基于混沌理论和支持向量机的人脸识别方法

针对如何选定主成分分析(PCA)特征维数和如何选定支持向量机(SVM)的参数来进一步提高人脸识别系统性能的问题,提出了一种基于混沌理论和支持向量机的人脸识别方法.首先,在统一的目标函数下,在采用PCA方法对人脸图像进行降维和将得到的特征送入SVM中进行训练期间,使用具有可操作性的改进混沌优化算法同时对PCA图像特征维数和分类器参数进行优化选择,然后用得到的优化人脸特征和最佳参数的分类器对未知图像进行识别.基于该方法,对ORL和Yale人脸库进行实验,其识别率都高达99%以上,仿真结果表明,该方法极大地提高了人脸识别能力.     

金融市场风险度量方法的发展

本文综述有关市场风险度量方法的发展过程和前沿问题.在分类概述基于收益分布矩信息的风险度量、随机优势准则、VaR、Coherent风险度量、凸风险度量和多期动态风险度量等定量模型的基础上,指出各类模型的优点、所存在的问题及可能的解决办法,并对未来风险度量方法的研究进行展望.     

基于补偿距离评估-小波核PCA的滚动轴承故障诊断

提出基于补偿距离评估技术-小波核PCA的滚动轴承故障诊断方法。将补偿距离评估技术用于滚动轴承时、频域故障特征向量降维,将降维后故障特征向量作为小波核PCA的特征向量。将分类结果与未进行补偿距离评估技术降维直接进行小波核主元分析结果比较表明,前者分类效果紧致性及计算效率更高。为突出小波核主元分析方法优势,将其与常用RBF核函数主元分析方法比较表明,前者聚类效果紧致性更高。     

二维类内差异信息保持的人脸识别

为了使增强的Fisher鉴别准则(EFDC)避免因PCA降维带来的鉴别信息丢失问题,本文将其进行二维推广,提出基于二维类内差异信息保持(2D-IDP)的人脸识别方法,该方法建立了一个鲁棒性更强的鉴别准则,使得投影后不同类的样本点尽量远离的同时,类内紧致性和差异信息都得到有效保持,避免了过学习现象的产生.同时对EFDC近邻图中的参数t作了重新定义,使其能根据不同的输入样本自适应的变化,避免了t选择不当导致的识别性能下降的问题.在YALE和AR人脸库上的实验表明了本文方法的有效性.     

一种二维鲁棒随机权网络及其应用

二维随机权网络的主要特点是将矩阵数据直接作为输入,可以保留矩阵数据本身的结构信息,从而提高识别率.然而,二维随机权网络在处理含有离群值的人脸图像识别问题时效果往往不佳.为了解决该问题,提出一种新的人脸识别方法——二维鲁棒随机权网络,并用期望最大化算法来求解网络参数.实验结果显示,该方法能够较好地处理含有离群值的人脸识别问题.     

直接无监督正交局部保持特征提取算法

基于局部保持投影发展出的一系列特征提取算法,在应用于人脸识别等高维小样本问题时,均需先采用PCA算法对高维样本降维后才能应用,故此以无监督鉴别分析算法为理论基础,提出了一种直接无监督正交局部保持算法。该算法利用拉普拉斯矩阵的性质进行相应的矩阵分解,可直接从高维样本的原始空间中提取投影矩阵,因而无需先采用PCA降维处理,且解决了无监督鉴别分析算法的小样本问题。为了进一步提高算法的识别性能,给出了基于QR分解的正交投影矩阵的求解方法。人脸库和掌纹库上的实验结果表明了所提算法的有效性。     

基于主分量分析的声信号特征提取及识别研究

主分量分析(PCA)是统计学中分析数据的一种有效方法。研究了基于这种算法对四种战场目标的声信号进行特征提取,获得了低维的特征类器对声目标进行分类,分类结果准确率较高,均获得满意的实验效果     

基于空间邻域信息的二维模糊聚类图像分割

传统模糊C均值聚类(FCM)算法进行图像分割时仅利用了像素的灰度信息,并且使用对噪声较敏感的欧氏距离作为像素与聚类中心距离度量的标准,因此抗噪性能较差.为了克服传统FCM算法的局限性,本文提出了一种基于空间邻域信息的二维模糊聚类图像分割方法(2DFCM).该方法利用二维直方图描述的像素邻域关系属性,一方面为聚类提供较准确的初始聚类中心,从而避免聚类中的死点问题;另一方面通过提出聚类中心同时在像素值、像素邻域值二维方向上进行更新的思想,建立了包含邻域信息的新的聚类目标函数,实现了图像的分割.实验结果表明,这种方法抗噪能力强、收敛速度快,是一种有效的模糊聚类图像分割方法.     

