集成轮廓跟踪

本文将跟踪看作是二分类问题,提出了一种基于Adaboost集成学习和快速水平集的轮廓跟踪算法.该方法首先在线地训练一个弱分类器的集合用以区分目标和背景,而通过Adaboost将集合中的各弱分类器组合成一个强分类器,并用于标定下一帧中的各像素的类别属性,从而确定快速水平集算法的速度函数,然后采用基于动态邻近区域快速水平集来演化目标边界曲线以实现目标的轮廓跟踪.为适应目标和背景的变化,在跟踪过程中在线训练新的弱分类器,而时间相关性则通过更新包含新弱分类器的集合来实现.实验结果表明,在摄像机运动、光照变化,部分遮挡或目标尺度变化等情况下,能实现刚体或非刚体目标的轮廓跟踪.     

基于多特征和多核学习的行人检测方法的研究

行人检测系统涉及交通安全问题,需要很高的鲁棒性,基于单特征结合单核支持向量机的方法效果有限,为解决这一问题,提出采用多特征和多核学习的方法来提升系统的鲁棒性,通过将积分信道特征、多层次导向边缘能量特征和CENTRIST特征分别与直方图交叉核、高斯核和多项式核进行线性组合,采用简单多核学习（Simple MKL）来分别计算核函数的权重系数,将多核学习方法与经典的梯度直方图特征/支持向量机、多尺度梯度直方图特征/直方图交叉核支持向量机和特征融合/直方图交叉核支持向量机的行人检测方法进行比较,实验表明所提出的行人检测算法的鲁棒性有明显提升。     

基于Adaboost算法选取和组合SVM的行人检测算法

行人检测是计算机视觉中一个重要的研究方向,为了提高行人的识别精度,将支持向量机(Sup-port Vector Machine,SVM)和Adaboost算法结合起来,SVM是基于结构风险最小化准则的新型机器学习算法,适合小样本学习并且能够有效地抑制过拟合问题,Adaboost基于最小化训练错误率,一般使用易训练的分类器作为弱分类器.由于SVM比较难训练,因此将样本集划分形成多个训练集,然后利用正样本和不同的负样本组成不同训练集反复训练,最后通过Adaboost对训练集生成的SVM模型筛选出具有最小错误率的SVM分类器并且采用投票机制形成最终的强分类器.实验结果表明,在FPPW(false positive per window)为10-5时检测率能够达到30%,检测效果优于单个SVM算法训练出来的分类器模型,用行人测试库测试,该方法取得了较好的检测效果并且具有较强的鲁棒性.     

基于核竞争学习算法的图像特征提取

利用核函数学习可有效解决图像特征线性不可分的特性,结合稀疏表示算法的优势,提出了一种新的图像特征提取方法。采用基于竞争学习规则的独立分量分析法对图像进行稀疏表示,该算法可提取数据的高维特征,且不需要优化高阶的非线性函数和进行稀疏密度估计,因而有较快的收敛速度。与仅使用基于竞争学习的独立分量分析法相比,在PolyU数据库上的实验结果表明,采用基于核函数学习和稀疏表示相结合的方法所提取的数据特征有利于提高特征分类精度。     

用于手写汉字识别的改型Adaboost算法

针对大部分多类Adaboost算法因训练复杂度过高而难以应用于手写汉字识别这种大类别数分类的问题,提出了一种新的改型的多类Adaboost算法.该算法采用基于描述性模型的多类分类器--改进的二次鉴别函数(MQDF)分类器作为基元分类器,可直接进行多类分类,无需将多类问题转化为多个两类问题处理,大大降低了训练复杂度.此外,该算法根据广义置信度更新样本权重,实验证明此方法简单有效.为了降低算法的识别复杂度,对训练后得到的基元分类器组进行删减,仅保留一个最优的基元分类器作为最终分类器.在HCL2000及THOCR-HCD数据集上进行的实验表明,该算法的相对错误率比现有算法分别下降了14.3%、8.1%和19.5%.     

基于人工鱼群的Gentle Adaboost快速训练算法

Gentle Adaboost算法训练弱分类器时,需要遍历特征空间,将分类结果最好的特征作为弱分类器,这将消耗大量的时间。本文提出了一种基于人工鱼群的Gentle Adaboost快速训练算法。人工鱼群算法能够模拟鱼群行为策略,有效的对特征空间快速搜索,减少需要计算的特征数,缩短训练时间。在保证检测效果的条件下,通过对MIT和FERET人脸数据库部分样本的训练,新方法的训练时间约能缩短至原始训练时间的1/4。     

基于核超限学习机的中文文本情感分类

针对传统情感分类算法存在的参数学习困难及分类性能较低等问题,提出了一种基于核超限学习机的中文文本情感分类方法.首先通过信息增益对训练数据进行特征选择以降低输入维数,然后通过构建基于小波核超限学习机的分类器实现对中文文本的情感分类.实验结果表明,新方法参数学习容易,且其文本情感分类性能通常优于支持向量机和朴素贝叶斯.     

