基于线性分析的特征不变性目标识别

提出采用主分量分析（PCA）方法确定目标在最大方差意义下主轴的旋转角度，并结合稳定性好的低阶矩特征实现目标的平移、尺度和旋转的不变性变换；然后利用独立分量分析（ICA）良好的目标特征提取能力提取目标的特征值；最后在特征空间通过Fisher分类器实现目标识别。实验证实了算法的准确性。     

采用独立分量分析Zernike矩的遥感图像飞机目标识别

为了提高遥感图像目标自动识别系统的准确性,提出了一种新的采用独立分量分析(ICA)Zern ike矩的飞机目标识别方法.首先对分割后的目标区域进行独立分量分析处理,将待识别目标形状转换到标准形式,然后对标准化后的图像目标提取Zern ike矩作为特征向量进行识别.通过实验表明此方法具有鲁棒性,能有效地消除遥感图像目标尺度、旋转、平移、反转和扭曲影响,能够有效地识别遥感图像飞机目标.     

图像识别的RSTC不变矩

分析了对比度变化对Hu矩的影响，构造了一种新的不变矩形式，该矩不但具有通常的旋转、尺度缩放以及平移不变性，同时还具有对比度变化不变性。以三类具有旋转、尺度缩放、平移以及对比度变化（RSTC）的目标图像为例进行了识别仿真实验，结果表明新的不变矩形式消除了对比度变化带来的影响，增强了三类图像的类内内聚性和类间可分性，实验结果证明能够对具有RSTC变化的目标图像进行有效识别。     

基于BP神经网络的景象匹配算法

针对以可见光图像为基准、红外图像为实测的景象匹配问题,提出了一种基于BP神经网络的景象匹配方法。该方法首先抽取满足平移、旋转、尺度不变性的Krawtchouk不变矩作为红外目标的特征描述并构造特征向量,随后,基于主分量分析法消除特征向量各个分量间的相关性,去掉多个对目标匹配识别贡献不大的特征的影响,形成描述目标的有效特征向量。接下来,构造三层BP神经网络,以有效匹配特征作为输入,匹配位置作为输出,按照经验公式确定隐层节点个数,基于样本集对红外目标在可见光基准图像中的匹配过程进行训练,最终形成智能化景象匹配识别器。实验结果表明,与常用的景象匹配算法相比,提出方法不仅具有更高的匹配精度和速度,而且鲁棒性好,能抵抗实测图像的旋转几何畸变。     

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。     

一种改进的综合纹理和形状特征的图像检索方法

提出一种利用小波进行综合纹理和形状特征的具有旋转、平移和尺度不变性的图像检索算法.使用角向矩加权方向定义图像的主方向来进行坐标轴的旋转矫正,得到图像的旋转不变性表示;采用具有平移和尺度不变性的小波变换对图像进行小波分解,利用各子带的能量作为纹理特征;利用小波分解的逼近子图重构图像并进一步利用Hu不变矩提取其形状特征.最后对纹理和形状特征进行高斯归一化,综合其特征进行检索.实验中对算法的尺度不变性、旋转不变性、平移不变性及对噪声的不敏感性进行了验证,实验结果证明了该算法具有更高的鲁棒性和查准率.     

基于主分量分析的手写数字字符识别

针对手写数字字符识别中由于书写习惯和风格的不同，造成字符模式不稳定的问题，提出了一种图像预处理方法．首先采用数学形态学通过细化和膨胀，统一字符笔画的粗细，并使字符的局部特征得到改善；然后利用主分量分析法(PCA)抽取字符特征，估计字符的重建模型，并通过对重建模型的误差分析进行字符识别；最后通过对美国国家邮政局USPS字库中全部数字字符完整的识别实验，证实了算法的鲁棒性和准确性．     

用分块图像特征进行商标图像检索

提出一种使用全局和局部图像特征检索商标图像的方法．首先确定图像的形状主方向，根据形状主方向对图像进行旋转；然后对旋转后的图像提取目标区域，对目标区域用四叉树分解的方法划分多级分块；最后抽取分块图像特征进行图像相似性度量．对图像库中2000幅商标图像实验表明，分块图像特征具有良好的旋转、平移、尺度和变形不变性，得到的检索结果能够很好地满足人的视觉感受．     

基于独立分量分析的人耳识别方法

应用独立分量分析（ICA）方法从高阶统计相关性角度出发提取人耳图像的特征变量，并采用基于欧氏距离测度的最近距离分类器进行人耳图像的识别。与传统的主成分分析（PCA）方法相比具有更好的鉴别能力。通过与PCA的对比实验结果表明，该方法具有更高的识别率，对姿态和光照的变化也具有较好的鲁棒性。     

基于图像边缘小波矩和支持向量机的目标识别

小波矩结合了矩特征和小波特征,既反映了图像的全局性信息,又反映了图像的局域性信息,并且具有旋转、平移和缩放不变性.利用小波矩与支持向量机进行目标识别,不但解决了图像识别中特征量随图像旋转、平移和缩放而变化的问题,而且提高了对近似物体的识别能力,是解决小样本、近似图像识别的有效方法.     

改进的PCA-LDA人脸识别算法的研究

主成分分析算法(PCA)和线性鉴别分析算法(LDA)被广泛用于人脸识别技术中,但是PCA由于其计算复杂度高,致使人脸识别的实时性达不到要求.线性鉴别分析算法存在"小样本"和"边缘类"问题,降低了人脸识别的准确性.针对上述问题,提出使用二维主成分分析法(2DPCA)与改进的线性鉴别分析法相融合的方法.二维主成分分析法提取...     

