基于子模式的完全二维主成分分析的步态识别算法

提出一种基于子模式的完全二维主成分分析的步态识别算法.首先对步态能量图进行子块划分,自适应地去掉对分类无用的子块.然后分别对每个子图像采用完全二维主成分分析方法进行特征抽取.最后将各个子块的特征合为整体采用最近邻分类器来测试识别.应用上述方法在CASIA步态数据库上进行实验,通过实验确定分块数目.实验结果表明本文算法明显好于完全二维主成分分析方法,不但有利于提取局部特征,而且对外套变化、背包,行走方向变化的步态识别也较有效.     

基于双向二维主成分分析的掌纹识别

掌纹识别是一门新兴的生物特征识别技术.使用主成分分析对图像向量进行处理,向量维教一般都很高.二维主成分分析是直接采用二维图像矩阵来构建方差矩阵,与一维主成分分析相比能更精确地计算原始数据的协方差矩阵,双向二维主成分分析是二维主成分分析的改进算法,将其应用于掌纹识别,通过在水平和垂直2个方向上各执行1次二维主成分分析运算,消除了掌纹图像行和列的相关性,运用新准则选取了更适合于分类的主分量,大大压缩了特征的维数.在香港Poly-technic Universitv的Palmprint Database测试结果表明,该方法具有更高的识别率和更低的计算复杂度.     

GLRAM与LDA相结合的人脸识别

提出了一种GLRAM（矩阵的广义低秩逼近）与LDA（线性判别分析）相结合的人脸识别方法。首先利用GLRAM方法获得人脸图像的有效特征,然后通过LDA对获得的特征进行进一步的降维并获得最佳分类特征。这样使得抽取特征的判断能力得到了显著增强。实验结果表明,该算法在较短的时间内取得了较高的识别率,效果优于单独运用GLRAM方法和LDA方法。     

一种基于人脸垂直对称性的变形2DPCA算法

本文分析了人脸的对称性和主成分分析法(PCA)、二维主成分分析法(2DPCA)的特性,证明了2DPCA协方差矩阵就是PCA协方差矩阵的主角线的平均值,同时表明2DPCA减少了对人脸识别有用的协方差信息。提出了一种基于人脸垂直对称性的变形2DPCA算法(S2DPCA),该算法最大程度地利用了协方差鉴别信息,用更少的系数表示一张人脸图像。通过在ORL的实验比较表明,该算法与PCA算法相比降低了计算复杂性,与2DPCA方法和PCA方法相比提高了人脸识别率,在识别率方面优于传统算法(PCA(Eigenfaces)、ICA、Kernel Eigenfaces),同时也压缩了人脸的存储空间。     

一种基于Gabor小波和2DPCA的掌纹识别改进算法

提出一种改进的基于Gabor小波变换和二维主分量分析2DPCA(2-Dimensional Principal component analysis)的掌纹识别。2DPCA克服了传统Gabor小波变换后直接进行主分量分析PCA(Principal component analysis)遇到的维数灾难问题,并且将PCA与Fisher线性判别FLD(Fisher Linear Discriminate)结合起来,利用了以前仅用于降维的PCA特征和FLD特征相融合进行掌纹识别。基于PolyU掌纹库的实验结果表明,该方法不仅有更高的识别率,而且维数更低。     

GLRAM Plus DialPCA图像识别方法

针对高维数据的特征提取问题,将广义低秩矩阵近似(GLRAM)与对角主成分分析(DialPCA)相结合,提出一种新的特征提取方法GLRAM Plus DialPCA用于进行图像识别。通过广义低秩矩阵对原始图像进行近似,再做对角化变化,采用二维主成分分析(2DPCA)提取数据行列之间的相关性特征,并利用最近邻分类器计算图像识别率。基于FERET和ORL人脸数据库的实验结果表明,与单一的GLRAM或2DPCA相比,GLRAM Plus DialPCA在姿态、光照和表情变化的情况下识别率更高,特征提取速度更快。     

