基于多特征融合的人脸识别方法

为了改善人脸识别方法只基于一种特征、识别方法单一造成的识别率低的问题。使用多种特征融合进行人脸识别,可以有效改善单一特征因光照、角度以及尺度变化对识别的影响,提高识别率。经过试验证实,将LBPH、SIFT以及通过卷积神经网络提取的VIPLFaceNet特征按照一定的权重进行组合时,可以有效的结合3种特征的识别特点,获得比单一特征更好的识别率。当VIPLFaceNet、SIFT和LBPH3种特征以4∶1∶5的权重进行融合时,可以获得95.35%的识别率,识别率明显提升。     

基于直线和SIFT融合特征的物体识别研究

本文阐述了基于直线特征和SIFT（scale invariant feature transform）特征融合的物体识别研究,直线特征是最普遍的图像特征之一,而SIFT特征是最鲁棒的局部特征,其对旋转、尺度缩放、亮度变化保持不变性。本文以家用遥控器作为目标物体,首先提取平行直线特征作为本问中的主要图像特征,通过与物体模型进行匹配可以产生出很多的假设匹配结果,SIFT特征作为辅助特征,用来降低匹配的不确定性,从而提高识别率。试验结果表明该方法在复杂的环境中达到了鲁棒的识别效果。     

基于共性与特性信息融合的遥感场景图像分类

由于遥感场景图像类内差距大即同一类别图像的特性信息相差较大,仅仅依靠特性信息分类的准确率不高,而现有遥感场景图像分类方法忽视了同一类别所具有的相同的共性信息也可以辅助图像识别,对此本文提出一种基于共性与特性信息融合的遥感场景图像分类方法。首先,图像通过卷积网络较浅层与深层得到的简单特征图与复杂特征图相叠加,可认为是此图像注意力集中的特征图,提取此特征图的手工特征LBP作为共性信息。之后与卷积网络提取的特性信息融合并进行分类。本文使用经贝叶斯优化优化超参数的SVM分类器,使其性能达到最佳来消除分类器对实验的影响。在两个数据集UC Merced和AID上的实验,验证其分类精度分别达到了98.80%和96.06%,表明该方法能有效地提升遥感场景图像准确率。在国防,城市规划,地质勘查等领域有重要意义。     

视觉显著性纹理—色彩特征融合的图像目标分类

针对图像目标分类,提出了一种显著性纹理特征.考虑到显著目标图像在纹理特征表征上的优势,在目标显著性图像提取的基础上进一步提取视觉显著性纹理特征.进而将该视觉显著性纹理特征同HSV色彩特征进行融合,形成图像目标融合特征,输入至后端分类器中进行分类.多类别的交叉实验证明,基于该融合特征的目标分类方法能够较为准确的对图像目标进行分类,在SIMPLIcity图像数据集上平均分类正确率达到84.84％,在Corel图像集上平均分类正确率为85.05％,优于基于单一分类特征的图像分类方法.     

基于多视角时间特征的短期电力负荷预测

外部因素对电力负荷具有周期性影响,且这些影响直接反映在电力负荷值上。基于多视角表示学习思想,使用历史电力负荷预测值的不同视角作为外部因素的隐藏表示。通过对历史电力负荷数据进行特征提取,并将电力负荷分为分钟、小时和天三个时间视角,分别采用了适应性的神经网络模型进行特征提取,并引入了一个多视角特征合并模块,融合不同时间尺度上的信息来提高负荷预测准确性。实验证明,所提出的方法在西南某地区的电力负荷数据集上表现出较好的预测性能,与单一时间视角的模型相比,平均绝对误差和均方误差分别降低了12.21%和11.12%。     

视听资料中的目标人物重识别方法

视频监控系统实时采集视频数据,可以作为有效的第三方目击者,为案件侦破提供有利线索与信息。但由于数据量巨大,检索工作量很高,给案件取证带来了不便。针对这一问题,本文以视听资料中的目标人物检索为目标,对现有的跨摄像头人体重识别方法进行改进,实现目标人物的快速重识别。首先对目标人物图像进行切分,获得分块特征图;其次引入局部融合模块,充分保留局部特征信息及局部关联信息;然后引入全局融合模块,在去除背景噪声的同时,全面表征图像全局特征;最后,综合交叉熵损失与三元组损失函数,加速模型收敛并有效防止过拟合。仿真实验结果表明,与现有人体重识别方法相比,本文方法的准确度更高;应用软件结果表明,本文方法可以实现跨摄像头目标人物快速定位,满足视听资料目标人物的快速检索需求。     

