子进行特征提取.通过独立成分分析对特征进行压缩,应用支持向量机完成对步态的分类与识别.通过融合不同视角下的步态特征,完成多视角下信息融合的步态识别.方法在NLPR和XAUT步态数据库上进行实验,取得较高的识别率.实验结果表明本文方法具有较高的识别性能.     

脱机手写体汉字识别中SVM参数优选问题

研究了基于支持向量机的脱机手写体汉字识别中核参数和误差惩罚因子的选择问题.将遗传算法跟支持向量机相结合,提出了一种自动优选支持向量机模型参数的方法,减少了以往应用支持向量机需反复试验以确定其参数的人工工作量.采用高斯核函数的支持向量机分类器进行实验,识别率达到97.83%,验证了该方法的有效性.     

一种改进的基于地面反作用力的步态识别方法

提出一种改进的基于地面反作用力的步态识别方法．该方法通过由三维测力台构建的步态通道获取步行时足底受到的三方向地面反作用力,并采用小波包分解提取时频域特征,利用模糊C 均值聚类算法从中挑选出最具分类能力的特征子集,最后在训练样本上用支持向量机训练分类器,并在测试集上进行步态识别．为提高识别率,对样本进行拆分和波形对齐操作,并设计多分类器以降低步行速度变化对识别准确率的影响．在103人的步态数据库上的测试结果表明,该方法即使在训练样本较少的情况下也可以得到较高的识别率．     

基于列质量向量和SVM的步态识别

步态识别是根据人行走的方式来识别其身份,以其特有的优势作为一种身份识别手段。为了提高步态的识别率,提出了一种新方法,使用人体轮廓列质量向量表征特征信息,并使用支持向量机进行识别。根据人体轮廓的高度和宽度计算出步态周期,提取每个步态轮廓列质量向量,最后采用支持向量机进行分类识别。为了验证所提出方法的有效性,在CASIA步态数据库上进行了充足的实验,验证了该方法具有较高的识别率。     

基于支持向量机的CD4细胞图像识别方法

本文基于支持向量机(SVM)对CD4细胞图像进行了分析识别。在样本数较少和缺乏先验知识的情况下,采用改进的平行栅格搜索算法和交叉验证算法训练并确定分类器参数,提高了分类器性能。实验结果表明,基于支持向量机的分类器的识别率为95%,优于Fisher分类器和BP网络。     

基于小波包与支持向量机的碰摩故障识别方法研究

为了很好地识别旋转机械的转静件碰摩故障,提出了基于小波包和支持向量机(SVM,support vector machine)的碰摩故障识别方法.采用小波包对信号进行特征向量的提取,利用基于"一对多"和"一对一"的改进算法构建多类故障分类器,对多种碰摩故障进行识别.同时,以双盘悬臂转子-轴承系统的碰摩故障为例,应用该方法进行故障识别,试验结果表明,RBF核SVM故障平均识别率达到97.25%.可见,基于小波包与支持向量机分类器诊断方法的识别率明显优于传统的BP神经网络和RBF神经网络分类器,且鲁棒性好,并具有良好的泛化推广能力.     

基于小波包与支持向量机的复杂信号模式识别

为很好地识别神经和肌肉的功能状态,针对表面肌电信号的非平稳特性,提出了采用小波包变换的方法对原始肌电信号进行分解,并提取其频段系数的最大奇异值构建特征矢量.利用"一对一"的分类策略和二又树构建多类支持向量机分类器,经训练后可以有效地对前臂8种动作的表面肌电信号进行识别,8种动作的平均识别率达到99.375%.实验结果表明,支持向量机分类器的识别率明显优于传统的BP神经网络、Elman神经网络和RBF神经网络分类器,且鲁棒性好,并具有良好的泛化推广能力.     

基于融合分类和支持向量机的入侵检测研究

为了在提高入侵检测的检测率的同时降低虚警率,基于融合分类和支持向量机的异常检测利用融合分类器进行入侵检测.融合分类器包含三个不同的分类器:基于属性选择的支持向量机,基于样本剔除的支持向量机以及标准支持向量机.仿真实验由三部分组成:首先,预处理数据,然后,对完成预处理的数据分别用三个分类器进行预分类,最后,由这三个分类器实际输出的加权和进行融合决策.权值的最优化是一个NP-hard问题,在实验中,利用各分类器预分类的检测率作为其对应的权值简化了权值寻优的过程.实验结论表明,基于融合分类和支持向量机的异常检测可提高入侵检测的整体性能.     

