一种有效的手写体汉字组合特征的抽取与识别算法

基于特征融合的思想,从有利于模式分类的角度,推广了典型相关分析的理论,建立了广义的典型相关分析用于图像识别的理论框架。在该框架下,首先利用广义的典型相关判据准则函数,求取两组特征矢量的广义投影矢量集,构成一对变换矩阵;然后根据所提出的新的特征融合策略,对两种手写体汉字特征进行融合,所抽取的模式的相关特征矩阵,在普通分类器下取得了良好的分类效果,优于已有的特征融合方法及基于单一特征的PCA 方法和FLDA 方法。     

基于改进ENN算法的多生物特征融合的身份验证

基于多生物特征的身份鉴别技术已受到越来越多的重视.单个生物特征有其固有的局 限性,通过融合不同的生物特征可以提高身份鉴别系统的验证性能和鲁棒性.该文融合了声纹 和指纹特征,提出了一种改进的ENN方法,并与K-NN、传统ENN方法进行了比较.改进的 ENN将认证率提高了大约2％.同时,又在不同的数据集上比较了改进的ENN方法和基于 Bayes理论的融合系统,分析并评价了两种方法的适用范围和优缺点.实验结果证明了此方法的 有效性.     

基于四元数的图像信息并行融合

针对传统串行特征融合方法中矢量空间维数的限制以及并行复矢量特征融合方法中能够融合的特征类别数量有限的弱点, 提出一种建立在四元数空间中的新型特征并行融合方法. 本文从理论上详细证明了该方法的合理性及其实际应用中的可行性, 并将实数中的 Fisher 鉴别分析法推广到四元数空间, 同时证明了推广 Fisher 鉴别分析法用于图像模式分类的可行性, 并给出使用的具体方法和步骤. 最后将本文提出的推广方法用于人脸检测, 取得了良好效果.     

求解广义最佳鉴别矢量集的一种迭代算法及人脸识别

广义最佳鉴别矢量集是Foley-Sammon最佳鉴别矢量集的一种推广,它与Foley-Sammon最佳鉴别矢量集的不同之处在于广义最佳鉴别矢量集从整体上考虑投影集的可分性,即样本在广义最佳鉴别矢量上的投影集从整体上具有最佳的可分性。该文给出了广义最佳鉴别矢量的定义,对求解广义最佳鉴别矢量集的已有算法从理论上作了分析,指出了其中的不足之处,给出了一种迭代算法,从理论上证明了迭代结果收敛于精确解,并对其误差作了分析。最后,将此方法用于人脸识别,结果显示,新方法比已有的方法更有效。     

基于排序融合的特征选择

针对模式分类中的特征选择问题,分别依据ReliefF算法、类间可分性及特征相关性等多个评价准则对待约简特征进行评价与排序,基于排序融合方法实现对多个特征选择评价准则的综合利用.基于多个数据集的实验结果表明,该方法在有效降低特征维度的同时,具有比单准则特征选择方法更高的分类性能.     

基于神经网络融合的语音人脸身份识别方法

传统的身份识别系统利用单一的生物特征作为依据，在复杂背景下，系统性能往往会大幅下降。基于数据融合的多生物特征身份识别技术可以提高生物识别系统的准确率等性能。该文利用特征脸和矢量量化方法建立人脸识别和语音识别两个子系统，在决策层用神经网络融合子系统的输出来进行身份识别。实验证明该方法比单个子系统识别率高，在噪音环境下，优势明显。     

基于信息融合的神经网络模拟电路故障诊断研究

针对目前神经网络模拟电路故障诊断中存在的难点，提出了基于信息融合思想的多神经网络故障诊断方法;该方法测试电路中节点电压信号、供电电流信号，利用小波变换对检测信号进行预处理，基于主成分分析对特征矢量进行降维，根据模拟电路的不同故障模式分别建立诊断神经网络，用概率统计数据融合方法从多个神经网络中选出最优网络用于诊断故障；通过电路实例验证了新故障诊断方法的有效性，实验结果表明新方法可有效提高故障诊断性能。     

集成特征选择的广义粗集方法与多分类器融合

为改善多分类器系统的分类性能, 提出了基于广义粗集的集成特征选择方法. 为在集成特征选择的同时获取各特征空间中的多类模式可分性信息, 研究并提出了关于多决策表的相对优势决策约简, 给出了关于集成特征选择的集成属性约简 (Ensemble attribute reduction,EAR) 方法, 结合基于知识发现的 KD-DWV 算法进行了高光谱遥感图像植被分类比较实验. 结果表明, EAR 方法与合适的多分类器融合算法结合可有效提高多分类器融合的推广性.     