基于多特征自适应融合的目标跟踪算法

针对目标跟踪中部分遮挡及漂移问题,提出了一种基于多特征自适应融合和在线学习的目标跟踪算法。首先针对原始特征提取的相对简易性,提出了改进的特征提取方法,提高了特征的表达能力和判别能力,然后将多种特征自适应融合,最后进行在线学习。实验采用了具有挑战性的公共测试数据集PETS 2012,并用MOTP评测了跟踪性能。实验结果验证了提出算法的有效性,大大提高了复杂场景下的跟踪鲁棒性,有效地解决了部分遮挡和跟踪漂移问题。     

一种基于差异特征驱动的红外与可见光视频拟态融合方法

针对固定融合算法无法适应动态场景下视频帧间差异特征变化造成融合效果差的问题,提出了一种基于差异特征驱动的红外与可见光视频拟态融合方法.首先,分别提取了红外与可见光视频序列的3种差异特征;其次,利用改进的融合有效度公式计算不同融合算法对3种差异特征的融合有效度;最后,利用熵权法对融合有效度进行加权合成,进而得到多融合算法的决策评分,确定视频不同序列段上的最优融合算法.实验结果表明,所提出方法相较于在不同序列段选取的最优融合算法RP和MOD,在整段视频序列上融合效果更好,综合客观评价指标上比上述固定算法分别提升了59.925％、2.7608％,为红外与可见光视频融合提供了新思路.     

鲁棒的超声图像肝硬化识别方法

为了减少利用超声图像进行肝硬化诊断时临床医师的主观性对诊断准确性的影响,首次提出了一种利用Gabor变换和LBP特征融合的方法对肝硬化和正常肝脏进行识别。首先对原始肝脏样本分别提取其Gabor特征和LBP特征,然后将这两种特征进行融合,得到鲁棒性较强的特征,并利用C-SVM进行训练和分类。该方法克服了超声环境下肝脏图像所受的光照影响、边缘模糊,以及在尺度因素的影响下,其病变区域与正常区域的纹理用肉眼很难区分等困难,对正常肝脏和肝硬化的识别精度达到了100%,说明提出的方法可有效提高在超声环境下对肝硬化的诊断准确率,减少临床医师主观性的影响。     

一种基于时频特征融合和极限学习机的非侵入式负荷识别方法

以往的负荷识别方法在提高识别精度和实际落地部署方面遇到了一些挑战，如传统经典方法的识别准确度相对较低，而先进深度学习方法又因其较复杂的模型而很难部署到嵌入式设备上。为解决上述问题，本文提出一种基于高频样本数据识别方法。首先采用快速傅里叶变换(FFT)和希尔伯特变换(HT)对样本进行时域和频域特征提取。然后基于极限学习机(ELM)提出了一种多特征融合学习策略来获取特征与负荷类型之间的映射关系，设计了一种窗口调整方法，以获得最优模型和最合适的窗口长度。最后在两个高频公共数据集BLUED和PLAID上对该方法进行了实验评估。实验结果表明，所提方法具有识别性能较好、易于在嵌入式设备上落地部署的优点。     

多尺度卷积的时频域语音分离方法研究

在进行混合语音分离时,信号时域特征的深度学习语音分离性能优于频域特征。但目前时域特征的语音分离方法在真实噪声环境下的鲁棒性较差,且单一时域特征对分离模型的性能存在局限性。因此,提出一种基于Conv-TasNet网络的多特征语音分离方法,融合频域特征与时域特征,提高数据的多维信息。为了进一步提高分离网络性能,引入多尺度卷积块,提高网络对特征的提取能力。在包含真实噪声的实验环境下,所提方法与Conv-TasNet模型和最新的时频域融合语音分离基线模型相比,性能分别提高了0.91和0.52 dB,有效提升了语音分离的性能及鲁棒性。     

