融合LBP纹理特征与B2DPCA技术的手指静脉识别方法

鉴于传统局部二进制模式 （local binary pattern， LBP） 算法对光照方向的变化非常敏感的问题，本文提出一种融合旋转不变模式的LBP算子与B2DPCA技术的手指静脉识别方法。首先提取手指静脉图像子块的LBP纹理谱特征，然后采用双向二维主成分分析方法对LBP特征向量构成的特征矩阵进行有效的降维处理，再通过比对降维后的待识别静脉图像特征向量与其他样本的特征向量之间的欧式距离来实现最终的样本分类。通过在天津市智能实验室静脉库及马来西亚理科大学FV-USM静脉库上进行实验验证，在不同训练样本数量下比较了8种算法的识别性能，相比于单一的LBP特征提取算法、经典降维算法和LBP与经典降维组合特征提取算法，该方法的识别率有很大的提高，证明了本文方法的有效性。     

基于LDA和小波分解的肺音特征提取方法

针对用小波分解提取肺音特征后特征向量维数较高的问题,提出了一种结合线性判别分析和小波分解的肺音特征提取方法。在该方法中,首先对肺音信号进行小波分解,然后将小波分解得到的小波系数转化成小波能量特征向量,接着使用线性判别分析法对该特征向量进行降维处理,得到新的低维特征向量,最后用SVM对低维特征进行识别。在实验中,选取了三种肺音信号：正常肺音、爆裂音、哮鸣音,用所提出的方法将8维的小波能量特征降为2维特征,在2维特征上进行了分类识别,并和降维之前的结果进行了比较,实验结果表明利用线性判别分析对小波能量特征降维后极大地提高了识别精度。同时,和其他几种典型的肺音特征提取方法进行了比较,实验结果表明结合线性判别分析与小波分解的特征提取方法得到了更高的识别精度。     

一种基于低维足底压力特征的静态步态聚类算法

为了探究足底压力特征在身份识别中的应用,提出了一种静态步态聚类算法.该算法首先从压力测试板提取的静态数据中提取当前常用的足底压力特征,包含全局及局部特征,形成特征向量来表征样本对象;接着利用非负矩阵分解方法(non-negative matrix factorization,NMF)获取样本在变换特征空间中的映射及低维表示;最后结合模糊C-均值算法(fuzzy C-means algorithm,FCM)对降维后的样本对象进行聚类识别.实验结果显示该算法的聚类正确率达到90％左右;同时与其他算法对比,该算法在精度上具有较大的优势.经过实验验证与对比分析,该算法将样本数据压缩到极低维特征空间时,仍有效保留了样本类别信息,进而得出结论,该算法提取出的足底压力特征是有效的、可行的.     

基于PCA-SSA-BP神经网络的烟叶分级方法

基于机器视觉检测的烟叶分级方法,存在识别效率低、识别稳定性差等问题。针对这些问题,该文基于主成分分析（PCA）、麻雀搜索算法（SSA）、BP神经网络提出一种烟叶分级方法,首先对采集到的烟叶图像进行分析提取17个图像特征进行PCA降维处理,以消除冗余信息,结合烟叶分级标准并平衡烟叶分级的识别正确率和分级效率确定最佳降维的维数为七维;然后,将七维特征向量作为BP神经网络的输入,利用SSA对BP网络模型的权值和阈值进行优化,完成网络模型的训练。实验结果表明,PCA-SSA-BP模型的平均识别率达到96%以上,总运行时间为97.99 s,因此该方法能有效提高小样本烟叶分级的识别效率和识别稳定性。     

主成分分析在图像Zernike矩特征降维中的应用

首先介绍了图像特征向量维度过高的问题以及图像特征降维处理。在讨论Zernike矩基本概念以及图像Zernike矩形状特征向量表示的基础上，指出Zernike矩特征向量一般都是高维的。在介绍主成分分析方法的基础上，指出可以将其应用到Zernike矩特征向量的降维中，并给出了降维的处理过程。最后的实验结果证明了该方法的可行性。     

