基于独立成分分析的掌纹识别

本文研究了独立成分分析（ICA）两种不同的结构ICAⅠ和ICAⅡ在掌纹识别中的应用。为了提高识别准确性和可靠性,该方法首先对掌纹图像进行预处理,提取掌纹感兴趣（ROI）区域进行特征提取和匹配。为了减少计算量,运用ICA算法之前．先采用主成分分析（PCA）算法去除掌纹图像的二阶统计特征相关性,其余的高阶统计特征由ICA分离。对于PolyU掌纹图像库,基于ICA模型的预测误差平方和（SPE）小于PCA,而且重构的原始图像优于PCA。为了比较两种算法识别性能,本文分别用PCA、ICAⅠ、ICAⅡ提取特征掌纹子空间,然后将待识别图像投影到低维子空间上,最后用余弦距离进行掌纹匹配。实验结果表明,ICA算法两种结构的识别率均高于PCA,ICAⅡ在性能上优于ICAⅠ。     

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.     

基于局部纹理特征的三维掌纹识别研究

近年来,自动掌纹识别方法的研究吸引了越来越多的关注,已有的工作主要集中于二维掌纹识别。然而,二维掌纹图像存在着易伪造、抗噪能力差的缺陷,实际应用中会带来潜在的安全隐患。因此,三维掌纹识别被视为一种可行的解决方案来进一步提高识别的性能。基于局部纹理特征,本文提出一种有效的三维掌纹识别方法。该方法首先利用形状指数来描述三维掌纹的局部几何特征,接着提取形状指数图像的局部三值模式以及Gabor小波特征,最后在匹配分数层次上对这两种互补的局部纹理特征进行融合,随后的实验证明了融合特征较单独特征要好。在香港理工三维掌纹数据库上的实验结果表明,本文方法在识别率上要优于目前流行的其它三维掌纹识别方法,从而验证了本文方法的有效性。     

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%。     

分块Radon变换在低对比度掌纹特征提取中的应用

特征提取是低对比度掌纹识别的关键步骤.针对掌纹纹理特征明显的特点,本文提出了一种分块Radon变换的掌纹特征提取方法.该方法先对掌纹感兴趣区域进行一级小波分解去噪降维,接着对低频子图像进行分块以圈定局部主要纹理,最后把所有分块后的子图像进行70°～140°Radon变换,所获得的线积分组合在一起构成该图像的特征向量.运...     

基于SVM的多生物特征融合识别算法

针对单生物特征识别的局限性,提出融合手背静脉和虹膜两种生物特征实现身份识别.基于尺度不变特征变换(SIFT)提取手背静脉的局部SIFT特征并对特征点进行匹配,利用特征匹配率作为手背静脉图像的相似度测度.通过Haar小波变换实现虹膜特征编码,利用加权汉明距对虹膜进行相似度测试.最后基于支持向量机(SVM)实现两种生物特征在匹配层的融合识别.利用CASIA虹膜数据库和TJU手背静脉数据库对算法性能进行测试,其等错率为0.02%,实验结果表明,该融合算法具有很高的识别性能,为生物特征识别研究提供了新思路.     

基于图像数据重排的产品表面缺陷检测算法研究

产品检测时许多无关图像信息增加了参与计算的图像数据量,为解决该问题,提出了一种基于图像数据重排产品表面缺陷检测算法.根据先验知识将产品表面结构明显且不会出错的特征作为产品成像后的周向位置特征,建立起样本周向位置特征库图像序列;同时提取每个周向方位下样本表面各个待识别子目标区域图像数据或变换特征进行有效数据重排作为产品的检测识别特征,建立起产品的检测识别特征库图像序列.检测识别过程中,提取产品位置特征寻找其在标准样本库中最优解确定产品的周向方位,然后提取产品不同方位下的多个待检测区域并进行相同的数据重排,最终完成快速检测识别.经过仿真验证,本文的算法可以大大节省缺陷检测所用时间.     

近红外光谱数据处理的独立分量分析方法研究

从数学的角度分析比较了主成分分析(PCA)与独立分量分析(ICA)的原理和特点,给出光谱矩阵在两种不同分析方法下的不同分解;同时结合线性回归和神经网络回归,提出"两步法"来确定不同成分含量测定的最优模型.进而采用PCA与ICA对实际测得的玉米近红外光谱进行了处理,比较分析了两种不同分解所得矩阵的化学含义,以及PCA与ICA两种不同分解对玉米光谱分析结果的影响.仿真结果表明,ICA从独立性角度对光谱数据矩阵进行分解,所得结果更接近实际光谱.最后,利用"两步法"对玉米三种主要成分水、淀粉、蛋白质分别建立了各自最优含量测定模型.结果表明,所建模型符合快速测定要求,具有一定的实用价值.     

