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.     

基于时间保持能量图和Radon变换的步态识别

Radon变换把图像从坐标空间映射到Radon空间,因其可以保存频率信息而被应用在步态识别算法中。主要从频率角度入手,着力提高基于Radon变换的步态识别算法的识别正确率,提出了基于时间保持能量图的Radon变换步态识别算法。传统的步态能量图是对步态周期中经过归一化的人体轮廓图求算术平均而得到的步态特征表示,最近提出的时间保持能量图在保持步态能量图的优点的基础上,保留了步态序列的时间信息,在改进的步态周期检测算法的基础上,提出将时间保持能量图和Radon变换结合到一起的步态识别算法。也对结合不同数据空间的特征如频率、形状等做了初步探讨。     

基于核二维主成分分析算法的步态识别

步态识别是一种新的生物认证技术,它是通过人的行走方式来识别人类身份的方法。为了更加快速有效地对人体步态特征进行提取和识别,采用了基于核二维主成分分析（Kernel two Dimensional Principal Component Analyses,K2DPCA）的方法进行步态特征提取,运用支持向量机（SVM）进行步态识别。根据人体步态下肢摆动距离统计出步态周期,得到步态能量图（GEI）,对生成的GEI采用核二维主成分分析方法进行步态特征向量提取,采用SVM分类器进行分类识别。实验结果表明该方法具有很好的识别效果。     

采用Radon变换和二维主成分分析的步态识别算法

针对主成分分析算法将图像矩阵转化为向量的维数过高、求取特征向量耗时的问题,综合步态的静态和动态信息,对一个步态周期中的图像进行Radon变换,再通过模板构造,仅用一幅图像来刻画步态特征,接着用二维主成分分析（2DPCA）进行降维.为了验证所提出的算法的有效性,在CASIA步态数据库上进行实验,采用最近邻分类器来测试识别.实验结果表明在特征模板构造时选择合适的频率,采用Radon变换结合列2DPCA进行步态特征提取是有效的.     

基于步态能量图像和2维主成分分析的步态识别方法

为了快速有效地进行步态识别,针对步态能量图像能够表征步态信息和2维主成分分析能快速降维的特点,提出了一种基于步态能量图像和2维主成分分析的步态识别方法.该方法首先应用背景减除法分割出人体轮廓;然后通过人体宽高比的相关信号确定运动周期,再对二值周期序列进行步态能量图像(GEI)合成;最后运用行列相结合的2维主成分分析((2D)~2PCA)方法与加权的2维主成分分析(W(2D)~2PCA)方法提取特征主向量,并采用最近邻分类器进行分类.实验结果表明,该步态识别方法可以有效降低前期处理对分类识别的影响,而且对于3种不同行走状态的CASIA数据库巾多个视角下拍摄的步态图像可取得很好的识别效果.     

基于核主成分分析的步态识别方法

为了从多帧步态序列中更有效地提取步态特征并实时性地进行身份识别,提出一种有效的基于平均步态能量图(MGEI)的核主成分分析(KPCA)的身份识别方法。通过预处理技术提取出运动人体的侧面轮廓,根据步态下肢的摆动距离统计出步态周期,得到MGEI。KPCA采用非线性方法提取主成分,描述待识别图像中多个像素之间的相关性。利用KPCA的方法在高维空间对MGEI提取特征,选择合适的核函数,用方差倒数加权欧氏距离进行身份识别。实验结果表明,该算法具有较好的识别性能,并且耗时大大缩短。     

基于步态识别的智能监控系统研究

针对现有的视频监控技术仅依赖人眼的检测,缺乏智能性,进行了基于步态识别的智能监控系统研究,应用背景减除法分割出人体轮廓。通过人体宽高比的相关信号确定运动周期,再对二值周期序列进行步态能量图像(GEI)合成。运用主成分分析或行列相结合的二维主成分分析((2D)2PCA)提取特征主向量,采用最近邻分类器分类。实验结果表明,该方法可以有效降低前期处理对分类识别的影响,而且在我们自己建立的摄像头摆放有一定俯角的步态数据库中3个视角下取得很好的识别效果。     

