利用Gabor小波变换解决人脸识别中的小样本问题

提出了一种在人脸识别中解决小样本问题的新算法。通过把人脸图像经过Gabor小波变换后得到的每个图像都看成是独立的样本,大大增加了每一类人脸样本的样本数,解决了人脸识别中的小样本问题。专门针对人脸特征向量组,设计了使用白化变换后余弦距离测度的最近邻分类器来进行分类判决。在FERET人脸库中,对该方法与直接PCA方法进行了实验比较,结果表明,新方法的平均正确识别率可以达到97%,比直接PCA方法具有更好的识别性能。     

基于离散余弦变换和支持向量机的人脸识别方法研究

本文实现了一种基于离散余弦变换（DCT）和支持向量机（SVM）的人脸识别方法。该方法利用DCT提取人脸特征向量，输入到SVM分类器中实现人脸的识别．本研究对DCT系数的选取，DCT系数的个数及SVM核参数对识别的影响作了详尽的分析．使用SVM多类分类器的1-1判别策略，实现了一个鲁棒性和实时性均很好的人脸识别方法。实验表明。离散余弦变换技术和支持向量机的结合用于人脸识别。大大提高了识别的速度和识别率。     

融合特征的神经网络在三维人脸识别中的应用

针对三维人脸特征表示问题,提出了一种三维人脸轮廓曲线特征与二维Gabor小波特征相融合的人脸特征表示新方法。基于这种新的融合特征,利用模糊自适应共振神经网络(Fuzzy ARTMAP)进行有监督的学习训练,并构建三维人脸识别分类器实现人脸识别。利用模糊自适应共振神经网络分类器的增量学习能力,可以很好地解决随着训练模型增加导致识别系统识别率降低的问题。所提出的方法在FRGC v2.0三维人脸数据库上,对人脸表情变化进行了实验。结果表明具有一定的鲁棒性,识别率高,且随着新增人脸数量的增长可以提高准确率。     

基于二进制粒子群优化算法的行人检测

针对汽车前方道路上的行人安全问题,对道路行人采用二进制粒子群优化算法（BPSO）进行了检测,以确保行人的安全。首先,对随机采集的道路行人图像样本进行了二维离散余弦变换（DCT）,将行人的描述从图像空间转换为用少量数据点来表示频率域空间,再利用DCT算法的对称性,解压缩图像,获得了行人图像的特征向量;其次,应用BPSO算法对得到的特征向量进行了特征选择,从行人频域特征空间中,提取了有价值的特征子集,得到了最具代表性的行人特征,完成了行人检测。试验结果表明,在样本数量较少的情况下,无论在检测正确率还是检测实时性方面BPSO算法都优于传统的支持向量机（SVM）算法。研究结果表明,二进制粒子群优化算法能够高效快速的检测到行人,为车辆主动安全技术提供重要基础,对于减少交通事故具有重要意义。     

基于小波变换和BP神经网络的视觉诱发电位识别

结合小波变换和误差逆传播(Error Back Propagation,BP)神经网络对视觉诱发脑电信号(visual evoked potential,VEP)进行分类而产生脑机接口控制信号.利用一维离散小波变换提取强噪声背景下的低频微弱脑电信号,获取特征向量输入BP神经网络进行事件相关电位模式识别.实验表明,小渡变换特征向量提取方法能有效地实现信号的去噪、降维和特征提取,BP神经网络能比较准确地从VEP中识别出事件相关电位,进行10次测试的平均识别正确率为99.375%,有利于产生脑机接口控制信号.     

基于小波变换的人脸光照补偿

提出了一种用于非均匀光照条件下人脸识别的光照补偿算法。该算法首先将人脸图像变换到对数域,并在对数域中计算2维小波变换,通过舍弃低频子带图像中的系数来实现人脸图像的非均匀光照补偿。由于人脸光照补偿的目的是为了提高人脸识别性能,所以光照补偿的效果利用人脸识别率来表征。在Yale B人脸库中,与对数域离散余弦变换（DCT）光照补偿算法进行了比较,实验结果表明,本文方法的人脸识别平均误识率可以达到0.18%,比对数域DCT方法具有更好的性能。另外,在CAS_PEAL人脸库中的实验结果表明,本文方法的性能与对数域DCT方法相近。     

改进粒子群算法和ELM的刀具磨损量预测

为了提高车刀磨损量预测模型的训练速度和在线预测精度,提出了一种基于改进粒子群算法（Improved Particle Swarm Optimization,IPSO）和极限学习机（Extreme Learning Machine,ELM）的刀具磨损量预测方法。采集车削加工中的声发射信号,利用小波包变换理论对信号进行降噪和特征提取,并通过主成分分析对提取的特征进行降维,选取其中对刀具磨损量敏感的特征值组成特征向量。建立基于极限学习机的刀具磨损量预测模型,并通过改进粒子群算法优化模型中的初始权值和阈值。实验结果表明：优化后的刀具磨损量预测模型相比于传统BP神经网络有更快的训练速度,同时改进后的粒子群算法有更好的寻优能力,提高了模型对于刀具磨损量的预测精度。     

基于小波神经网络的车辆发动机故障诊断

为有效诊断车辆发动机的柴油系统故障,本文将小波变换与BP神经网络相结合,用小波变换来抽取故障的特征向量,以此作为BP神经网络的输入参数,从而构建了小波神经网络。该方法依据小波变换模极大值来研究油管中柴油压力信号的奇异性来抽取故障特征向量,首先利用故障采集数据来获得学习样本,然后根据网络训练来构建起BP神经网络输出与输入间的非线性映射,从而依据特征向量输入进BP神经网络进行诊断故障。通过实验我们发现该方法有较好的的诊断效果。     

基于特征向量提取和SVM分类器的课堂人脸识别研究

针对课堂考勤时人脸角度、表情变化和人脸部分遮挡导致人脸识别算法识别不准的问题,本文提出一种基于特征向量提取和SVM(SupportVectorMachine)分类器的人脸识别方法。其中,深度神经网络模型经过三元组损失函数(tripletloss)优化可以提取人脸图像在欧氏空间的特征向量,将特征向量输入SVM分类器进行训练,利用训练好的SVM分类器可进行人脸识别。在实际课堂考勤实验中,本文提出的人脸识别方法在人脸角度、表情变化和人脸部分遮挡的情况下人脸识别准确率能达到92.68%。     

基于Gabor小波的2D人脸表情的合成

人脸图像合成是新一代人机交互中的重要技术。传统的三维模型加生理模型的方法可以生成真实的人脸表情图像,但计算复杂度很高。文章提出一种基于Gabor小波的用于人脸逼真表情图像合成的新方法,利用Gabor小波变换滤波器提取人脸表情图像特征,生成逼真表情图像。从实验结果来看该方法可以仅利用1张训练集内、外的人脸图像合成出该人在不同表情下逼真的脸部表情图像,同时可以合成库内的人在新表情下的表情图像。