基于Gabor+PCA特征与粒子群算法的部分遮挡人耳识别研究

在分析人耳Gabor特征基础上,提出一种主成分分析降维并利用基于粒子群优化训练的人工神经网络对部分遮挡人耳进行识别方法.选取了PCA方法降维后人耳图像的Gabor特征值作为人工神经网络训练样本,利用粒子群优化算法与多层前馈网络结合算法训练神经网络.与多种方法对比的实验表明,针对部分遮挡人耳的测试实验,基于Gabor+PCA特征与粒子群算法的部分遮挡人耳识别方法具有高识别性能,取得好的效果.     

基于二维Fisher线性判别的人耳识别

针对传统二维Fisher线性判别(2DFLD)方法只使用图像矩阵的行向量作子模式的局限性,结合人耳图像的特点,提出了一种基于列向量作子模式的2DFLD的人耳识别方法.首先利用训练样本图像矩阵的列向量作子模式进行训练以提取特征人耳子空间,再将测试图像投影到该子空间上,最后用最近邻欧式距离方法进行匹配.实验结果表明,以列向量作子模式时的识别率达98.333%,比行向量作子模式时提高了3.333%,与同样基于多元统计分析的PCA、2DPCA和PCA+FLD方法相比,识别效果最优,是一种有效的人耳识别方法.     

Independent Component Analysis–Based Feature Extraction Technique for Defect Classification Applied for Pulsed Eddy Current NDE

With the development of nondestructive detection, the emerging testing techniques provide new challenges to signal analysis and interpretation approach applied to the inspection evaluation. Some researchers have developed the methods that focus on feature analysis of detected signals. This article presents a new feature analysis by the Independent Component Analysis (ICA) approach to evaluate the defects tested by the pulsed eddy current (PEC) technique. ICA is a high-order statistics technique used to separate multi-unknown sources, which has been successfully applied to facial image identification and separation of the components of 1D signal. In this article, the ICA approach is utilized to project the response signals of various defects into the independent components (ICs) feature subspace by signal representation model. Dependent on the selected ICs, each defect is represented by different projected coefficients, which are proposed to discriminate and classify the defects that belong to three categories. The improved ICA model is proposed to improve the classification of two similar categories of single defects: metal loss and subsurface defects. The evaluation using the series of experimental data has validated the classification of single defects and the defects with lift-off effect by our ICA approach. The comparison with Principal component analysis (PCA)–based approach further verified the better performance of the ICA-based model.     

Fault diagnosis method for an Aeroengine Based on Independent Component Analysis and the Discrete Hidden Markov Model

The vibration signals of an aeroengine are a very important information source for fault diagnosis and condition monitoring. Considering the nonstationarity and low repeatability of the vibration signals, it is necessary to find a corresponding method for feature extraction and fault recognition. In this paper, based on Independent Component Analysis (ICA) and the Discrete Hidden Markov Model (DHMM), a new fault diagnosis approach named ICA-DHMM is proposed. In this method, ICA separates the source signals ...     

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。     

State-space independent component analysis for nonlinear dynamic process monitoring

The cost effective benefits of process monitoring will never be over emphasised. Amongst monitoring techniques, the Independent Component Analysis (ICA) is an efficient tool to reveal hidden factors from process measurements, which follow non-Gaussian distributions. Conventionally, most ICA algorithms adopt the Principal Component Analysis (PCA) as a pre-processing tool for dimension reduction and de-correlation before extracting the independent components (ICs). However, due to the static nature of the PCA, such algorithms are not suitable for dynamic process monitoring. The dynamic extension of the ICA (DICA), similar to the dynamic PCA, is able to deal with dynamic processes, however unsatisfactorily. On the other hand, the Canonical Variate Analysis(CVA) is an ideal tool for dynamic process monitoring, however is not sufficient for nonlinear systems where most measurements follow non-Gaussian distributions. To improve the performance of nonlinear dynamic process monitoring, a state space based ICA (SSICA) approach is proposed in this work. Unlike the conventional ICA, the proposed algorithm employs the CVA as a dimension reduction tool to construct a state space, from where statistically independent components are extracted for process monitoring. The proposed SSICA is applied to the Tennessee Eastman Process Plant as a case study. It shows that the new SSICA provides better monitoring performance and detect some faults earlier than other approaches, such as the DICA and the CVA.     