结构化矩阵分解的网状织物缺陷检测方法

针对在网状织物缺陷检测过程中因纹理复杂造成误检问题,提出了一种结构化矩阵分解的网状织物缺陷检测方法。首先,通过Retinex算法对图像进行增强,利用所提取的底层图像特征生成特征矩阵,并将其分解为含有织物图像背景信息的低秩矩阵和含有缺陷信息的稀疏矩阵;其次,引入了高级先验矩阵和索引树两个部分,通过利用增强后图像进行获取,并对两个部分进行特征融合,实现缺陷显著性增强。通过计算稀疏矩阵的值,获得缺陷的显著性的大小;最后,通过最佳阈值分割算法分割缺陷显著图,从而得到缺陷检测结果。利用公开数据集TILDA和BASLER工业相机采集到的网状织物缺陷图像验证了算法的性能。研究表明,与其他算法相比,本文算法的识别准确率达到94.25%,召回率达到92.48%,分类准确率达到90.12%。     

灰度纹理与油气特征融合的油纸绝缘老化状态评估

针对单一局部放电特征辨析老化信息量存在精度不足的问题,提出一种基于局部放电灰度纹理特征与油气特征的D-S证据融合识别方法,对油纸绝缘老化状态进行分析。首先,通过试验构造人工油纸绝缘内部气隙模型,模拟变压器内部实际运行环境,采集油纸绝缘7个老化层级的局部放电信号及油中气体含量,提取各老化层级的灰度纹理特征、统计特征及油气特征,利用支持向量机进行识别。将灰度纹理特征和油气特征的识别结果输入到D-S证据融合框架中进一步识别分析,识别结果与单一特征及其他两两特征融合结果比较。试验结果表明：基于灰度纹理特征与油气特征的D-S证据融合方法对油纸绝缘老化状态的识别效果更佳。     

一种基于特征融合的点特征目标跟踪算法

联合目标的颜色和纹理特征,构造了由目标的颜色和纹理特征联合表示的特征点目标表示模型,利用Mahalanobis距离构造特征点匹配函数,利用自适应kalman滤波(AKF)算法预测特征点在下一帧图像中的位置,通过特征点匹配准确定位目标,达到实时、准确跟踪的目的。实验表明,该方法对于光线变化,目标形状相似以及目标被部分遮挡时的跟踪是有效和稳健的。     

基于特征金字塔和多任务学习的绝缘子图像检测

作为输电线路巡检中的关键技术,绝缘子的高效检测在维护输电系统安全稳定运行中发挥着重要作用.针对现有方法存在的易丢失目标位置信息,对于复杂背景下的绝缘子检测精度低等缺点,提出一种基于特征金字塔和多任务学习的绝缘子检测方法.通过融合高、低维度特征信息来构筑特征金字塔,避免目标位置等细节信息的丢失,实现复杂背景中绝缘子的高效检测;引入多任务学习算法,进一步提升模型的泛化能力,提升绝缘子检测精度.利用无人机航拍所得的绝缘子实际图像进行实验,结果表明所提方法可将绝缘子检测精度提升至95.3％,具备较高的工程应用价值.     

灰度纹理与油气特征融合的油纸绝缘老化状态评估

针对单一局部放电特征辨析老化信息量存在精度不足的问题,提出一种基于局部放电灰度纹理特征与油气特征的D-S证据融合识别方法,对油纸绝缘老化状态进行分析。首先,通过试验构造人工油纸绝缘内部气隙模型,模拟变压器内部实际运行环境,采集油纸绝缘7个老化层级的局部放电信号及油中气体含量,提取各老化层级的灰度纹理特征、统计特征及油气特征,利用支持向量机进行识别。将灰度纹理特征和油气特征的识别结果输入到D-S证据融合框架中进一步识别分析,识别结果与单一特征及其他两两特征融合结果比较。试验结果表明：基于灰度纹理特征与油气特征的D-S证据融合方法对油纸绝缘老化状态的识别效果更佳。