基于非线性降维的水下目标融合识别决策

针对以传统的谱图和模型参教等方法提取得到的水下目标特征高维数据,文章提出了LPP的非线性降维方法,有效的去除特征向量各分量间的相关性,增大了特征向量的可分性,降低了后期识别的计算复杂度。同时设计了DS-SVM融合决策分类器对获得的低堆特征向量进行分类识别。与传统的SVM算法的分类识别效果进行比较分析,所得结果表明该方法有效的提高了水下目标识别的准确性,是一种行之有效的方法。     

巴氏距离与PCA结合的人脸识别

利用巴氏距离（Bhattacharyya Distance）和PCA（Principal Component Analysis）相结合进行人脸识别研究,提出了使用巴氏距离和PCA相合的算法对特征进行提取。当特征向量维数高时,首先对样本K-L（Karhunen-Loeve）变换进行降维,然后采用巴氏距离特征的迭代算法,得到最小错误率上界。基于ORL人脸数据库的实验表明该方法的识别性能优于LDA、HPCA、HLDA,采用文中的算法可以有效地提高识别率,减少巴氏距离特征计算时间,具有较强的实用性。     

针对恶意JavaScript识别的降维方法

针对将JavaScript代码N-gram处理后识别算法特征维度较高的问题,提出一种高效的降维方法。该方法利用TF-IDF-like模型分别计算特征在正常样本和恶意样本中的权重,基于特征权重在两类样本中的差异度进行降维。基于多个识别算法,将提出的降维方法与基于主成分分析（Principal Component Analysis,PCA）的降维方法进行比较,实验结果表明：当识别算法维度相同时,基于本文所给降维方法的识别算法在识别效果方面优于基于PCA的识别算法;当降维后识别算法的维度超过某个阈值时,随着识别算法维度的增长,本降维方法的时间开销增长速率远低于PCA方法。     

基于小波和双谱的脉冲星信号识别

为了提高脉冲星光信号识别效果,提出了一种基于小波变换和双谱分析的脉冲星信号识别算法．首先,本文提出了一种小波域双谱的概念,即对信号进行小波分解后再计算各级小波系数的双谱．然后,采用主分量分析（PCA）提取低频系数的双谱特征;根据最大类间误差平方和准则,用选择双谱的方法抽取高频系数的双谱特征,这些双谱特征构成特征向量．最后,采用最小距离分类器对脉冲星信号进行分类．实验结果表明了该脉冲星信号识别算法在识别效果和特征降维方面的有效性．     

APT样本的有效网络特征筛选算法

在研究APT攻击的防御方案过程中，针对提取APT样本网络特征的维数过高问题，提出一种基于[k]-means++聚类的APT样本有效网络特征筛选算法。该算法的思路是首先基于聚类的思想将提取的原特征集划分成APT流量特征集与背景流量特征集，然后计算去掉某一维特征向量后聚类性能的变化程度，最后根据该结果评价该特征向量的区分度。其中，有效特征向量即为区分度超过设定阈值的特征向量。目的就是从提取的原特征集中筛选出有效特征，达成对特征的降维，从而降低后续威胁情报形成和部署检测工作的时空开销。实验结果表明，该算法具有一定可行性，针对此问题相比于其他筛选算法具有一定的优势。     

基于多特征融合的交通标志识别算法

综合考虑识别率、时间复杂度以及鲁棒性,提出一种边缘、纹理、颜色多特征融合和支持向量机（SVM）的交通标志识别算法。通过提取能够描述交通标志图像边缘信息的方向梯度直方图（HOG）特征并进行统计平均,与能够表示标志图像内部纹理信息的局部二值模式（LBP）特征融合得到降维后的HOG-maxLBP特征,再级联交通标志的颜色特征作为最终的特征向量,最后利用SVM进行交通标志训练和分类。实验结果表明,该算法不仅提高了交通标志的识别率,而且降低了时间复杂度,增强了系统鲁棒性。     