基于统一Hu和支持向量机的步态识别

为了快速准确地进行人体运动步态识别,基于人体轮廓统一Hu矩的不变矩特征,提出了一种新的步态识别算法。该算法首先对每个序列进行运动轮廓提取,然后计算每个序列的不变矩,构成步态特征空间;在此基础上采用支持向量机训练步态,最后用支持向量机进行步态识别。实验结果表明,该算法具备快速、稳健的特征,取得了较好的识别率,初步具备了实际应用的价值。     

基于小波变换和支持向量机的步态识别算法

为了快速准确地进行人体运动步态识别,基于运动人体的轮廓宽度特征,提出了一种新的步态识别算法。该算法首先对每个序列进行运动轮廓抽取,同时从3个方向(水平、垂直、斜向)对时变的2维轮廓进行投影扫描,并分别转换为对应的特征向量;然后通过对级联的特征向量进行离散正交小波变换来提取低维步态特征,并抑制噪声;在此基础上采用支持向量机训练步态分类器组,最后用支持向量机组进行步态识别。在一组30人构成的步态数据库中进行的实验结果表明,该算法具备快速、稳健的特征,识别率达到91%,初步具备了实际应用的价值。     

基于径向基函数神经网络的红外步态识别

为提高红外步态识别的效果,提出一种基于径向基函数神经网络的多分类器融合算法。对红外步态序列,分别应用基于轮廓线傅立叶描述子特征的模糊分类器和基于下肢关节角度特征的贝叶斯分类器进行识别,再利用径向基函数神经网络的学习和分类功能,对获得的输出信息进行度量层的融合和再识别。仿真实验结果表明,该算法获得更加精确的分类效果。     

基于多分类器融合的步态识别方法

为了提高现有基于智能手机加速度传感器步态身份识别的性能,提出了一种基于多分类器融合（MCF）的识别方法。首先,针对现有方法所提取的步态特征较为单一的问题,对单个步态周期提取相对匀变加速度的速度变化量,以及单位时间内加速度变化量作为两类新特征（共16个）;其次,将新特征结合常用的时域、频域特征组成新的特征集,用于训练识别效果与训练时间俱佳的多个分类器;最后,采用多尺度投票法（MSV）对多分类器的输出进行融合处理,得到最终的分类结果。为了检测该方法的性能,采集了32个志愿者的步态数据。实验结果表明,新特征对于单个分类器的识别率平均提升5.95个百分点,最终通过MSV融合算法的识别率为97.78%。     

基于多种LBP特征集成学习的人脸识别*

单一的特征与分类器只能对限定条件下的人脸进行较好的识别,当在非限定条件下(如光照、背景等发生变化时)将出现人脸识别率较低问题,针对该问题,提出了一种基于多种局部二进制特征集成学习的人脸识别算法。首先,使用监督梯度下降法 (SDM)对人脸特征点定位,应用中心对称局部二进制(CSLBP)算子提取每个特征点邻域特征,将所有人脸特征点邻域特征合成为精细的纹理特征;同时运用分区LBP直方图算法提取人脸区域的微观空间结构特征;然后,使用K最近邻算法(KNN)和支持向量机(SVM)分别训练这两种特征,得到类别排序列表和投票决策矩阵;最后,利用加权求和的规则融合决策矩阵,构成最优集成分类器,从而得到输出类别。通过在非限制性人脸库LFW上实验结果表明,所提算法采用集成的方法明显优于单一的特征和分类器。     

Integrating face and gait for human recognition at a distance in video.

This paper introduces a new video-based recognition method to recognize noncooperating individuals at a distance in video who expose side views to the camera. Information from two biometrics sources, side face and gait, is utilized and integrated for recognition. For side face, an enhanced side-face image (ESFI), a higher resolution image compared with the image directly obtained from a single video frame, is constructed, which integrates face information from multiple video frames. For gait, the gait energy image (GEI), a spatio-temporal compact representation of gait in video, is used to characterize human-walking properties. The features of face and gait are obtained separately using the principal component analysis and multiple discriminant analysis combined method from ESFI and GEI, respectively. They are then integrated at the match score level by using different fusion strategies. The approach is tested on a database of video sequences, corresponding to 45 people, which are collected over seven months. The different fusion methods are compared and analyzed. The experimental results show that: 1) the idea of constructing ESFI from multiple frames is promising for human recognition in video, and better face features are extracted from ESFI compared to those from the original side-face images (OSFIs); 2) the synchronization of face and gait is not necessary for face template ESFI and gait template GEI; the synthetic match scores combine information from them; and 3) an integrated information from side face and gait is effective for human recognition in video.     