基于LBP算法的人脸检测与识别

介绍人脸检测方法,探讨PCA、ICA、LDA和LBP等人脸识别算法,并总结现有的算法得出使用LBP算法的巨大优越性。对未来工作提出研究方向。     

分块PCA在脸像识别中的应用

鉴于整幅人脸图像主成分提取(PCA)特征脸算法的高计算复杂度,本文提出了基于分块PCA的脸像识别算法,先对每幅脸像等分成相同的块,再对各子块图像预处理,采用像素均值法的降采样和能量归一化处理以降低维数和消除光照的影响,再合并成一个向量,将预处理得到的向量进行PCA降维,最后采用k-近邻分类器进行分类识别。在Yale人脸库中实验结果表明该方法的有效性。     

基于集合经验模态分解的脑电信号高阶张量特征提取

为了实现脑机接口系统需要有效的特征提取算法。针对二维主成分分析(2DPCA)的特征提取方法忽略脑电信号(EEG)频域特征的缺点和基于小波分解构建EEG高阶张量时小波参数难以确定的局限性,提出了基于集合经验模态分解(EEMD)构建高阶张量结合多线性主成分分析(MPCA)降维的特征提取方法。设计了3种不同特征提取方法的对照实验,并结合Fisher线性判别分析分类方法取得分类准确率。结果表明:新提出的方法相比基于小波分解构建高阶张量结合MPCA进行降维和2DPCA的特征提取方法,平均识别准确率分别提高4.75%和2.6%,且识别准确率的方差分别减小72.69%和23.86%。该方法在提高单次运动想象脑电信号识别准确率的同时还具有更好的适用性,为实现运动想象脑电信号解码奠定了基础。     

分块稀疏表示和2DPCA的人脸识别方法

稀疏表示提出了一种分块稀疏表示和二维主成分分析(2DPCA)的人脸识别方法.该方法应用了逐像素分块的与2DPCA技术相结合的方式,充分地考虑了图像中相邻的多个像素间的相关性.实验结果表明,其中提出的新算法具有可行性以及在识别精度上的优越性.进一步的研究还表明,所提出的分块识别的方法较之于以往传统算法在存在位置偏移、单色遮挡问题的人脸图像误判率上也有显著降低.     

基于改进的LBP人脸识别算法

针对基本LBP算子提取的特征不够完整,不能全面地表达出人脸局部特征的问题,提出了基于分块的完备局部二值模式(CLBP)人脸识别算法。首先对原始人脸图像进行分块处理,对每一分块的图像进行局部差异值和中心像素灰度值分析,用Su2CLBP(8,2)、Mu2CLBP(8,2)和CCLBP(8,2)算子分别提取每一分块的直方图统计特征。然后将所有分块的CLBP直方图序列连接起来,得到人脸图像的CLBP特征,将其作为人脸的鉴别特征用于分类识别。最后利用Chi平方统计法计算直方图的不相似度,用最近邻准则进行分类。所提出的算法分别在ORL、FERET、YALE数据库中进行实验,分别取得了高达99.5%、92%、98.67%的识别率,与分块LBP算法相比识别率分别有2.5%、8%、2.67%的提高。实验结果表明,完备LBP提取的特征比较全面且具有较强的鉴别能力,在ORL、FERET、YALE人脸库中均能获得较好的识别率。     

Cross‐band fusion by energy weight as solution to illumination and arch restrictions in palm‐print recognition

Palm‐print image is often influenced by illumination and the arch of the palm‐print results in a great deal of noise during the course of palm‐print image acquisition. This article presents palm‐print recognition based on cross‐band fusion by energy weight and comprehensively takes into account the noisy properties of various sub‐bands in single wavelet level and decomposition coefficient of the adjacent sub‐band, thus the method of energy weight based on palm‐print image is employed. Then two‐dimensional principal component analysis (2DPCA) is employed for dimension reduction and decorrelated. Finally, a nearest neighbor classifier is used for palm‐print recognition. Experimental results on Hong Kong PolyU palm‐print database show that correct recognition rate can reach 100% by the method presented within this article. Correct recognition rate and recognition efficiency is higher than that of 2DPCA and WT + DCT + 2DPCA (Wavelet Transform, Discrete Cosine Transform and 2DPCA, WT + DCT + 2DPCA). © 2009 Wiley Periodicals, Inc. Int J Imaging Syst Technol, 19, 350–355, 2009     