基于多特征的打印文件层级分类研究

打印文件鉴别是一种广泛应用于安全领域的取证技术,因此对其检测的准确率和速度均有较高要求。考虑到单个特征的信息不全,基于多特征融合的方法来提高准确率,同时使用基于Ada Boost的SVM级联分类器进行分类判定。研究过程包括数据采集、图像预处理、GMM和LBP特征提取、特征融合、单个SVM分类器分类以及基于Ada Boost的层级SVM分类器分类。通过对4 000张图片集提取GMM和LBP特征,然后进行特征融合,输入分类器分类,结果表明,该方法能够在一定程度上提高鉴别的准确率和速度,具有良好的可扩展性。     

基于典型相关分析的组合特征抽取及脸像鉴别

利用典型相关分析的思想,提出了一种基于特征级融合的组合特征抽取新方法．首先,抽取同一模式的两组特征矢量,给出描述两组特征矢量之间相关性的判据准则函数;然后依此准则抽取它们的典型相关特征,构成有效鉴别特征矢量用于识别．该方法巧妙地将两组特征矢量之间的相关性特征作为有效判别信息,既达到了信息融合之目的,又消除了特征之间的信息冗余,为两组特征融合用于分类识别提供了新的思路．此外,从理论上进一步剖析了所提出的方法之所以能有效地用于识别的内在本质．在Yale和ORL标准人脸数据库上的实验结果证实了所提算法的有效性和稳定性,而且识别率大大高于用单一特征进行识别的结果．     

基于柔性特征优化的目标稳健跟踪

针对单一特征空间不足以对动态时变环境中跟踪目标进行准确表达的缺点,提出一种基于柔性加权特征的ParticleFilter目标跟踪算法。首先引入“陡峭因子”这一概念对不同特征的跟踪鉴别性能进行客观评估,然后参照当前不同特征的可跟踪性能以加权组合的方式自适应生成当前最优特征,最后将生成的最优特征嵌入到ParticleFilter跟踪构架中完成目标跟踪任务。该算法具备较高的柔性可对任意采用直方图表达的特征进行自适应融合。不同的视频序列实验表明该算法可动态地对异类特征进行有效融合,对复杂场景下的目标进行稳健跟踪。     

基于梯度基元聚合矢量的图像检索算法*

针对图像检索中多特征融合问题,提出了一种基于梯度基元聚合矢量的图像检索算法。该算法在改进的HSV颜色空间计算边缘梯度,通过定义的基元模板扫描梯度图像,生成梯度基元图像,将基元和非基元像素分别组合成聚合和非聚合像素集合;最后利用颜色自相关图算法对上述两个集合提取特征矢量,实现了融合颜色、形状、纹理和空间信息等多特征的图像检索。实验结果表明,该算法能够融合颜色、形状、纹理和空间信息,有效地提高了基于内容的图像检索的查准率和查全率。     

基于特征点类别可分性判断准则的图像分类

针对图像分类特征点特性界定模糊,导致相似性度量误差较大的问题,提出采用特征点类别可分性判断准则的图像分类方法。结合信息熵理论提取图像特征点的可分性特性,根据图像特征向量标识决策属性的不同性质,计算特征向量间的可分性距离值,得到最近邻特征向量集,从待分图像各特征向量与最近邻特征向量集标识类别的平均距离,及平均可分性度量值两方面定义新的图像类别判断准则。理论分析与Caltech256图像库仿真实验表明,基于特征点类别可分性判断准则有效地提高了图像的分类准确率。     