应用一种多核稀疏表示模型实现掌纹分类

与稀疏表示(SR)模型相比,基于单个核函数的SR(KSR)模型可以有效减少数据维数、降低学习模型的计算复杂度并提高特征分类精度;但这种模型对核函数及其参数的选择通常不能包含恰当的、完整的分类信息。为了满足更高的特征分类精度需求,提出了一种基于多个核函数的SR(M-KSR)模型及其快速稀疏优化方法,并将其应用于掌纹图像的分类。测试结果证明了基于M-KSR模型的掌纹分类方法的有效性和实用性。     

核函数参数优化及其在故障分类器中的应用

针对基于支持向量机的故障分类器的参数优化问题,讨论了基于数据分布的支持向量机核函数参数优化的原理,提出了一种简化算法.依据简化算法实现了故障分类器的参数优化,并应用于汽轮发电机组的故障分类.测试结果表明,通过这种参数优化方法可以提高故障分类器的分类能力,并且具有算法简单、优化效率高等优点,但其通用性有待进一步提高.     

基于小波函数的核主元特征约简方法研究

提出一种基于小波核函数的核主元特征约简方法,核函数是核主元分析的关键,将Mexican hat小波函数引核主元分析中,以增强核主元分析的非线性映射能力.用转子在正常、油膜涡动、不平衡和径向碰摩状态下的实验数据对该方法进行了检验,比较了主元分析、核主元分析与小波核主元分析的效果.结果表明,小波核主元分析方法能有效地区分转子故障模式,更适合于故障诊断中的非线性特征约简.     

Morphological feature extraction and KNG-CNN classification of CT images for early lung cancer detection

Lung cancer is a dangerous disease causing death to individuals. Currently precise classification and differential diagnosis of lung cancer is essential with the stability and accuracy of cancer identification is challenging. Classification scheme was developed for lung cancer in CT images by Kernel based Non-Gaussian Convolutional Neural Network (KNG-CNN). KNG-CNN comprises of three convolutional, two fully connected and three pooling layers. Kernel based Non-Gaussian computation is used for the diagnosis of false positive or error encountered in the work. Initially Lung Image Database Consortium image collection (LIDC-IDRI) dataset is used for input images and a ROI based segmentation using efficient CLAHE technique is carried as preprocessing steps, enhancing images for better feature extraction. Morphological features are extracted after the segmentation process. Finally, KNG-CNN method is used for effectual classification of tumour > 30mm. An accuracy of 87.3% was obtained using this technique. This method is effectual for classifying the lung cancer from the CT scanned image.     

基于曲波域与核主成分分析的人脸识别

针对小波变换不能充分描述人脸曲线特征的缺点,本文提出一种基于曲波域与核主成分分析(KPCA)的人脸识别算法.采用多尺度、多方向的曲波(Curvelet)变换提取图像特征,不仅具有更高的逼近精度和更好的稀疏表达能力,而且其变换系数能有效表示沿曲线的奇异性.进一步使用核主成分分析(KPCA)将曲波特征系数投影到更具表达力的...     

核最小二乘算法检测红外点目标(英文)

对于背景呈非线性变化的复杂图像,用背景预测的方法对红外点目标进行检测时,传统的线性最小二乘法(Least Squares,LS)的效果比较差.文章使用核方法(Kernel Methods,KMs)推导了最小二乘法的非线性版本:核最小二乘算法(Kernel Least Squares,KLS);进一步推导出了更适合动态系统时序预测的指数加权形式的核最小二乘算法(Kemel Exponential wleighted Least Squares,KEWLS).提出了一种基于核方法的红外点目标检测算法,先用KEWLS非线性回归算法预测红外图像背景,再通过自适应门限检测残差图像中的目标,非线性函数回归和红外序列图像检测实验表明核方法较大地改进了算法的非线性函数估计与红外背景预测能力.     

