图像数据的混沌模式的提取与表达

研究以离散余弦变换(DCT)基函数作为辅助函数,结合序列灰度图像构造动力系统,然后迭代得到轨迹点集合(近似的吸引子);使用该吸引子能够将视频图像的不同场景鉴别出来,用于视频分段裁剪等。使用多个DCT基函数矩阵,分别与一个图像构造动力系统,生成多个近似吸引子,这些吸引子可以作为图像的特征,用于图像识别,也可以重构原图像。     

曲面迭代的混沌特性及其在人脸识别中的应用

为探讨混沌理论在图像应用中的更多可能性,减小图像识别过程中因局部动态变化等因素对识别率的影响,提出一种基于混沌迭代的图像特征构造方法.首先利用图像与辅助函数构造离散动力系统,在二维空间中使用Euler法进行迭代,得到近似吸引子作为图像的特征点阵;然后对该特征点阵进行Radon变换,将其投影到一维空间中,通过计算相关系数等方法对人脸图像进行识别;给出一种灰度自适应方法,在图像识别过程中通过调整灰度对比度来提高吸引子生成质量.实验结果表明,利用该单一特征的初步识别方法在Yalefaces人脸数据库中的识别率为70.91%;改进灰度自适应等方法后识别准确率达到87.33%,可得到较稳定的识别效果;另外,通过绘制出一些不同类图像的吸引子,说明图像不同其吸引子形状也不同.     

生成六面体上的Z4对称混沌吸引子

研究用平面迭代映射构造正六面体上连续排列的混沌吸引子.通过讨论正方形格子上的混沌吸引子图形在正六面体上连续排列的边界条件,用截断的傅里叶三角级数构造出了具有Z4对称特性的平面迭代映射,在单位正方形格子的边界上验证了迭代映射满足边界条件,构造迭代映射在单位正方形格上的图形,实现了在平面上和正六面体上的混沌吸引子图形的连续排列.本文提出的Z4对称平面迭代映射可以用于大量地自动生成三维正六面体上的连续混沌吸引子图形.     

基于融合特征的行人再识别方法*

行人再识别过程中,由于姿势和光照等因素的变化使不同相机中所得行人的外形具有明显变化,较难提取不变性特征,导致识别率偏低.鉴于此种情况,文中提出基于融合特征的行人再识别方法,提取的特征包括HSV颜色特征、颜色直方图特征及梯度方向直方图特征,行人再识别过程分为训练阶段和识别阶段.在训练阶段,首先对训练图像集中每幅图像进行特征提取,然后利用典型相关分析获得2部相机拍摄同一行人的图像特征之间的相关性,生成相关性矩阵.在识别阶段,首先对参考图像集和测试图像集中每幅图像进行特征提取,然后将各自特征向量利用相关性矩阵进行变换,最后进行相似度度量,得到识别结果.在3个图像库上的实验表明,文中方法可以提高行人再识别的识别率.     

基于非线性方程组的吸引子图形绘制

利用线性函数迭代系统进行迭代可以绘制出树与山等自然景物,而非线性系统在这方面的研究结果相对较少。本文利用辅助函数与一个随机生成的多项式函数构成动力系统,其中辅助函数具备类似正弦函数的性质,而多项式函数只含有二次项或者一次项,通过绘制分形图等方法对系统的混沌特性进行分析,结果表明,一组三维正弦函数与两个三维多项式函数构造的动力系统是混沌的概率很高,通过迭代可以得到众多的具有观赏和实用价值的三维吸引子。除了可以辅助绘制吸引子图形外,这种构造混沌的方法也是混沌理论研究的一个实例。     

基于DCT直流系数的图像轮廓生成算法

为了实现对数字图像有效的传输、保存、检索、加密、恢复.经常对图像进行DCT变换,在分析DCT变换直流系数的特点和性质基础上,设计了一种用DCT直流系数生成原图像轮廓的算法.将原图像进行互不重叠的分块,对每个块进行DCT变换,比较各块直流系数与直流系数平均值的大小得到二值矩阵,用该二值矩阵构造的二值图像即为原始图像轮廓.如果在图像处理过程中对图像进行了分块DCT变换,其他数据丢失.只保留了各块的直流系数,可以生成原图像的轮廓,也可以生成原图像的缩小图像.证明了Dc系数二值化与平均像素二值化生成的原图像轮廓是一样的.     

基于Logistic映射的彩色图像加密算法设计实现

该算法使用Logistic映射产生混沌序列。采用单向散列函数生成Logistic映射的两个初始值,进行混沌迭代产生两个混沌序列,再按照一定算法生成两个变换矩阵实现对彩色图像的频域加密。实验证明,该算法实现简单,解密图像失真度低,安全性高,对彩色图像有着良好的加密效果。     

基于混沌映射的彩色图像加密算法设计实现

算法使用Logistic映射产生混沌序列.采用单向散列函数生成Logistic映射的两个初始值,进行混沌迭代产生两个混沌序列,再按照一定算法生成两个变换矩阵实现对彩色图像的频域加密.实验证明,算法实现简单,解密图像失真度低,安全性高,对彩色图像有着良好的加密效果.     