基于Radon变换特征提取的步态识别

提出了一种基于Radon变换特征提取的步态识别算法.该算法根据步态轮廓图下肢的宽度信息确定步态运动准周期性,对二进制准周期步态轮廓序列进行Radon变换构造特征向量模板.对特征向量进行主成分分析,并采用k-近邻法进行步态特征分类.在CASIA步态数据库上和CAS识别算法进行了详细的比较,实验结果表明,该算法在性能上有较大程度的提高,是一种有效的步态识别方法.     

基于嵌入式隐马尔可夫模型的步态识别

针对从多帧步态中更有效提取步态特征的问题,提出了一种基于嵌入式隐马尔可夫模型的步态识别算 法．首先采用背景减除方法提取出人体的侧影轮廓,通过分析轮廓宽度向量的自相关性计算出步态的周期,并得到 平均步态能量图．接着利用二维离散余弦变换获得平均步态能量图的空间特征信息,然后把能量图的观测块转化为 观测向量实现了步态识别．最后运用最近邻法在两个不同的数据库上进行算法验证,实验结果表明该算法具有较好 的识别性能．     

基于分块双向二维主成分分析的步态识别

提出了一种基于步态能量图和分块双向二维主成分分析进行步态特征的算法。首先对图像序列预处理提取运动轮廓,通过分析区域分布直方图检测出运动周期,生成步态能量图描述步态的空间和时间特性,继而使用分块双向二维主成分提取步态特征用以分类,最后在USF步态数据库上测试,并与其它几个算法进行比较。实验结果显示,该方法有更高的识别率和更低的计算复杂度。     

Improved support vector classification using PCA and ICA feature space modification

An approach that unifies subspace feature selection and optimal classification is presented. Independent component analysis (ICA) and principal component analysis (PCA) provide a maximally variant or statistically independent basis for pattern recognition. A support vector classifier (SVC) provides information about the significance of each feature vector. The feature vectors and the principal and independent component bases are modified to obtain classification results which provide lower classification error and better generalization than can be obtained by the SVC on the raw data and its PCA or ICA subspace representation. The performance of the approach is demonstrated with artificial data sets and an example of face recognition from an image database.     

基于动态主成分子空间的人脸识别算法

在基于子空间分析的人脸识别中,通常是按照特征值的大小来确认主成分的重要性,并以此为基础构造一个固定的特征子空间.通过人脸图像重建分析,发现固定的特征子空间会给人脸识别带来误差,于是采用多元线性回归分析理论,提出一个动态主成分子空间构造算法.在此基础上,得到了动态PCA(主成分分析)算法和基于Gabor特征的动态PCA算法.由ORL和Georgia Tech人脸数据库上的实验结果表明,该算法不仅减少了主成分数目,而且提高了识别率.     

基于核字典学习的图像分类

航拍图像往往具有场景复杂、数据维度大的特点,对于该类图像的自动分类一直是研究的热点。针对航拍原始数据特征维度过高和数据线性不可分的问题,在字典学习和稀疏表示的基础上提出了一种结合核字典学习和线性鉴别分析的目标识别方法。首先学习核字典并通过核字典获取目标样本的稀疏表示,挖掘数据的内部结构;其次采用线性鉴别分析,加强稀疏表示的可分性;最后利用支持向量机对目标进行分类。实验结果表明,与传统基于子空间特征提取的算法和基于字典学习的算法相比,基于核字典学习与鉴别分析的算法分类性能优越。     

Contextual constraints based linear discriminant analysis

Linear feature extraction methods such as LDA have achieved great success in pattern recognition and image processing area. For most existing methods, the image data is usually transformed into a vector representation and the contextual information among pixels is not exploited. However, image data distribute sparsely in high-dimension feature space and the dependence among neighboring pixels is important to represent a natural image. Therefore, in this paper, we propose a novel image contextual constraint based linear discriminant analysis (CCLDA) method by taking into account the pixel dependence of an image in subspace learning process. In this way, a more discriminative subspace could be learned especially in the case of small sample size. Extensive experiments on ORL, Extended Yale-B, PIE and FRGC databases validate the efficacy of the proposed method.     