基于多线性独立成分分析的掌纹识别

为快速有效地在掌纹识别中学习多种因素的高阶统计独立成分,利用多线性独立成分分析方法对掌纹张量进行降维,得到低维的模式矩阵,将掌纹图像向模式矩阵上投影以提取核心张量,通过计算核心张量间的余弦距离实现掌纹匹配。基于PolyU掌纹图像库的实验结果表明,与主成分分析(PCA)、二维PCA、独立成分分析和多线性PCA相比,该方法的识别率最高,且满足系统实时性要求。     

一种基于Adaboost的分层特征空间人脸检测的方法

Viola和Jones的人脸检测方法在分类器训练后期,基于Haar-like特征的弱分类器分类能力变弱.针对此问题,提出一种基于Adaboost的分层特征空间的人脸检测方法.该方法让弱分类器在局部和全局特征空间中进行训练,增强弱分类器的分类性能.实验表明,本文方法提高系统的正确检测率,降低错误报警数,与当前人脸检测系统相比性能更优越.     

基于改进PCA和支持向量机的掌纹识别

掌纹识别是一种新兴的生物特征识别技术。掌纹识别是用掌纹特征(包括人眼可见的和不可见的)来进行身份鉴别的一种方法。其中掌纹特征提取和掌纹特征匹配是掌纹识别研究的关键部分和核心内容。在特征提取方面,给出了两种改进的特征提取方法。先对掌纹图像进行傅里叶变换,再对变换后的图像进行主成分分析;针对掌纹图像的特点,对PCA进行改进,设计了适用于掌纹图像的分块主成分算法。将一整幅掌纹图像分为若干子块图像,在此基础上进行主成分分析。通过实验验证了改进的特征提取方法可以提高识别准确率。在特征识别方面,模版匹配虽然在一定程度上计算量小,准确率高,但容易陷入小样本问题。因此通过训练SVM分类器,进行掌纹识别。实验证明该方法有较好的可行性。     

一种改进的BDPCA掌纹识别方法

在小样本的情况下,BDPCA算法中采用以训练样本的平均值作为样本分布中心,所得的特征值不一定是最优的。为此,提出了一种基于样本散度矩阵的改进BDPCA掌纹识别算法。该算法采用训练样本的K值矩阵替代训练样本的均值矩阵,构建相应的总体散度矩阵。在PolyU和CASIA掌纹库上的实验结果证明,该方法的最优识别率高于传统的BDPCA算法。     

一种改进的基于PCA和FLD的掌纹识别

掌纹识别是生物特征识别中的一种,由于其分辨率要求低、设备成本低、用户易接受等优点受到众多研究者的关注.同其他生物特征识别一样也包括几何特征和数学特征识别两类方法,在数学特征中PCA、ICA、FLD等特征都可以用于掌纹识别.PCA是一种基于二阶统计的最小均方误差意义上的最优维数据压缩技术,FLD是一种较为普遍的用于特征提取的线性分类方法.将PCA和FLD结合起来进行掌纹识别,在识别阶段进一步利用了以前仅用于降维的PCA特征和FLD特征相融合进行识别.实验结果证明该方法比未改进的FLD方法在识别率上得到明显的提高.     

基于改进的分块2DPCA和神经网络的掌纹识别

以掌纹为研究对象,提出基于分块2DPCA和二次2DPCA相融合的特征提取算法,并选择RBF神经网络作为系统分类器。首先对提取的ROI区域进行巴特沃斯-小波去噪,然后通过改进的算法提取得到最终的特征向量,最后由RBF神经网络进行分类识别。通过Poly-U掌纹库的仿真实验表明,此方法具有可行性和有效性,识别时间明显缩短,且保持了较高的识别率。     

改进的基于角点的掌纹线性定位方法

在分析比较现有的两种在线掌纹定位方法优缺点的基础上,提出一种改进的基于角点的掌纹线性定位方法.该掌纹定位方法首先根据手掌背景图信息和手指间的几何关系,计算出相邻手指间的中间线,然后计算中间线与手掌边缘的交点,从而得到掌纹角点的位置,最后根据掌纹角点定位出掌纹识别的有效特征区域.实验结果表明此方法能快速、准确地定位出掌纹的特征区域,且实现简单,具有很好的鲁棒性,对于提高后续的掌纹识别的准确性和提高整个掌纹识别系统的性能都具有非常主要的作用.     