变周期窗口平面动力系统的构造与可视化

为了用同一个迭代映射构造出多个不同视觉效果的平面连续排列图案,提出一种用变周期窗口的动力系统生成具有P1对称特性的平面排列图案的有效算法.该算法采用余弦函数及含参的非线性角度变量构造一族使动力平面上各周期窗口的尺度变化的迭代映射;通过计算任意周期窗口和最大周期窗口得出窗口间相应点之间的非线性对应关系,并构造出各周期窗口中的混沌吸引子和充满Julia集,其图案是连续的且结构不同的;选用不同的周期窗口作为基本计算区域,使之与正方形像素矩阵对应,并构造出基本图元,实现了用一个映射构造出多个平面排列图案的算法.实验结果表明,采用文中算法可以生成大量具有P1对称的平面等距排列的混沌吸引子和充满Julia集图案.     

构造IFS吸引子的新算法

迭代函数系统（IFS）是定义和描绘分形的有效方法，每个IFS确定了唯一一个称为吸引子的分形，随机迭代算法虽然能够简单快捷地在计算机上构造IFS的吸引子，但是不能保证在有限步内计算出组成吸引子的所有点，针对这一不足，利用IFS吸引子局部间具有的相似性，提出了由IFS中可逆仿射变换的不动点来逐步生成吸引子的原理和方法，实验证明，该算法是可行的，它不仅能在有限步内生成整个吸引子，并且不必引进概率。     

基于隐马尔科夫模型的人脸识别

对于人脸识别系统来说,人脸图像的特征提取和匹配是决定人脸识别系统性能的关键所在。文中提出基于隐马尔科夫模型的人脸识别方法。首先,根据人脸的特点建立马尔科夫模型,然后对图像进行预处理,再利用采样窗对人脸图像进行采样并进行离散余弦变换,提取变换后的系数作为观察向量。最后对人脸图像进行HMM训练,训练结束后即建立了一个人的HMM。基于DCT系数的二维隐马尔科夫模型由于充分利用了人脸图像的二维统计特性,具有较高的识别率。实验结果证明此方法在准确性方面具有良好的性能。     

基于三角函数迭代的视频数据特征提取

在计算机视觉研究中,基于视频数据进行图像对象识别逐渐增多。针对视频数据 的特征提取,提出了一种基于三角函数迭代提取视频三维迭代轨迹特征的方法。该方法是考虑 视频数据的时间空间维度,利用三角函数构造三维动力系统,整体一次性进行视频段数据特征 的抽取,提取出一种近似混沌吸引子的三维特征点集,这种视频数据迭代特征实际上是迭代轨 迹点集合。以VidTIMIT 数据集进行人脸识别实验,发现增加初始迭代值的个数,减少迭代次 数后,提取出的特征点集合具有更好的效果。当VidTIMIT 的43 组559 个视频全部参与实验, 识别率达到88.16%,与现有文献中记载的其他方法相比,具有识别率高、计算时间少的特点, 初步证实了该三维视频迭代轨迹特征具有实用性,同时也值得进一步研究验证与分析。     

A Chaotic Feature Extracting BAM and Its Application in Implementing Memory Search

An unsupervised trained, chaotic BAM composed of units with saturated limits logistic function can extract intrinsic features of data and exhibit various associative dynamics for different values of transmission parameters of the neurons?? activation functions during recall. The output behavior of its units can be a fixed point or periodic attractor, a constrained aperiodic attractor consisting of one or more stored patterns, or a chaotic attractor. This characteristic indicates that the model is a promising technique that can be applied to information processing, such as pattern recognition and memory recall. However, controlling the amount of output variability and stabilizing it in a desired attractor is a crucial issue in practice. In this work it is shown that the transmission parameters of the units?? activation functions play a significant role in identifying the output behavior. Using different time-series generated by the trained network, Largest Lyapunov Exponent is computed for different values of transmission parameter. Then, critical values of this parameter that lead to the highest chaotic behavior for each unit are stored and used to set the network during recall. Interaction between some chaotic feature units and some fixed-point ones produces desired behaviors with various degrees of uncertainty. An evolutionary algorithm is then introduced to find the units that should work chaotically to generate the desired behavior. Achievement of this method implies that such a controlled chaotic feature extracting BAM can be feasibly applied to information processing.     

基于加权小波的DCT人脸识别算法研究

针对图像维数过高,计算复杂的问题,提出一种基于加权小波分析和DCT的人脸识别方法,通过对人脸图像进行小波分解,提取低频和加权高频分量的DCT变换系数作为识别特征向量,采用加权距离进行分类识别.该方法在ORL和YALE人脸库上进行了测试比较,结果表明,无论训练时间还是识别率,都优于传统的PCA方法,和小波结合PCA的方法相比较,识别率也明显提高.     