核典型相关分析算法的多特征融合情感识别

为了提高情感识别的正确率,针对单模情感特征及传统特征融合方法识别低的缺陷,提出了一种核典型相关分析算法(KCCA)的多特征(multi-features)融合情感识别方法(MF-KCCA)。分别提取语音韵律特征和分数阶傅里叶域表情特征,利用两种特征互补性,采用KCCA将它们进行融合,降低特征向量的维数,利用最近邻分类器进行情感分类和识别。采用加拿大瑞尔森大学数据库进行仿真实验,结果表明,MF-KCCA有效提高了语音情感的识别率。     

一类基于多目标规划的线性鉴别准则

两类Fisher鉴别准则、大间距线性投影准则以及最大散度差鉴别准则都是直接用于模式分类的两类线性鉴别准则,它们的共同点是将“投影后数据的可分性达到最大的方向”作为最优投影方向。区别在于它们对数据可分性的定义有所不同。过去的研究成果表明,大间距线性投影分类器与支持向量机之间、大间距线性投影准则与最大散度差鉴别准则之间以及最大散度差鉴别准则与两类Fisher鉴别准则之间,均存在着这样或那样的联系。论文试图在以往研究成果的基础上进一步理清这些两类线性鉴别准则之间的内在关系,并建立一个统一的理论框架从而将基于投影后数据可分性的这些两类线性鉴别准则都纳入其中。     

一种多特征融合的粒子滤波跟踪新算法

仅利用单一的目标特征进行跟踪是大多数跟踪算法鲁棒性不高的重要原因。提出了一种有效的多特征融合跟踪方法,该方法同时结合了颜色和运动边缘特征,并通过粒子滤波方法合理地进行概率融合。实验结果表明,算法能够在一种特征受到背景干扰导致目标鉴别能力丧失时,其它特征仍能稳定可靠地跟踪目标,算法简单,鲁棒性高,能够有效适用于复杂背景下的目标跟踪。     

基于DCT鉴别分析的掌纹特征提取

离散余玄变换是一种经典的图像处理技术，而鉴别分析是一种常用的图像特征提取技术。本文将这两种技术有机地结合起来，提出了一种新的掌纹特征提取方法。该方法首先对于掌纹的离散余玄变换图像，提出了一个二维可分性判据来选择具有良好可分性的频段;然后提出了一种改进的费舍脸方法来提取鉴别特征。在掌纹图象公共数据库上的实验结果验证了本文所提出的方法的有效性。     

Indexing and Integrating Multiple Features for WWW Images

In this paper, we present a novel indexing technique called Multi-scale Similarity Indexing (MSI) to index image's multi-features into a single one-dimensional structure. Both for text and visual feature spaces, the similarity between a point and a local partition's center in individual space is used as the indexing key, where similarity values in different features are distinguished by different scale. Then a single indexing tree can be built on these keys. Based on the property that relevant images have similar similarity values from the center of the same local partition in any feature space, certain number of irrelevant images can be fast pruned based on the triangle inequity on indexing keys. To remove the “dimensionality curse” existing in high dimensional structure, we propose a new technique called Local Bit Stream (LBS). LBS transforms image's text and visual feature representations into simple, uniform and effective bit stream (BS) representations based on local partition's center. Such BS representations are small in size and fast for comparison since only bit operation are involved. By comparing common bits existing in two BSs, most of irrelevant images can be immediately filtered. To effectively integrate multi-features, we also investigated the following evidence combination techniques—Certainty Factor, Dempster Shafer Theory, Compound Probability, and Linear Combination. Our extensive experiment showed that single one-dimensional index on multi-features improves multi-indices on multi-features greatly. Our LBS method outperforms sequential scan on high dimensional space by an order of magnitude. And Certainty Factor and Dempster Shafer Theory perform best in combining multiple similarities from corresponding multiple features.     

Feature fusion: parallel strategy vs. serial strategy

A new strategy of parallel feature fusion is introduced in this paper. A complex vector is first used to represent the parallel combined features. Then, the traditional linear projection analysis methods, including principal component analysis, K-L expansion and linear discriminant analysis, are generalized for feature extraction in the complex feature space. Finally, the developed parallel feature fusion methods are tested on CENPARMI handwritten numeral database, NUST603 handwritten Chinese character database and ORL face image database. The experimental results indicate that the classification accuracy is increased significantly under parallel feature fusion and also demonstrate that the developed parallel fusion is more effective than the classical serial feature fusion.