基于多通道PCA模型的手写汉字识别方法

为了提高手写汉字的识别率和降低训练时间，提出了一种基于多通道PCA(Principal component analysis)模型的手写汉字识别方法．该方法首先根据汉字的结构特点，将手写汉字分解为“一”、“I”、“J”、“＼”4种方向子模式，然后分别对每个子模式进行主分量分析，最后通过建立起每类汉字的多通道PCA模型来进行手写汉字的识别．该方法既兼顾了主分量对手写汉字的描述能力，又有效地降低了建立模型的训练时间．针对1034类别的手写汉字样本的实验结果表明，该汉字识别方法的识别率较欧氏距离分类器提高了4．4个百分点，而其训练时间则明显低于直接进行PCA重建的识别方法，由此可见，该方法是有效的。     

基于核主分量分析的脸谱识别方法

此文提出了一种新的脸谱识别方法--基于核主分量分析(KPCA)的脸谱识别方法.首先利用KPCA方法提取脸谱图象的特征,然后利用线性支持向量机进行识别.KPCA的基本思想就是首先经过一个非线性映射,将输入空间的数据映射到一个高维的特征空间中,以求数据在特征空间中线性可分(或近似线性可分),然后在特征空间中进行标准的PCA提取主元,作为特征向量.同时,我们将脸谱识别的经典方法主分量分析(PCA)(特征脸方法)和最近提出的独立分量分析(ICA)脸谱识别方法与新方法进行了比较,并利用ORL脸谱库进行实验,实验结果显示,新的方法具有较高的识别率.     

基于小波变换和PCA的SAR图像相干斑抑制

提出一种SAR图像相干斑噪声抑制新的滤波方法。该方法利用小波变换结合主分量分析(PCA)对SAR图像进行去噪。小波变换可以很好地保持边缘细节信息,主分量分析(PCA)能从混合信号中提取出主分量即信号的主要特征,将小波变换结合PCA用于图像处理,能在有效消除噪声的同时保持边缘信息。与Kirsch模板加权平滑滤波和结合小波变换的Kirsch模板加权平滑滤波去噪方法进行比较,实验结果表明,该方法具有良好的抑制相干斑噪声效果和较强的边缘保持能力。     

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。     

结合ICA和PCA方法的胎儿心电提取

在生物医学信号处理领域,独立分量分析(PCA)和主分量分析(ICA)是两种广泛应用的方法。但是,这两种方法各有其优缺点。提出了一种新颖的方法,将ICA和PCA相结合,通过求相关的技术,分别取ICA和PCA方法的优点。将该方法应用于从母体腹部测得的多通道信号中提取胎儿心电信号的实验,得到令人满意的结果。研究结果表明,这种结合ICA和PCA的方法能够比较准确地分离出所需要的胎儿心电信号,进而可以对胎儿心电进行监护,因此在临床上具有一定的实用价值。     

基于二维图像矩阵的ICA人脸识别

为了解决传统独立分量分析(ICA)在人脸识别过程中存在的高维小样本问题,同时为了提高识别效率,提出了一种基于二维图像矩阵的独立分量分析(ICA)特征提取方法.该方法将人脸图像矩阵作为训练样本,首先利用主分量分析(PCA)对训练样本进行去二阶相关和降维处理,然后对处理后的样本进行ICA特征提取,由于训练样本维数很小,因此它降低了传统ICA方法中高维小样本问题产生的识别错误率,同时减少了识别时间.在Yale人脸库和ORL人脸库上验证了该算法的有效性.     