一种多频带线性鉴别分析方法

线性鉴别分析(LDA)是模式识别领域广泛使用的一种特征抽取方法,而在图像识别中,由于小样本问题,经常采用的是PCA LDA方法来代替单纯的LDA.提出了一种多频带线性鉴别分析方法(MBLDA),使LDA在完整的样本空间上进行,而且解决了小样本问题.MBLDA不仅避免了PCA过程带来的信息损失,而且提取的鉴别特征维数小,还提高了识别性能.该方法在识别精度上大幅度地超越了PCA和LDA或PCA LDA,通过对ORL,NUST603人脸库的实验验证了该算法的有效性.     

独立分量分析在说话人识别技术中的应用

独立分量分析方法能够将线性混合信号进行分离,得到统计独立的源信号,能用于提取组合语音的特征基函数。倒谱矢量符合ICA变换的假设条件,用ICA方法对MFCC特征进行转换得到ICA特征基,继而用于说话人识别,建立了一个基于独立分量分析的说话人识别系统。实验结果表明,在噪声环境下此系统具有更高的识别率。     

独立分量分析的图像融合算法

独立分量分析可实现图像的稀疏编码并具有能很好地捕捉图像重要边缘信息的特性.本文提出一种基于独立分量分析的图像融合算法,结合支持向量机对多聚焦图像的清晰域、模糊域进行判断以及在ICA域中进行图像分割以提取图像的主要边缘特征信息来实现特征级的多聚焦图像的融合.实验结果表明,本文提出的融合算法是有效的.     

高光谱图像技术检测柑橘果锈

高光谱图像技术作为农产品无损检测的新技术,探讨了其在柑橘外部品质检测的可行性.以检测柑橘果锈为目的,首先对经预处理的高光谱图像数据进行主成分分析,优选出571 nm、652 nm和741 nm三个特征波长组成新的图像块;再进行第二步主成分分析,得到的第三主成分图像为最适宜检测柑橘果锈的图像;最后对该图像进行中值滤波、平方根变换,阈值分割和数字形态学运算完成特征提取.试验结果表明,此算法对柑橘果锈检测的正确率可达到90%.研究表明,利用高光谱图像技术结合两步主成分分析算法检测柑橘果锈是可行的.     

基于互信息的主成分分析用于声场景分类

主成分分析是声场景分类中常用的特征选择方法。针对主成分分析的局限性,提出一种基于互信息的主成分分析方法。这一方法引入类别信息,用不同声场景条件下特征之间的互信息矩阵之和替代传统主成分分析中的协方差矩阵,计算其特征向量与特征值,特征向量表示由原始特征空间向新的主成分空间的转换系数,特征值则用于计算主成分的累计贡献率并判断主成分维数。声场景分类实验结果表明,该方法较之传统主成分分析方法降维效果更好,辅以神经网络分类器,计算得到的分类正确率更高。     

A Source Separation Technique for Processing of Thermometric Data From Fiber-Optic DTS Measurements for Water Leakage Identification in Dikes

Distributed temperature sensors (DTSs) show real advantages over conventional temperature sensing technology such as low cost for long-range measurement, durability, stability, insensitivity to external perturbations, etc. They are particularly interesting for long-term health assessment of civil engineering structures such as dikes. In this paper, we address the problem of identification of leakage in dikes based on real thermometric data recorded by DTS. Formulating this task as a source separation problem, we propose a methodology based on Principal Component Analysis (PCA) and Independent Component Analysis (ICA). As the first PCA estimated source extracts an energetic subspace, other PCA sources allow to access the leakages. The energy of a leakage being very low compared to the entire data, a temporal windowing approach guarantees the presence of the leakages on these other PCA sources. However, on these sources, the leakages are not well separated from other factors like drains. An ICA processing, providing independent sources, is thus proposed to achieve better identification of the leakages. The study of different preprocessing steps such as normalization, spatial gradient, and transposition allows to propose a final scheme that represents a first step towards the automation of the leakage identification problem.