基于混沌粒子群算法和小波SVM的P2P流量识别方法

针对对等网络(Peer-to-Peer,P2P)流量具有的多尺度和突变性等问题,提出了基于小波核函数的支持向量机(Support Vector Machine,SVM)的P2P流量识别算法。进一步,对常用的SVM参数训练方法训练时间过长和易陷入局部极优值等缺陷进行分析,使用混沌粒子群算法对SVM参数进行优化以提高参数训练效率和识别准确率。最后利用真实的校园网网络流量数据对所提方法的有效性进行测试,结果表明,相对于使用传统核函数和参数训练方法的支持向量机P2P流量识别方法,所提方法具有更高的P2P流量识别正确率和计算效率。     

基于最优ABC-SVM算法的P2P流量识别

目前对等网络（Peer-to-Peer,P2P）流量的识别是网络管理研究的热门话题。基于支持向量机（Support Vector Machine , SVM）的P2P流量识别方法是常用的P2P流量识别方法之一。然而SVM的性能主要受参数和其使用特征的影响,而传统的方法则是将SVM的参数优化和特征选择问题分开处理,因此这样很难获得整体性能最优的SVM分类器。本论文提出了一种基于最优人工蜂群算法和支持向量机相结合的P2P流量识别方法,利用人工蜂群算法,将SVM的参数和特征选择问题视为最优化问题同步处理,可以获得整体性能最优的参数和特征子集。在真实的P2P数据上的实验结果表明提出的方法具有很好的自适应性和分类精度,能够同时获取特征子集和SVM参数的最优解,提高SVM分类器的整体性能。     

多特征融合的道路车辆检测方法

通过改进基于Haar-like特征和Adaboost的级联分类器,提出一种融合Haar-like特征和HOG特征的道路车辆检测方法。在传统级联分类器的Harr-like特征基础上引入HOG特征;为Haar-like特征和HOG特征分别设计不同形式的弱分类器,对每一个特征进行弱分类器的训练,用Gentle Adaboost算法代替Discrete Adaboost算法进行强分类器的训练;在级联分类器的最后几层上使用Adaboost算法挑选出来的特征组成特征向量训练SVM分类器。实验结果表明所提出的方法能有效检测道路车辆。     

基于卷积神经网络与集成学习的交通标志识别

为提高复杂情况（如遮挡、透视畸变等）下交通标志识别的精度,提出一种有效的基于卷积神经网络(Convolutional Neural Network, CNN)与集成学习的交通标志识别方法。首先通过融合颜色分割、形态学处理、形状检测等多种方法分割出交通标志,然后利用卷积神经网络对其特征进行提取并分别采用支持向量机(Support Vector Machine, SVM)和Softmax多类分类器对其进行识别,最后将2种分类结果进行集成作为最终的识别结果。实验结果表明,本文算法可有效提高复杂情况下交通标志识别精度,整体上具有较高的性能。     

交通标志识别特征提取研究综述

交通标志识别(TSR)是智能交通系统(ITS)的一个重要研究方向,而特征提取是交 通标志识别研究中的重点。聚焦交通标志识别的特征提取,综述了常见的人工特征(颜色直方图、 尺度不变特征变换特征、局部二值模式特征、方向梯度直方图特征、Haar-like 特征、Gabor 小 波特征、Canny 特征等)和深度特征(提取自 AlexNet,VGG16,Inception 等),并在同一数据集 (GTSRB)上提取多种特征,采用相同分类器,通过相同评价指标体系进行定量比较与分析,并 以图表方式,针对不同特征和不同交通标志类别,进行直观的性能比较研究,以期为交通标志 识别时特征向量的选择和深入研究提供参考。     