基于MPSO-BP神经网络方法的人体步态识别

为提高人体下肢步态相位识别准确率以实现外骨骼机器人控制,采用一种改进的粒子群优化MPSO-BP神经网络方法识别不同运动模式下的人体步态相位。通过自适应调整学习因子构造MPSO-BP神经网络分类器,以多种传感信息组成的特征向量样本集训练神经网络分类器,用于识别人体下肢在平地行走、上楼梯和起坐三种典型运动模式下的步态相位。实验结果表明,MPSO-BP神经网络分类器能有效识别三种不同运动模式的步态相位,识别准确率均达到96%以上,识别性能优于传统的BP神经网络模型和粒子群优化神经网络模型。     

基于流形学习的三维步态鲁棒识别方法

针对过去几乎都是在单目视觉的情况下进行步态识别研究的现状,提出一种基于立体视觉的步态识别方法。首先利用立体匹配技术获得人体轮廓的三维信息,并据此构造出三维人体轮廓描述子以获取人体的步态特征。接着通过平滑、去噪等预处理手段抑制噪声的影响,并采用流形学习构建低维流形进行特征降维。最后将最近邻分类器和最近邻模板分类器用于识别过程。采用该方法在PRLABⅡ立体步态数据库和不规则测试数据集ExN上进行实验,获得较高的识别率。实验结果表明,文中所提出的方法具有与行人行走路径到摄像机之间的距离无关的特点,且对于不完整的残缺步态序列、行人行为姿态的变化、携带物品和服饰变化等具有较强的鲁棒性。     

基于加权行质量向量的步态识别方法

为在降低样本训练时间的同时提高数据分类能力,提出一种基于加权行质量的步态识别方法,提取人体轮廓行质量向量作为步态特征,分析特征向量各元素的贡献度从而对特征向量进行加权,采用归一化欧氏距离度量相似度,并使用最近邻分类器进行分类。在CASIA数据库上的实验结果表明,该步态识别方法既满足步态识别对实时性的要求又保证较高的识别率。     

Improved gait recognition by multiple-projections normalization

Recognizing people by gait promises to be useful for identifying individuals from a distance; in this regard, improved techniques are under development. In this paper, an improved method for gait recognition is proposed. Binarized silhouette of a motion object is first represented by four 1-D signals that are the basic image features called the distance vectors. The distance vectors are differences between the bounding box and silhouette, and extracted using four projections to silhouette. Fourier Transform is employed as a preprocessing step to achieve translation invariant for the gait patterns accumulated from silhouette sequences that are extracted from the subjects’ walk in different speed and/or different time. Then, eigenspace transformation is applied to reduce the dimensionality of the input feature space. Support vector machine (SVM)-based pattern classification technique is then performed in the lower-dimensional eigenspace for recognition. The input feature space is alternatively constructed by using two different approaches. The four projections (1-D signals) are independently classified in the first approach. A fusion task is then applied to produce the final decision. In the second approach, the four projections are concatenated to have one vector and then pattern classification with one vector is performed in the lower-dimensional eigenspace for recognition. The experiments are carried out on the most well-known public gait databases: the CMU, the USF, SOTON, and NLPR human gait databases. To effectively understand the performance of the algorithm, the experiments are executed and presented as increasing amounts of the gait cycles of each person available during the training procedure. Finally, the performance of the proposed algorithm is comparatively illustrated to take into consideration the published gait recognition approaches.     

基于皮肤电信号与文本信息的双模态情感识别系统

人机交互离不开情感识别,目前无论是单模态的情感识别还是多生理参数融合的情感识别都存在识别率低,鲁棒性差的问题.为了克服上述问题,故提出一种基于两种不同类型信号的融合情感识别系统,即生理参数皮肤电信号和文本信息融合的双模态情感识别系统.首先通过采集与分析相应情感皮肤电信号特征参数和文本信息的情感关键词特征参数并对其进行优化,分别设计人工神经网络算法和高斯混合模型算法作为单个模态的情感分类器,最后利用改进的高斯混合模型对判决层进行加权融合.实验结果表明,该种融合系统比单模态和多生理参数融合的多模态情感识别精度都要高.所以,依据皮肤电信号和文本信息这两种不同类型的情感特征可以构建出识别率高,鲁棒性好的情感识别系统.