基于空间特征的汽车阴影分割方法

利用阴影区域内的点与背景对应点颜色的比值大小，以及该点和汽车的空间位置关系以及汽车的形状有关的特征，提出一种新的基于空间特征的汽车阴影分割方法，该方法不仅适用于汽车与阴影颜色差别明显时的汽车阴影分割，在当两者颜色相近时，也能获得较好的分割效果。实验结果显示了该方法的有效性。     

采用CASPCM模型进行姿势鲁棒性人脸识别

针对ASPCM模型处理转动角度较大的人脸图像时出现的不足,提出CASPCM模型.以样本与模型中心的距离为依据将训练样本分组,为每个分组训练ASPCM模型;将局部ASPCM模型的合成映射结果加权平均得到CASPCM模型的合成结果;提出利用梯度下降法使分解映射的姿势估计逐步精确.采用精确性和概括性两个标准衡量该模型的分解性能和合成性能.实验表明,CASPCM模型的分解性能和合成性能均优于ASPCM模型;基于该模型的人脸识别系统在处理转动角度较大的人脸图像时,识别率比 ASPCM模型高7%.     

基于RMFA-ICA的人脸识别

针对有噪的ICA模型,提出一种有限制的平均场近似(restrictive m ean field approxim ation,RMFA)的算法来求解ICA模型参数和源信号的估计问题.在传统MFA-ICA算法的基础上,提出将ICA中的模型参数和源信号均限制为非负,目的是使得提取出的特征更独立,更利于识别.通过手写体数字和仿真模拟人脸图形以及ORL人脸数据进行实验,将RMFA-ICA算法与传统的ICA算法和无限制的MFA-ICA算法进行比较,对于手写体数字和仿真模拟人脸图形,RMFA-ICA算法能分离出更独立的特征,对于ORL人脸数据,其结果表明,利用RMFA-ICA算法明显优于传统ICA算法和无限制MFA-ICA算法识别结果.     

基于概率主成分分析的人脸识别

人脸自动识别是模式识别和图像处理等学科的一大研究热点，在身份鉴别、信用卡识别、护照核对以及监控系统等方面有着广泛的应用。提出一种基于概率主成分分析方法(PPCA)的人脸识别，该方法与传统的主成分分析(PCA)相比，克服了简单的“丢弃”其他非主成分因子，在PPCA中将“丢弃”因子作为噪声成分进行估计．同时PPCA方法是一种基于概率模型的方法，因此很容易延伸为混合模型，对于PPCA概率模型参数，提出利用EM算法对其进行估计。用两个不同的数据集(姿势表情变化集和光照变化集)，将PPCA人脸识别算法和传统的PCA算法进行比较，基于PPCA的人脸识别算法中的“丢弃”方差的收敛速度快于传统的PCA算法。实验结果表明．无论是姿势表情变化集，还是光照变化集，PPCA算法的识别率都优于传统的PCA识别算法。     

基于NSA多尺度模型的人脸识别

提出了NSA多尺度模型.该模型摒弃了LSA模型中不同尺度的图像间具有线性映射关系的假设.首先利用神经网络建立不同尺度图像间的映射关系;其次使用反向传播算法训练神经网络确定这种映射关系;最后根据该映射关系由低分辨率图像估计高分辨率图像.利用对比度相似性量化估计图像与目标图像间的相似程度.将该模型用于人脸识别,提出利用梯度算子进行图像分割提高识别的准确性.实验结果表明,以该模型分析得到的对比度相似性为95.3634%;以该模型为基础的人脸识别系统对光照具有很好的鲁棒性.     

DR导航系统非线性过程处理方法的改进

针对DR系统中利用扩展卡尔曼滤波（EKF）方法解决非线性问题在算法复杂性上的缺陷和精度上的不稳定性，从数据预先处理的角度出发合理规避线性化过程，提出了一种充分利用现成经典卡尔曼滤波公式的行之有效的方法，就是数据进入滤波器之前就预先进行处理，获得每一组量测值按照极坐标-笛卡儿坐标的转换方式转为相应的位置信息，然后按照标准的卡尔曼滤波公式构建滤波器，进行状态的最优估计。计算机仿真结果证明了这种算法的有效性。     

一种用于图像目标识别的神经网络及其车型识别应用

构建了一种用于图像目标识别的多层前向神经网络，给出了网络拓扑结构，并成 功地把该神经网络运用到车型识别中。该方法综合了神经网络、模糊逻辑、模式识别的相 关 算法，对图像目标轮廓进行整体识别，达到了较高的目标识别准确率。实践表明，该网 络经 过监督学习后，能摒除图像中一定量干扰像素影响，准确地识别出各种外形车的车型 。     

基于单机排序问题的降落飞机分组排序方法

为使单跑道降落飞机排序结果在实际操作时可行、简单，首先限制同一航路段上的飞机按照先来先服务的原则排序，在最终的排序中，其拓扑次序不变；其次提出了将飞机分组排序的思想，对同一航路段上刚好满足最小安全间隔的飞机做为一个飞机组参与排序。使用1|chains|∑wjcj做为排序模型，通过求解各飞机链的ρ因子可以快速得到排序结果。将本方法用于对双流国际机场和其它几个机场的实际航迹数据进行计算，得到的排序序列完全符合实际管制需要，具有很高的推广应用价值。     

有限制的MFA-ICA的算法及其在图像特征提取中的应用

统的独立成分分析(IndependentComponentAnalysis,ICA)是一种无噪声模型,而实际应用中噪声是存在的。根据多元统计中的因子分析模型,改变其假设条件,从而得到一种有噪声ICA模型,对于模型参数,引入平均场近似(MeanFieldApproximation,MFA)原理来求解。针对图像特征提取,通过增加对模型参数的一些限制,使其能得到更为独立的图像特征,为图像识别提供更可靠的特征信息,从而大大提高识别率。通过仿真模拟图形以及ORL人脸数据进行实验,将传统的独立成分分析算法、无限制的MFA ICA算法以及增加限制条件的MFA ICA算法进行比较,从仿真模拟图形实验结果看,限制的MFA ICA算法能分离出更独立的特征,同时利用限制的MFA ICA算法识别效果明显优于传统ICA算法和无限制MFA ICA算法。     

一种计算矩阵特征值特征向量的神经网络方法

当把Oja学习规则描述的连续型全反馈神经网络(Oja-N)用于求解矩阵特征值特征向量时,网络初始向量需位于单位超球面上,这给应用带来不便.由此,提出一种求解矩阵特征值特征向量的神经网络(1yNN)方法.在lyNN解析解基础上得到了以下结果:初始向量属于任意特征值对应特征向量张成的子空间,则网络平衡向量也将属于该空间;分析了lyNN收敛于矩阵最大特征值对应特征向量的初始向量取值条件;明确了lyNN收敛于矩阵不同特征值的特征子空间时,网络初始向量的最大取值空间;网络初始向量与已知特征向量垂直,则lyNN平衡解向量将垂直于该特征向量;证明了平衡解向量位于由非零初始向量确定的超球面上的结论.基于以上分析,设计了用lyNN求矩阵特征值特征向量的具体算法,实例演算验证了该算法的有效性.1yNN不出现有限溢,而基于Oja-N的方法在矩阵负定、初始向量位于单位超球面外时必出现有限溢,算法失效.与基于优化的方法相比,lyNN实现容易,计算量较小.