多通道Haar-like特征多示例学习目标跟踪

目的 提出一种基于多通道Haar-like特征的多示例学习目标跟踪算法,克服了多示例跟踪算法在处理彩色视频时利用信息少和弱特征不能更换的缺点。方法 首先,针对原始多示例学习跟踪算法对彩色视频帧采用单通道信息或将其简单转化为灰度图像进行跟踪会丢失部分特征信息的缺点,提出在RGB三通道上生成位置、大小和通道完全随机的Haar-like特征来更好地表示目标。其次,针对多示例学习跟踪算法中Haar-like弱特征不能更换,难以反映目标自身和外界条件变化的特点,提出在弱分类器选择过程中,用随机生成的新Haar-like特征实时替换部分判别力最弱的Haar-like特征,从而在目标模型中引入新的信息,以适应目标外观的动态变化。结果 对8个具有挑战性的彩色视频序列的实验结果表明,与原始多示例学习跟踪算法、加权多示例学习跟踪算法、基于分布场的跟踪算法相比,提出的方法不仅获得了最小的平均中心误差,而且平均跟踪准确率比上述3种算法分别高52.85%,34.75%和5.71%,在4种算法中获得最优性能。结论 通过将Haar-like特征从RGB三通道随机生成,并将判别力最弱的部分Haar-like弱特征实时更换,显著提升了原始多示例学习跟踪算法对彩色视频的跟踪效果,扩展了其应用前景。     

Boosted cascade of scattered rectangle features for object detection

This paper presents a variant of Haar-like feature used in Viola and Jones detection framework,called scattered rectangle feature,based on the common-component analysis of local region feature. Three common components,feature filter,feature structure and feature form,are extracted without concern-ing the details of the studied region features,which cast a new light on region feature design for spe-cific applications and requirements: modifying some component(s) of a feature for an improved one or combining different components of existing features for a new favorable one. Scattered rectangle feature follows the former way,extending the feature structure component of Haar-like feature out of the restriction of the geometry adjacency rule,which results in a richer representation that explores much more orientations other than horizontal,vertical and diagonal,as well as misaligned,detached and non-rectangle shape information that is unreachable to Haar-like feature. The training result of the two face detectors in the experiments illustrates the benefits of scattered rectangle feature empirically; the comparison of the ROC curves under a rigid and objective detection criterion on MIT CMU upright face test set shows that the cascade based on scattered rectangle features outperforms that based on Haar-like features.     

半监督SVM分类算法的交通视频车辆检测方法

针对交通场景运动车辆检测中车辆数目统计准确率不高、自适应性不强等问题,提出了一种基于半监督支持向量机(SVM)分类算法的交通视频车辆检测方法。利用人工标记的少量样本,分别训练2个基于方向梯度直方图(HOG)特征与基于局部二值模式(LBP)特征的不同核函数的SVM分类器;结合半监督算法的思想,构建SVM的半监督分类方法(SEMI-SVM),标记未知样本并加入到原样本库中,该方法支持样本库动态更新,避免了繁重的人工标记样本的工作,提高了自适应性;最后,通过三帧差分法提取运动区域,加载分类器在该区域进行多尺度检测,标记检测出来的运动车辆,统计车辆数目。实验结果表明:该方法在具有一定的自适应性的同时,有较高的车辆检测准确率,即使在复杂交通情况下,对运动车辆依然有很好的检测效果。     

呼叫中心分块回归话务量预测

为获得前瞻性话务量数据,解决呼叫中心坐席安排的问题,实现人力资源合理配置,分析历史话务量特性,提出了基于支持向量机和[K]近邻算法的分块回归（SKBR）话务量预测模型。将话务量按日期类型分为工作日话务量、周末话务量以及节假日话务量,采用不同的模型预测相应的话务量。以某省电力呼叫中心话务量为例,在Matlab平台上进行实验。结果证明,相比SVM模型和改进寻参方法的SVM模型,SKBR模型在预测准确性上有所提升。