采用均匀局部二元模式及稀疏表示的掌纹识别

针对传统掌纹识别方法易受噪声干扰,且旋转鲁棒性差的问题,提出一种采用均匀局部二元模式(Uniform Local Binary Patterns,ULBP)及稀疏表示的掌纹识别方法。该方法利用善于表达图像纹理特征,且具有良好旋转不变性和抗干扰性的ULBP提取掌纹图像特征;同时考虑到直接对整幅图像进行ULBP处理会丢失局部纹理,采用先对各图像进行分块,再对各块分别进行ULBP处理的特征提取方案。在分类算法的设计上,本文利用掌纹图像库中训练样本的ULBP特征构造过完备字典,通过求解l1范数意义下的最优化问题实现测试样本的稀疏分解,并提出一种基于统计残差平均的稀疏表示分类方法,实现了测试掌纹图像的分类识别。实验结果表明,本文方法不仅具有良好的旋转及噪声鲁棒性,而且总体识别率明显优于基于PCA及2DPCA的传统稀疏表示分类方法,对于包含5 000031 0人的掌纹数据库,识别率分别提高了8.8%和6.8%。     

适应不完整目标的快速模板匹配

针对不完整目标的查找,提出一种基于分块统计的快速模板匹配算法.将模板和待匹配图像区域划分成尺寸相同的若干方块,首先采用绝对距离度量分块中对应像素的像素匹配度,接着运用统计的方法依次确定块匹配度和目标匹配度.为加快算法运算速度,在图像遍历过程中构建金字塔结构进行分层搜索.实验结果表明,该算法可准确定位完整和不完整目标,运算时间保持在毫秒级,并具有很强的抗噪声能力.     

基于Gabor小波的人脸表情识别

提出通过提取人脸表情图像的Gabor特征,结合二次降维的方法,进行人脸表情识别.针对Gabor特征提取后维数变高,冗余很大的特点,先对高维特征进行采样,再引入二维PCA算法对Gabor特征进行选择,以达到降维的目的.然后采用基于模糊积分的多分类器联合的方法对7种表情进行融合识别.在JAFFE库上进行测试的结果验证了该算法的有效性,与2DPCA算法及传统特征提取算法相比,本文算法取得了较高的识别速度和精确度.该算法能更有效的提取反映表情状态的特征.     

融合2D-PCA及稀疏表示的掌纹识别方法

提出一种基于稀疏表示的掌纹识别方法,该方法借鉴二维主成分分析(PCA)良好的数据压缩属性和较快的特征提取速度,生成掌纹特征图像.二维PCA不仅克服了一维PCA数据维数过大不易计算的缺点,而且保留了原始图像的数据结构,提取的特征能更好的代表原始图像.为了便于稀疏表达,对提取的掌纹特征图像利用一维主成分分析进行二次特征提取,得到训练样本.虽然此处使用了一维PCA,但是由于这是二次特征提取,提取的特征还是保留了原始图像的数据结构,相比单纯的一维PCA,提高了识别率.利用训练样本构造出冗余字典,并采用稀疏表示理论将测试样本表示为字典原子的线性组合,然后根据表示系数的稀疏性与稀疏集中度实现分类识别.由于该方法利用了表达系数的稀疏性,因此减小了算法的时间和空间复杂度.实验表明,针对香港理工大学的MSpalmprints Database,本文方法的识别率较传统方法有明显提高.     

The Face Recognition Algorithm Based on Improved LBP

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.     

基于自相似性与稀疏表示的超分辨率算法

目的为了解决当前稀疏表示的超分辨率算法效果依赖参与训练的数据的问题,结合图像的自相似性,提出一种基于自相似性与稀疏表示相结合的超分辨率算法。方法算法利用图像的多维自相似性,构建多维图像金字塔,采用改进的相似块搜索策略,得到对应的高低分辨率图像块作为训练样本,然后对样本进行字典训练,最后根据稀疏表示得到超分辨率图像。结果实验结果显示,文中算法在峰值信噪比(PSNR)和结构相似度(SSIM)上优于其他算法,对于实验图像而言,PSNR平均提升了0.5 dB。结论提出的超分辨率算法未引入外部数据库,具有较好的效果,能够用于超分辨率重建。     

Shearlet变换和稀疏表示相结合的甲状腺图像融合

针对甲状腺肿瘤超声图像对比度低和SPECT图像边界模糊的特点,结合多尺度几何分析和单尺度稀疏表示的思想,提出了一种 Shearlet 变换与稀疏表示相结合的图像融合算法。首先,用该变换对已经精确配准的源图像进行分解,得到图像的高低频子带系数。对稀疏性较差的低频子带系数进行字典训练并求解其稀疏表示系数,并采用能量值取大的规则进行融合。高频子带系数采用区域拉普拉斯能量和的规则。最后,用 Shearlet 逆变换得到融合图像。实验结果表明,此算法在主观视觉效果和客观评价指标上优于多尺度融合方法和单尺度下基于稀疏表示的图像融合方法。     

运用稀疏表示法进行单幅图像超分辨的内点方法

稀疏表示法在单幅图像超分辨率重建问题中受到广泛的关注.本文介绍了一种使用稀疏表示进行超分辨率图像重建的方案.该方案首先由低分辨率的输入图像块求取稀疏表示系数,然后根据此系数生成对应的高分辨率图像块,最后由高分辨率块重建出整幅图像.在求取稀疏表示系数时,本文采用了一种借助预处理共轭梯度算法计算搜索方向的内点方法.仿真结果...     