数字调制信号识别的特征参数优化方法

针对数字调制信号识别中特征参数数目多和特征冗余的问题,提出一种数字调制信号识别的特征参数优化方法。首先利用正交实验对常用的20个特征参数进行优化选择,然后利用RI3F神经网络识别9种数字调制信号,最后分别与主分量分析方法((PCA)和核主分量分析方法(KPCA)进行比较。仿真结果表明,该方法在高斯和多径信道下均能够有效地对特征参数进行优化选择,比PCA方法和KPCA方法有更好的优化能力。     

一种PCA算法及其应用

主成分分析是用于简化数据的一种技术，对于某些复杂数据就可应用主成分分析法对其进行简化。文中所用到的是一种连续统一的主分量分析法，它利用特征结构的正交性，提取出用于下一主分量的初始权向量，并且任何一种适用于线性前向反馈神经网络的主分量分析法都可作为此算法中的权修正等式。最后，将这种PCA法与普通PCA法运用于股票数据之中进行比较，结果对比证明用此方法提取出的数据比以前有所改进。     

基于二维主分量分析的面部表情识别

提出了一种直接基于图像矩阵的二维主分量分析(2DPCA)和多分类器联合的面部表情识别方法。首先利用2DPCA进行特征提取,然后用基于模糊积分的多分类器联合的方法对七种表情(生气、厌恶、恐惧、高兴、中性、悲伤、惊讶)进行识别。在JAFFE人脸表情静态图像库上进行实验,与传统主分量分析(PCA)相比,采用2DPCA进行特征提取,不仅识别率比较高,而且运算速度也有很大的提高。     

基于2DPCA-NSCT变换的多光谱与全色图像融合

鉴于应用单一主成分分析(PCA)或非下采样Contourlet(NSCT)变换进行多光谱和全色图像融合存在的问题,提出了一种2DPCA-NSCT变换图像融合算法.首先对多光谱图像各波段进行二维PCA变换,视其主成分为信号而少量非主成分为噪声予以忽略;然后对全色图像和第一主成分做NSCT分解,在频域对近似分量和多方向高频分量按不同的融合规则融合;最后通过NSCT反变换得到融合图像.实验结果表明,所提出的融合算法在保持PCA变换良好的空间分辨率的同时改善了其光谱失真的问题.     

一种用于人脸识别的非线性鉴别特征融合方法

最近，在人脸等图像识别领域，用于抽取非线性特征的核方法如核Fisher鉴别分析(KFDA)已经取得成功并得到了广泛应用，但现有的核方法都存在这样的问题，即构造特征空间中的核矩阵所耗费的计算量非常大．而且，抽取得到的单类特征往往不能获得到令人满意的识别结果．提出了一种用于人脸识别的非线性鉴别特征融合方法，即首先利用小波变换和奇异值分解对原始输入样本进行降雏变换，抽取同一样本空间的两类特征，然后利用复向量将这两类特征组合在一起，构成一复特征向量空间，最后在该空间中进行最优鉴别特征抽取．在ORL标准人脸库上的试验结果表明所提方法不仅在识别性能上优于现有的核Fisher鉴别分析方法，而且，在ORL人脸库上的特征抽取速度提高了近8倍．     

基于轮廓波变换和核Fisher判别分析的人脸识别

Contourlet变换是一种新的多尺度几何分析方法,它不仅具有小波变换的多分辨率特性和时频局域特性,还具有很强的方向性和各向异性.提出基于Contourlet变换和核Fisher判别分析的人脸识别方法,研究了Contourlet变换的低频系数、各层高频系数与核Fisher判别分析相结合进行人脸识别的识别率和识别时间.实验表明,Contourlet变换的低频系数与核Fisher判别分析相结合,有优异的识别率,也减少了识别时间;高频成分有一定的识别性能,但识别率较低.将低频成分与高频方向子带相结合能获得最优的识别率.     