结合分块DCT系数及其统计特征的人脸识别

提出了一种基于分块DCT系数及其统计特征的人脸识别算法。对图像进行分块,对每一块进行DCT变换,选择低频部分的系数作为识别的特征,将每一块分解为一幅低通滤波图和一个包含DCT高频系数的反L型块;分别对这两块求其均值、方差和熵这三个统计特征;利用支持向量机(SVM)和最近邻分类器对这些特征进行分类识别。在ORL、Yale人脸数据库上的仿真实验表明,使用基于分块DCT系数及其统计特征可达到较高的识别率。     

High-speed face recognition based on discrete cosine transform and RBF neural networks

In this paper, an efficient method for high-speed face recognition based on the discrete cosine transform (DCT), the Fisher's linear discriminant (FLD) and radial basis function (RBF) neural networks is presented. First, the dimensionality of the original face image is reduced by using the DCT and the large area illumination variations are alleviated by discarding the first few low-frequency DCT coefficients. Next, the truncated DCT coefficient vectors are clustered using the proposed clustering algorithm. This process makes the subsequent FLD more efficient. After implementing the FLD, the most discriminating and invariant facial features are maintained and the training samples are clustered well. As a consequence, further parameter estimation for the RBF neural networks is fulfilled easily which facilitates fast training in the RBF neural networks. Simulation results show that the proposed system achieves excellent performance with high training and recognition speed, high recognition rate as well as very good illumination robustness.     

A Brain-Inspired Method of Facial Expression Generation Using Chaotic Feature Extracting Bidirectional Associative Memory

Human cognitive system adapts many different environments by exhibiting a broad range of behaviors according to the context. These behaviors vary from general abstractions referred as prototypes to specific perceptual patterns referred as exemplars. A chaotic feature extracting associative memory is proposed to mimic human brain in generating prototype and exemplar facial expressions. This model automatically extracts features of each category of images related to a specific subject and expression. In the training phase, the features are extracted as fixed points. In recall phase, the output attractor of the network ranges from fixed point which results in a prototype facial image, to chaotic attractors which lead to generating exemplar faces. The generative model is applied to enrich a facial image dataset in terms of variability by generating various virtual patterns, in case that only one image per subject is provided. A face recognition task is implemented to compare the enriched and original dataset in training classifiers. Our results show that recognition accuracy increases from 32 to 100% when exemplars generated by the proposed model are used to enrich the training dataset.     

DCT结合特征选择的红外人脸识别

为了从生物特征和统计角度来提高识别的性能,提出了一种基于血流图的离散余弦变换（discrete cosine transform,DCT）与特征选择相结合的人脸识别方法。该方法首先利用血流模型把红外温谱图转换成血流图,得到更具丰富频率的特征。其次,采用DCT变换可以有效地消除血流图的相关性。最后,在DCT域特征提取阶段,为了提高特征提取的有效性,特征选择和子空间学习基于一致的可分性目标：特征选择引入基于可分性的DCT系数选择算法以抽取鉴别能力强的DCT系数,对抽取的DCT系数采用基于可分性的线性鉴别分析（linear discriminant analysis,LDA）方法。实验结果表明,该红外人脸识别方法可以快速有效地提取血流图中适合分类的特征,识别率优于传统DCT＋LDA方法。     

一种新的低秩分块稀疏表示的人脸识别算法

针对 人脸图像中表情变化、遮挡、光照的问题,本文提出了一种新颖的基于低秩分块稀疏表示的 人脸识别算法。该算法采用了一种新的结构不相关的低秩矩阵恢复方法,同时采用离散余弦 变换方法联合处理人脸图像中遮挡、掩饰和光照的问题,对处理过的图片采用一种独特的重 叠分块方法,利用冗余信息有效地提高了算法的识别率。在分类阶段,利用Alignment pool ing的方法,有效地提高了识别速度。该算法在标准人脸数据库上进行了多次实验,实验结 果表明：与现有人脸识别算法相比,算法的识别准确率和计算效率都得到了一致提高。     

基于模糊最大间距准则的人脸特征提取方法

在最大间距准则算法中引入模糊化思想,提出了基于模糊最大间距准则（FMMC）的人脸识别算法.首先讨论图像对各个类别的隶属程度,并重新定义了类内和类间离散度矩阵;然后利用模糊最大间距准则得到最优投影变换矩阵;最后将原始训练样本数据投影到一个相对低维的特征空间,从而完成对训练样本数据的特征提取.在ORL和Yale标准人脸库上的实验结果表明,文中提出的模糊最大间距准则特征提取方法用于人脸识别具有较高的识别率.