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。     

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。     

基于2DPCA的矩阵时间序列统计监控及推断

在多元统计过程控制的研究中,越来越多的学者开始关注到矩阵数据的在线监控问题。矩阵数据通常可被拉直为向量数据再进行监控,但拉直操作破坏了矩阵数据的原有结构信息。而2DPCA方法直接对矩阵数据进行特征提取,可保留矩阵的结构特征。因此,利用2DPCA方法研究矩阵值时间序列的统计监控及推断是有意义的。首先基于2DPCA方法对矩阵数据进行正交投影获取特征,通过融合这些特征构造监控统计量;其次证明了该监控统计量的极限分布为卡方分布,并利用该分布进行统计推断。模拟实验表明：该方法理论正确;当样本容量较大时,该方法相对于同类方法表现更优。     

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     

2DPCA在图像特征提取中优于PCA的判定条件

主元分析(PCA)与二维主元分析(2DPCA)是两种典型的图像特征提取方法,它们所提取的图像特征的优劣可由重建误差来衡量.通过对PCA和2DPCA的重建误差分析发现,二者的重建误差在理论上相同,但在实际应用中取决于它们的样本协方差阵的估计准确度.本文以均方误差为度量给出了PCA与2DPCA样本协方差阵的估计准确度表达式,并由此得到2DPCA图像特征优于PCA的判定条件是2DPCA协方差阵的特征值平方和大于PCA.本文还指出行2DPCA与列2DPCA所提取的图像特征孰优孰劣也取决于它们各自协方差阵的特征值平方和的大小.在人脸图像库与人脸表情图像库上的实验验证了上述判定条件的正确性.     

基于矩阵体积度量的二维PCA人脸识别

本文提出一种符合高维几何空间理论的矩阵体积度量分类准则用于人脸识别.基于二维PCA的人脸识别方法主要研究的是特征提取部分,对后继的分类识别研究不多.基于二维PCA的人脸识别方法中典型的分类准则是比较特征向量的欧氏距离,而新方法比较的是矩阵的体积.在ORL和AR人脸库上的实验表明,所提出的矩阵体积度量较传统距离度量分类准则更有效.     

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。     

Two-dimensional pulse-to-pulse canceller of ground clutter in airborne radar

It is well known that in the airborne radar, the location of the ground clutter spectrum in the angle- Doppler space is dependent mainly on the platform velocity and radar parameters. The authors propose a two-dimensional pulse-to-pulse canceller (TDPC) that can make full use of such prior information. The more detailed formulations of the ground clutter model and the signal model are given in a matrix?vector form. The least-squares-typical cost function associated with the filter coefficient matrix of the TDPC is established on the basis of the ground clutter model and the signal model. Like the classical displaced phase centre antenna (DPCA) processing, the proposed TDPC is also a spatial-temporal suppressor of ground clutter and can decrease the ground clutter signals, even though the DPCA condition is not satisfied. The proposed TDPC can also be used as an efficient pre-filtering tool before the conventional moving target indication (MTI) processing and the classical adaptive processing. Moreover, if only the TDPC plus the conventional MTI is used, it takes less computational time than the adaptive canceller. Experimental results show that the proposed TDPC has the satisfactory ground clutter suppression capability by using both simulated data and measured data.     

标致雪铁龙集团曲轴疲劳强度测试的新方法

对法国标致雪铁龙集团的曲轴疲劳强度测试新方法进行了详细介绍。该方法包含重复法和阶梯法。重复法是通过试验载荷不断收敛逐渐接近预期的疲劳强度的试验方法;阶梯法是将载荷按照算术级数间隔的应力水平阶梯进行升降变换,通过断裂和不断裂顺序界定疲劳强度。通过这两种方法的综合应用,能够快速高效地测试曲轴疲劳强度和离散度。新方法目前被神龙汽车公司引进并应用,是一种非常具有推广价值的疲劳强度测试新方法。     

Interpretation of static time-of-flight secondary ion mass spectra of adsorbed protein films by multivariate pattern recognition

Multivariate analysis has become increasingly common in the analysis of multidimensional spectral data. We previously showed that the multivariate analysis technique principal component analysis (PCA) is an excellent method for interpreting the static time-of-flight secondary ion mass spectrometry (TOF-SIMS) spectra of adsorbed protein films. PCA is an unsupervised pattern recognition technique that loses resolution between spectra of different proteins as more proteins are added to the data set due to large within-group variation. The supervised pattern recognition techniques discriminant principal component analysis (DPCA) and linear discriminant analysis (LDA), which aim to control within-group variation while maximizing between-group separation to enhance discrimination between groups, were compared with PCA using data sets of TOF-SIMS spectra of proteins adsorbed onto mica and PTFE substrates. DPCA and LDA quantitatively improved discrimination between groups and provided different information about the data than PCA. LDA was able to classify unknown samples with a misclassification rate lower than PCA or DPCA. Both unsupervised and supervised pattern recognition techniques are useful for the interpretation and classification of static TOF-SIMS spectra of adsorbed protein films.     

Motion estimation in wide band synthetic aperture sonar based on the raw echo data using the method of displaced phase center antenna

Phase errors in synthetic aperture sonar (SAS) imaging must be reduced to less than one eighth of a wavelength so as to avoid image destruction. Most of the phase errors occur as a result of platform motion errors, for example, sway yaw and surge that are the most important error sources. The phase error of a wide band synthetic aperture sonar is modeled and solutions to sway yaw and surge motion estimation based on the raw sonar echo data with a Displaced Phase Center Antenna (DPCA) method are proposed and their implementations are detailed in this paper. It is shown that the sway estimates can be obtained from the correlation lag and phase difference between the returns at coincident phase centers. An estimate of yaw is also possible if such a technique is applied to more than one overlapping phase center positions. Surge estimates can be obtained by identifying pairs of phase centers with a maximum correlation coefficient. The method works only if the platform velocity is low enough such that a number of phase centers from adjacent pings overlap.