Visualization of multidimensional shape and texture features inlaser range data using complex-valued Gabor wavelets

The paper describes a new method for visualization and analysis of multivariate laser range data using complex valued non orthogonal Gabor wavelets (D. Gabor, 1946), principal component analysis and a topological mapping network. The initial data set that provides both shape and texture information is encoded in terms of both amplitude and phase of a complex valued 2D image function. A set of carefully designed oriented Gabor filters performs a decomposition of the data and allows for retrieving local shape and texture features. The feature vector obtained from this method is multidimensional and in order to evaluate similar data features, further subspace methods to transform the data onto visualizable attributes, such as R, G, B, have to be determined. For this purpose, a feature based visualization pipeline is proposed consisting of principal component analysis, normalization and a topological mapping network. This process finally renders a R,G,B subspace representation of the multidimensional feature vector. Our method is primarily applied to the visual analysis of features in human faces but is not restricted to that     

基于描述特征的人脸识别研究

针对基于主成分分析识别人脸存在计算复杂、不能准确地估计训练图像的协方差矩阵等问题,提出了一种基于描述特征的人脸识别算法(Expressive feature face recognitionalgorithm, EFFRA).该算法用训练图像的右奇异向量代替PCA求解的子空间的基向量,避免了将人脸图像转换成图像向量,明显降低了计算复杂性.进一步研究发现,EFFRA提取的每一个主成分向量中含有冗余,在此基础上,利用PCA实现了EFFRA的简化算法(MEFFRA),在ORL和Essex数据库上的实验结果表明,EFFRA及MEFFRA明显优于特征脸算法,MEFFRA的识别精度略好于EFFRA,但明显减少了对存储空间的需求.     

An efficient discriminant-based solution for small sample size problem

Classification of high-dimensional statistical data is usually not amenable to standard pattern recognition techniques because of an underlying small sample size problem. To address the problem of high-dimensional data classification in the face of a limited number of samples, a novel principal component analysis (PCA) based feature extraction/classification scheme is proposed. The proposed method yields a piecewise linear feature subspace and is particularly well-suited to difficult recognition problems where achievable classification rates are intrinsically low. Such problems are often encountered in cases where classes are highly overlapped, or in cases where a prominent curvature in data renders a projection onto a single linear subspace inadequate. The proposed feature extraction/classification method uses class-dependent PCA in conjunction with linear discriminant feature extraction and performs well on a variety of real-world datasets, ranging from digit recognition to classification of high-dimensional bioinformatics and brain imaging data.     

基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法

目前的人脸识别算法常常忽视训练过程中噪声的影响,特别是在训练数据和待测数据都受到噪声污染的情况下,识别性能会明显下降。针对含有光照变化、伪装、遮挡及表情变化等较大噪声的人脸识别问题,提出了一种基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法。该算法首先通过低秩矩阵恢复算法得到训练样本的潜在低秩结构和稀疏误差结构;然后利用主成分分析法找到低秩结构的Gabor特征所在低秩子空间的变换矩阵;再通过变换矩阵将所有样本的Gabor特征向量投影到低秩子空间上,在该低秩子空间上使用稀疏表示分类算法进行最终的分类识别。在Extend Yale B和AR数据库上的实验表明,新算法具有较高的识别率和较强的抗干扰能力。     

基于改进结构保持数据降维方法的故障诊断研究

传统基于核主成分分析(Kernel principal component analysis,KPCA)的数据降维方法在提取有效特征信息时只考虑全局结构保持而未考虑样本间的局部近邻结构保持问题,本文提出一种改进全局结构保持算法的特征提取与降维方法.改进的特征提取与降维方法将流形学习中核局部保持投影(Kernel loc...