Feature Fusion Multi-View Hashing Based on Random Kernel Canonical Correlation Analysis

Hashing technology has the advantages of reducing data storage and improving the efficiency of the learning system, making it more and more widely used in image retrieval. Multi-view data describes image information more comprehensively than traditional methods using a single-view. How to use hashing to combine multi-view data for image retrieval is still a challenge. In this paper, a multi-view fusion hashing method based on RKCCA (Random Kernel Canonical Correlation Analysis) is proposed. In order to describe image content more accurately, we use deep learning dense convolutional network feature DenseNet to construct multi-view by combining GIST feature or BoW_SIFT (Bag-of-Words model+SIFT feature) feature. This algorithm uses RKCCA method to fuse multi-view features to construct association features and apply them to image retrieval. The algorithm generates binary hash code with minimal distortion error by designing quantization regularization terms. A large number of experiments on benchmark datasets show that this method is superior to other multi-view hashing methods.     

Weighted residual fusion with multi-modality features for high-resolution aerial scene classification

In scene-level classification of remote sensing, fusion of multi-feature can significantly boost the performance. However, most methods directly fuse the features of different modalities without considering the importance of each feature modality. Based on the above considerations, in this work, multi-modality features weighted residual fusion method is proposed. First, the extracted high-level and low-level features of the scene image are encoded into a unified feature representation. Then the reconstruction residuals of each modality of each scene class are calculated based on two representation-based classification, i.e. sparse representation (SR) and collaborative representation (CR). After fusing the weighted reconstruction residuals of these two modalities with SR and CR, the class label is assigned to the category with the smallest residual. We make extensive evaluations on two challenging remote sensing data sets. The comparison with the state-of-the-art methods demonstrates the effectiveness of our proposed method.     

一种基于核主成分分析和组合分类器的虹膜识别方法

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析(KPCA)在高维空间具有较强的特征选择能力来提取虹膜图像的纹理特征。采用了一种距离度量和支持向量机相结合的两级分类方法,前级采用欧式距离来度量图像间的相似性,若符合条件,给出分类结果,否则拒绝,并转入后一级分类器——支持向量机分类,以减少进入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度快的优点。实验结果表明,该方法提高了虹膜识别率,是一种有效的虹膜识别方法。     

基于非线性判别分析的故障分类方法研究

针对复杂机械故障的模式分类问题,提出一种基于非线性判别的多故障分类方法。与线性判别分析相比,基于核的判别分析更适于处理线性不可分的分类问题。分析了基于核的判别分析方法与核函数主元分析方法之间的联系与差异,指出了两者不同的应用背景,核函数主元分析适于检测机械设备异常状态的出现,而基于核的判别分析则适于在积累历史故障征兆基础上对多种机械故障进行分类识别。将上述方法应用于风机工作状态的分类识别与齿轮故障模式分类,结果表明该方法对于多种复杂的故障模式分类具有出色表现。     

融合小波变换和改进KFD的人脸识别方法

基于核函数的Fisher判别分析(KFD)在人脸识别中通常采用高斯径向基函数做核函数,但核函数中参数的选取对分类效果影响较大。目前参数的选取一般仅凭经验,且该方法在处理大样本时,速度较慢。针对这个问题,本文提出了一种融合小波变换和改进KFD的人脸识别的方法。该方法首先用小波变换降低样本的维数;然后在用KFD进行特征提取时,采用微粒群算法自动获取一个最优参数,增强分类效果;最后用SVM分类器完成特征的识别。实验表明,该方法与传统的KFD相比较,运算时间减少,而且识别率得到提高。     

A Two-Stage Vehicle Type Recognition Method Combining the Most Effective Gabor Features

Vehicle type recognition (VTR) is an important research topic due to its significance in intelligent transportation systems. However, recognizing vehicle type on the real-world images is challenging due to the illumination change, partial occlusion under real traffic environment. These difficulties limit the performance of current stateof-art methods, which are typically based on single-stage classification without considering feature availability. To address such difficulties, this paper proposes a twostage vehicle type recognition method combining the most effective Gabor features. The first stage leverages edge features to classify vehicles by size into big or small via a similarity k-nearest neighbor classifier (SKNNC). Further the more specific vehicle type such as bus, truck, sedan or van is recognized by the second stage classification, which leverages the most effective Gabor features extracted by a set of Gabor wavelet kernels on the partitioned key patches via a kernel sparse representation-based classifier (KSRC). A verification and correction step based on minimum residual analysis is proposed to enhance the reliability of the VTR. To improve VTR efficiency, the most effective Gabor features are selected through gray relational analysis that leverages the correlation between Gabor feature image and the original image. Experimental results demonstrate that the proposed method not only improves the accuracy of VTR but also enhances the recognition robustness to illumination change and partial occlusion.