一种人脸姿势判别与正脸合成的新方法

人脸深度旋转是人脸识别领域的一个瓶颈问题．首先探讨了不同方向、尺度的Gabor滤波器对于判别不同朝向的人脸姿势的性能，然后提出了一个基于Gabor滤波和分数幂多项式核Fisher判别准则的人脸姿势判别方法，最后利用改进的点点对应算法和线性物体类的原理构造正脸合成的算法．实验结果表明，新提出的姿势判别和合成方法是有效的．     

基于双重特征空间的人脸识别

多目标遗传算法(MOGA)是求解多目标优化问题的有效工具,因而在求解实际问题中得到越来越广泛的应用.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压缩技术,PCA方法所抽取特征的各分量之间是统计不相关的.在人脸识别的实际应用中,将多目标遗传算法引入到PCA所生成的特征空间的优化中,提出基于双重特征空间的人脸识别算法.通过对剑桥ORL库实验表明,该方法与传统的PCA相比,识别率得到明显提高.     

一种基于空间变换的核Fisher鉴别分析

引入空间变换的思相想，提出了一种基于空间变换的核Fisher鉴别分析，与KFDA不同的是，该方法只需在一个较低维的空间内执行，从而较大幅度地降低了求解最优鉴别矢量集的计算量，提高了计算速度，在ORL标准人脸库上的试验结果验证了所提方法的有效性。     

基于低密度分割几何距离的半监督KFDA算法

提出了一种基于低密度分割几何距离的半监督KFDA（kernel Fisher discriminant analysis）算法（semisupervised KFDA based on low density separation geometry distance，简称SemiGKFDA）.该算法以低密度分割几何距离作为相似性度量，通过大量无标签样本，提高KFDA算法的泛化能力.首先，利用核函数将原始空间样本数据映射到高维特征空间中；然后，通过有标签样本和无标签样本构建低密度分割几何距离测度上的内蕴结构一致性假设，使其作为正则化项整合到费舍尔判别分析的目标函数中；最后，通过求解最小化目标函数获得最优投影矩阵.人工数据集和UCI数据集上的实验表明，该算法与KFDA及其改进算法相比，在分类性能上有显著提高.此外，将该算法与其他算法应用到人脸识别问题中进行对比，实验结果表明，该算法具有更高的识别精度.     

改进的基于Gabor-LDA的人脸识别方法

鉴于Gabor特征对光照、表情等变化比较鲁棒,并已在人脸识别领域取得成功应用,提出了一种改进的Gabor-LDA算法.首先对人脸图像进行多方向、多尺度Gabor小渡滤波,然后对得到的特征向量使用改进的主成分分析方法(PCA)变换降维,采用自适应加权原理重建类内散布矩阵和类间散布矩阵,从而改进了最佳鉴别分析(LDA)判别函数,有效地解决了训练样本类均值与类中心的偏离问题.对Yale人脸库的数值试验表明,该算法比传统算法有更好的性能.     

基于多遗传算法的BP神经网络人脸识别

人脸识别应用十分广泛,在实际问题中较高的识别率十分重要,其中BP神经网络模型广泛用于人脸识别.然而在现实应用中,BP神经网络结构和权值阈值的选取往往依靠经验值,这使得BP神经网络存在容易陷入局部最优和收敛速度慢等问题。针对该问题,提出了一种基于多遗传算法优化BP神经网络结构和权值阈值的人脸识别方法。利用主成分分析算法对人脸图像进行降维,快速独立成分分析算法对人脸图像进行特征提取,以组合算法的方式使得处理后的人脸图像特征更加明显。通过第一层遗传算法优化BP神经网络的结构,第二层遗传算法优化BP神经网络的权值阈值,以此解决BP神经网络陷入局部最优和收敛速度慢等问题。基于ORL人脸库进行仿真验证,实验结果表明该算法具有较高的识别率。     

融合LTP与Fisherfaces的分块人脸识别

提出一种融合局部三值模式(LTP)和Fisherfaces进行人脸识别的方法,运用LTP算子提取分块人脸灰度图像的LTP直方图序列,采用Fisherfaces方法对采样后的特征进行特征选择,根据最近邻原则进行识别。该算法不仅能提取人脸纹理信息,大幅降低训练数据量,而且数据量的维数与原始图像大小无关。在ORL和YALE标准人脸数据库上的实验结果表明,该方法具有较高的识别率。