一种改进的密码函数识别方法

密码函数识别在恶意代码分析、软件脆弱性分析等领域具有积极的作用。传统的密码函数识别算法由于识别方式单一而存在识别精度不高的问题。针对上述问题,提出一种改进的基于数据流分析的密码函数识别方法,将数据流分析引入密码函数识别中,利用递进式多特征的方法对密码函数进行识别。实验表明,该方法能够准确定位密码函数在应用程序中的位置,相比现有方法提高了密码函数的识别精度。     

基于OMAP3530的嵌入式多光谱掌纹识别系统

基于OMAP3530双核平台实现一个嵌入式多光谱掌纹识别系统。采用Palm Code掌纹识别算法,通过融合掌纹与手掌静脉提高系统防伪性,同时使算法的准确率从可见光的91.33%提高到95.33%。在OMAP3530实现时,让具有强大运算能力的DSP处理器专注于复杂的特征提取运算,ARM处理器则负责图像采集、外设控制、任务调度及用户交互。所设计的系统集成图像采集模块和中心处理主板,识别率高、防伪性强并且具备实时处理性能。     

棒线材端头识别的图像处理改进方法

一直以来,对棒线材进行计数都采用人工方法,效率低且不准确.为了提高效率,需要研究出一种棒线材自动识别方法实现棒线材的自动计数.通过对常见的轮廓提取法进行研究,提出了改进的轮廓提取法,通过对棒线材灰度图像的轮廓提取、分割处理、闭运算及细化处理等消除了细线及目标区域的影响,得到了更准确的轮廓曲线并计算出轮廓的圆形度,进而计算出棒线材的半径,棒线材的半径是实现棒线材自动识别的重要参数.程序的运行结果表明,改进的轮廓提取法能准确地把棒线材端头轮廓提取出来.     

应用轮廓波和ICA的掌纹去噪与识别

在掌纹识别的实际操作过程中,不可避免地会受到噪声的影响,为了增强掌纹图像信息,需要去噪。轮廓波变换能够便捷地描述自然图像中的方向和纹理信息,掌纹图像纹理信息丰富,所以应在掌纹识别中引入轮廓波去噪,以突出纹理特征,进而提高识别率。提出基于轮廓波去噪的ICA(Independent component analysis)掌纹识别算法,先对掌纹图像进行轮廓波去噪,利用ICA实现掌纹特征提取与识别。基于香港理工大学掌纹数据库的仿真结果显示,轮廓波去噪方法的识别率高于小波去噪方法,说明这种方法具有一定的理论研究意义和实用价值。     

改进感知机多类分类方法在车辆类型识别中的应用

车辆类型识别特征参数提取的关键是确定车辆顶棚位置。提出一种按比例截取顶棚厚度、确定顶棚位置的方法。针对训练传统感知机所需初始权向量及惩罚系数需人工设定而造成训练速度慢、准确率低等问题,提出一种初始权向量自动确定及惩罚系数更新方法,并应用一对一分类方法解决车型繁多分类问题。实验结果表明,该方法能有效收敛到固定权值,顶棚位置确定准确,迭代速度快,识别准确率高。     

多特征关联与多子集匹配的掌纹识别模型

为了提高掌纹图像的识别正确率,提出一种基于关联特征与多子集匹配的掌纹图像模型(MF-MMM)。首先对掌纹图像进行预处理,并将掌纹图像划分为多个子图像,然后提取各个子像的掌纹特征,并根据地统计学变程提取关联特征,得到掌纹图像的特征子集,最后采用多子集匹配方法实现掌纹图像的识别,并采用Polyu掌纹图像库进行仿真实验。结果表明,相对于其他掌纹识别模型,MF-MMM提高了掌纹图像的识别正确率,降低了掌纹的误识率和拒识率,具有更好的应用价值。