基于同步挤压S变换和集成深层脊波自编码器的轴承故障诊断

针对传统滚动轴承故障诊断算法过度依赖专家经验和故障特征提取困难的问题,提出一种基于同步挤压S变换(SSST)和集成深层脊波自编码器(EDRAE)方法。该方法对轴承振动信号进行SSST变换得到时频图像,并将时频图像进行双向二维主成分分析压缩;利用不同的脊波函数设计不同的脊波自编码器(RAE),并构造相应的深层脊波自编码器(DRAE)且引入"跨层"连接以缓解DRAE的梯度消失现象;将压缩时频图像输入各DRAE网络进行无监督预训练和有监督微调,并通过加权平均法输出识别结果。试验结果表明,基于SSST和EDRAE的轴承故障诊断方法能有效地对轴承进行多种工况和多种故障程度的识别,特征提取能力和识别能力均优于人工神经网络、深度信念网络和深度自编码器等模型。     

仿射变换下的分类识别

特征提取和分类识别是统计模式识别中两大关键步骤。显然,不同的特征提取方法与不同的分类器相结合,识别性能往往是不同的。从微分几何的角度出发,可将特征系数的获得看成线性几何变换,即仿射变换,据此在黎曼空间提出一种基于黎曼度量的分类识别方法。通过对经典最近邻分类器的线性加权,达到更有效地分类识别。不但在理论上将特征系数提取与分类识别合理的结合起来,而且由人脸识别实验表明该方法的有效性,该方法比传统方法的识别率有约 3%的提高。     

Occlusion invariant face recognition using mean based weight matrix and support vector machine

In this paper, a novel occlusion invariant face recognition algorithm based on Mean based weight matrix (MBWM) technique is proposed. The proposed algorithm is composed of two phases—the occlusion detection phase and the MBWM based face recognition phase. A feature based approach is used to effectively detect partial occlusions for a given input face image. The input face image is first divided into a finite number of disjointed local patches, and features are extracted for each patch, and the occlusion present is detected. Features obtained from the corresponding occlusion-free patches of training images are used for face image recognition. The SVM classifier is used for occlusion detection for each patch. In the recognition phase, the MBWM bases of occlusion-free image patches are used for face recognition. Euclidean nearest neighbour rule is applied for the matching. GTAV face database that includes many occluded face images by sunglasses and hand are used for the experiment. The experimental results demonstrate that the proposed local patch-based occlusion detection technique works well and the MBWM based method shows superior performance to other conventional approaches.     

基于线性判别分析的决策融合脑电意识动态分类

脑电信号的识别与分类是脑机接口技术的热点研究问题,单一分类器不能很好利用特征以及分类器的适应性,导致识别的准确率很难进一步提高,基于线性判别分析的分类决策级融合策略,可用于提高脑-机接口系统的分类准确率。首先,通过分离出两种分类器的假性试验特征,从这两种方法中选择更有可能正确决策提高分类准确性;其次为了测量每个决策的不确定性,使用与所对应分类器的最大和第二大相关系数提取特征向量。基于这一思想,提出了一种新的决策选择器,该方法通过整合两种基于线性判别分析的算法选择更有可能是准确的决策,从而达到提高脑电信号分类准确度。实验结果表明,该方法通过与精度相近的算法相结合在运动想象数据分类上获得了较好的分类准确率。     

Face recognition system based on MOTIF features

This work addresses the use of the MOTIF algorithm for face feature extraction. The MOTIF algorithm is commonly used to characterize texture and shows good performance in this task; a MOTIF algorithm without the Co-occurrence Matrix is proposed to obtain face features, and the approach proves to be effective. System testing was based on a standard database (the AR Face database) that includes 120 people, 70 images with face expressions and 30 with sunglasses; 1 to 9 images were used to make the template for each person. After using Euclidean distance, Cosine distance and support vector machine as classifiers, correct classification was achieved with 98% accuracy. Further tests were performed with all databases and compared with Local Binary Pattern, DI-WBP and other commonly used schemes, demonstrating effective face recognition by the MOTIF algorithm without the co-occurrence matrix in addition to its fast performance due to the low computational cost.