基于平移不变核主分量分析的雷达目标识别研究*

雷达目标识别中,核主分量分析（KPCA）算法是一种重要的特征提取算法,但雷达目标高分辨率距离像（HRRP）具有平移敏感性,使得该方法应用于基于雷达目标识别系统中具有其缺陷性。采用零相位表示法得到平移不变的HRRP,利用KPCA进行特征维数压缩,利用BP神经网络分类算法来实现识别。仿真实验结果表明,该方法实现了平移不变和降维的结合,具有较高的识别率和很好的推广性。     

多线性主成分分析和张量分析的SAR图像目标识别

为了提高合成孔径雷达图像目标识别效果,提出一种基于多线性主成分分析和张量分析的合成孔径雷达图像目标识别方法。该方法首先构建四阶张量训练样本,利用多线性主成分分析得到多线性投影矩阵;再通过投影矩阵构建核心张量,对核心张量进行线性判别分析;最后对测试样本分类识别。实验中,将本文提出的多线性主成分分析和张量分析方法在MSTAR公共数据库上进行识别实验,并与主成分分析和二维主成分分析方法进行识别率比较。实验结果表明,本文方法有效保留了图像的空间结构信息,提高了目标正确识别率。     

Face recognition using kernel entropy component analysis

In this letter, we have reported a new face recognition algorithm based on Renyi entropy component analysis. In the proposed model, kernel-based methodology is integrated with entropy analysis to choose the best principal component vectors that are subsequently used for pattern projection to a lower-dimensional space. Extensive experimentation on Yale and UMIST face database has been conducted to reveal the performance of the entropy based principal component analysis method and comparative analysis is made with the kernel principal component analysis method to signify the importance of selection of principal component vectors based on entropy information rather based only on magnitude of eigenvalues.     

独立分量重建模型的手写数字字符识别

针对在手写字符识别中,因于书写习惯和风格的不同,造成字符模式不稳定的问题,利用独立分量对信号重建的良好性能,采用独立分量分析的方法抽取字符独立特征,并建立字符重建模型;通过对重建模型的误差分析进行字符识别;对美国国家邮政局USPS(US Postal Service database)字库中全部数字字符完整的识别实验,证实了算法的鲁棒性和准确性．     

基于模糊理论决策的双向二维PCA 步态识别算法

针对步态识别中的平均步态能量图像系数矩阵维数过高和分类较困难的特 点,提出一种基于模糊理论决策分类的双向二维主成分分析的步态识别算法。通过预处理技 术得到平均步态能量图并将得到的图像分割为多个子图像,利用双向二维主成分分析来降低 平均步态能量子图像的系数矩阵维数,加快识别速度。引入模糊理论决策的方法进行最近邻 分类器的分类。最后在CASIA 步态数据库上对所提出的算法进行实验,实验结果表明该算 法具有较好的识别性能并有较强的鲁棒性。     

基于PCA及ICA的双空间特征提取算法

任何一种单子空间特征提取算法都不能在任何情况下优于其他子空间算法,但是采用双子空间却可以克服单子空间的局限性。为了提高分类结果的正确率,提出了一种基于PCA及ICA的双空间特征提取算法,该算法采用ICA作为PCA的补空间进行特征提取,其目的是将在PCA子空间中难以识别的样本,再次投影到ICA子空间中进行识别。该算法可分为以下两个步骤:首先进行预分类,即在一个子空间内同时使用两种分类器对测试样本进行分类,若某个测试样本被两种分类器划分到不同的类,则将该测试样本加入到新测试样本集中;然后将新测试样本集中的测试样本再次投影到另一个子空间中进行分类识别;最后,将识别结果与预分类结果一起进行正确率测试。在ORL及FERET人脸库上的实验结果表明,该算法的模式识别率明显优于传统的特征提取算法。     

基于多线性主元分析和FLD的掌纹识别*

为了减少高维对计算成本的影响,同时提取有利于分类的判别特征,提出运用多线性主元分析(MPCA)与FLD相结合的方法进行掌纹识别。运用MPCA直接对掌纹张量进行降维和特征提取,低维特征向量作为FLD的输入,提取判别特征向量,计算特征向量间的余弦距离进行掌纹匹配。PolyU掌纹图像库的实验结果表明,与主元分析（PCA）、PCA+FLD、二维主元分析(2DPCA)、独立元分析（ICA）和MPCA相比,该算法的识别率(RR)最高为9991%,特征提取和匹配总时间为0398 s,满足实时系统的要求。     

Edge detection algorithm based on ICA-domain shrinkage in noisy images

We propose a robust edge detection method based on ICA-domain shrinkage （in- dependent component analysis）. It is known that most basis functions extracted from natural images by ICA are sparse and similar to localized and oriented receptive fields, and in the proposed edge detection method, a target image is first transformed by ICA basis functions and then the edges are detected or recon- structed with sparse components. Furthermore, by applying a shrinkage algorithm to filter out the components of noise in ICA-domain, we can readily obtain the sparse components of the original image, resulting in a kind of robust edge detec- tion even for a noisy image with a very low SN ratio. The efficiency of the proposed method is demonstrated by experiments with some natural images.     

基于独立分量分析和神经网络的人脸识别方法

提出了一种独立分量分析(ICA)和BP神经网络相结合的人脸识别方法(ICABP法),其中人脸图象独立基的提取采用快速独立分量分析方法(FastICA),BP网络采用改进的三层网络结构。该方法将ICA的空间局部特征提取功能和BP神经网络的自适应功能有机地结合起来,增强了系统的鲁棒性。实验表明,ICABP法明显提高了人脸的识别率。