基于分块CBP特征和稀疏表示的三维人脸表情识别

在三维人脸表情识别中,基于局部二值模式（LBP）算子算法与传统的特征提取算法相比具有特征提取准确、精细、光照不变性等优点,但也有直方图维数高、判别能力差、冗余信息大的缺点.本文提出一种通过对整幅图像进行多尺度分块提取CBP特征的CBP算法,能够更有效的提取分类特征.再结合使用稀疏表达分类器实现对特征进行分类和识别.经实验结果表明,与传统LBP算法和SVM分类识别算法对比,文中算法用于人脸表情的识别的识别率得到大幅度提高.     

基于EEMD-SE和栈式降噪自编码网络的局部放电模式识别

由于变电站环境复杂,利用传统的特征统计方法不能准确地提取局部放电(PD)信号的特征及对其识别分类.对此,提出一种基于集合经验模态分解(EEMD)和样本熵(SE)的局部放电信号特征提取方法.利用EEMD算法对局部放电信号进行时频分析;计算EEMD分解得到的固有模态函数(IMF)的样本熵,并将其作为特征向量表征不同放电类型;采用栈式降噪自编码网络(SDAE)对放电类型进行分类识别.通过对四类局部放电故障进行特征提取和模式识别,对比实验结果表明,该方法能有效地提取放电信号的特征,并较准确地识别各类放电类型.     

基于小波矩的车辆特征提取算法研究

车辆目标图像特征提取是智能交通系统中车辆识别与分类的关键问题。在车型提取算法中,矩特征是较为常用的车型特征描述子。针对Hu矩的七个特征分量在数量级上差别较大且受比例因子影响的问题,基于不变矩和小波能量的原理和特点的研究,重点提出了基于小波矩的特征提取算法,并应用于车辆的特征提取。最后的实验对实际车辆图像进行采集,对预处理图像进行小波分解得到三级子图像,对子图像求取修正Hu不变矩,将不变矩作为特征量,利用最小邻距离分类得出识别结果。最后的实验结果显示,通过这种方法提取的特征量具有平移、旋转、比例不变性,能反映目标图像的重要的、本原的属性,与传统Hu矩相比,识别率提高了13.5%,达到了预期的目标。     

一种新的不变矩与神经网络玉米病害识别系统

基于不变矩理论,对玉米病害图像进行二值化、图像归一化处理,提出一种新的、具有较好逼近能力和较强容错能力的RBF-BP神经网络识别系统。利用Hu不变矩特征的平移不变性、比例不变性、旋转不变性和对目标良好的抗干扰性等特性,处理复杂、多变的玉米病害图像,形成不变矩特征矢量样本库。根据Hu不变矩在提取图像特征过程中的可靠性、独立性及数目小的特点和RBF-BP神经网络在识别过程中较好收敛性特点,对玉米病害图像进行特征提取、网络训练和病害特征的识别。仿真实验结果表明RBF-BP神经网络系统的有效性。     

一种KCCA融合局部特征和全局特征的目标识别算法

提出一种新的KCCA特征融合算法。首先分别提取目标图像的局部特征SIFT和全局Pseudo-Zernike矩特征,并利用K-means算法对局部特征进行预处理;然后利用KCCA将两种特征提取相关特征进行融合,最后将融合特征送入SVM分类器。对遥感飞机图像库做了分类识别的仿真实验。相比于单一特征和CCA特征融合的识别策略,KCCA识别率得到明显提高,理论分析和实验结果证实了该算法具有良好的准确性与可靠性,能够有效提高图像分类识别系统的准确度。     

仿射不变的多尺度自卷积熵提取方法

为从在不同视角获取的同一场景图像中提取更加独特的不变特征,提出一种图像仿射不变特征的提取方法.首先基于多尺度自卷积变换(MSA)构造了一组新的变换量--多尺度自卷积熵(MSAE);并让明了该熵具有仿射不变性;最后利用最小距离分类器分别对视点变换图像,以及加噪声,加部分遮挡视点变换图像进行分类识别实验.实验结果表明,MSAE特征能够获得更高的正确识别率.     

分辨率LBP的掌纹特征提取

为了研究NSCT变换(nonsubsampled contourlet transform,NSCT)和局部二值模式(local binary pattern,LBP)在掌纹识别应用方面的可行性和性能,提出了一种基于NSCT变换与局部二值模式相结合的掌纹特征提取算法.该方法能够较好地提取皱褶、乳突纹等掌纹的细节特征,并且能够有效减少掌纹识别中由于图像的平移、旋转和光照对识别结果造成的影响.使用NSCT变换可以稀疏地表示二维奇异曲线并且变换本身具有平移不变性;而LBP算子是一种有效的纹理描述算子并且该算子具有很好的灰度和旋转不变性.首先对掌纹图像进行NSCT变换,然后对变换后的掌纹子图提取局部多分辨率和多尺度的LBP特征.实验结果表明,该算法能够更好地表达掌纹纹线的细节和结构特征,对掌纹图像有更高的鉴别性.     

Contourlet域目标不变特征提取

在基于形状的目标识别中,提取出鉴别力强并具有不变性的特征是至关重要的问题。多尺度几何分析具有多方向选择性和各向异性的特点,能够更有效地表示目标图像的局部特征,但这些变换本身不具备不变性,极大地限制了它在模式识别中的应用。利用图像广义矩的概念,提出了一种在Contourlet域具有平移、缩放及旋转不变性特征的描述子,该特征能精细地刻画目标区域的局部特性,并在位置、角度及尺寸变换情况下具有不变性,仿真实验验证了其不变性,并讨论了一般情况下,Contourlct变换分解尺度对不同类目标间分离度的影响,为提取最具鉴别性的特征提供了有益的参考。     

基于变差函数和局部方差图的煤岩图像纹理特征提取

针对现有煤岩纹理特征提取采用局部二值模式算法存在分类准确率欠佳、算法运行效率较低及旋转纹理识别鲁棒性较差等缺陷,提出了一种基于变差函数和局部方差图的煤岩纹理特征提取算法。该算法首先在局部二值模式理论框架中逐像素计算局部方差得到局部方差图,然后在局部方差图中利用变差函数计算不同方向的变差函数向量,最后组合变差函数向量作为纹理特征,将所提取特征与局部二值模式特征融合完成煤岩纹理分类与识别。实验结果表明,该算法能够有效地提取局部方差的空间分布信息,实现对局部二值模式丢失信息的再利用,分类结果优于多种经典的局部二值模式纹理特征提取算法,分类准确率达到86%。     

联合同步挤压小波变换和多尺度排列熵的局部放电类型识别

为稳定提取变压器局部放电信号的特征,提出一种基于同步挤压小波变换和多尺度排列熵的局部放电特征提取方法,再通过ＧＫ模糊聚类方法对局部放电信号的特征进行识别分类。首先,通过同步挤压小波变换对4种典型变压器故障产生的局部放电信号进行分解,将其分解为一组含有局部放电特征信息的模态分量;然后,通过多尺度排列熵量化各模态分量的局部放电特征信息,使用各模态分量多尺度排列熵的平均值作为识别特征向量;最后,利用模糊聚类得到的局部放电样本标准聚类中心,采用欧式贴近度进行局部放电识别分类。将提出的方法应用于变压器局部放电的实验数据上,并与基于小波分解方法和经验模态分解的识别方法进行对比分析,实验结果表明,所提出的方法具有更好的分类性,对变压器局部放电分类具有更高的识别精度,平均识别精度达到93.60%。