基于图像分块和RBF神经网络的人脸识别方法

目的 提出一种基于图像分块和径向基函数(RBF)神经网络的人脸特征提取与识别方法,解决人脸识别中的高维、小样本问题.方法 采用人脸图像的分块处理、奇异值分解压缩算法,降低特征维数,有效地解决了存储和传输中的数据压缩问题,运用基于聚类方法的RBF神经网络分类器进行人脸分类识别.结果 通过实验和数据分析表明,该方法在人脸骨骼特征明显时具有较高的识别率,与基于整体人脸图像的识别效果相比,识别率提高了3%.结论 笔者提出的识别方法具有良好的学习效率和识别精度品质指标.     

一种新的用于三维检索的快速邻域搜索方法

在传统的层次聚类算法上,对孤立聚类进行特殊处理,并在此基础上提出了与传统内容检索方法不同的三维模型索引检索技术.首先提取三维模型的深度图像特征并将特征值存入数据库;其次利用改进的层次聚类算法对特征值进行聚类并计算聚类中心值;之后计算每个三维模型内容特征与其所在聚类中心的距离并保存到数据库中,查询时计算待查询模型特征与各个聚类中心的距离并排序;最后在每个聚类里面进行检索,与聚类中心的距离位于待检索模型与该聚类中心距离的邻域就是查询结果.在该方法中,将每个模型特征与其所在聚类中心的距离作为其索引.实验结果表明,该方法在保证检索质量的基础上大大提高了检索速度.     

基于二维PCA的人脸识别方法研究

该文提出了一种基于二维PCA的类内平均脸方法进行人脸的特征提取.首先利用类内平均脸对人脸训练样本进行规范化处理,根据规范化之后的人脸训练样本计算图像协方差矩阵,并求解一组最优特征向量,然后将人脸样本投影到这组最优特征向量上来提取人脸的特征,最后采用最近邻距离分类器来分类所提取的特征.此方法在NUST603人脸图像库上进行了实验,验证了该方法的有效性.     

基于仿射传播聚类的富模型降维方法

富模型的提出为HUGO隐写算法的分析提供了新的思路,但是富模型特征维数高,冗余大,容易造成维数灾难问题;本文通过分析富模型特征结构,利用非线性距离定义特征距离,使用仿射聚类方法和图的谱理论,确定特征的聚类中心,将聚类中心所对应的特征作为新特征,使用Fisher集成分类器进行隐写分析。实验结果表明,经过该降维方法处理的SRM（空域富模型）在特征维数降低到8000维时,对于S-UNIWARD、WOW、HUGO隐写算法有着较低的检测错误率,最大降幅达到43.1%     

基于免疫模糊聚类RBF网络的交通信息融合算法

在径向基函数(radial basis function,RBF)神经网络应用于交通信息融合的研究中,采用模糊C均值(fuzzy C-means,FCM)聚类算法确定径向基网络隐层中心点,一般随机初始化聚类中心,训练过程容易陷入局部极小.结合人工免疫系统的克隆选择原理,提出了一种新的产生初始聚类中心的方法,与FCM聚类算法有机集成,共同训练径向基函数网络的结构参数.该方法避免了网络训练陷入局部最优的问题,收敛速度有所提高,得到了较好的融合效果.实例仿真验证了算法的有效性和实用性.     

基于径向基函数神经网络的预测方法研究

提出了一种新的确定径向基函数中心的方法. 该方法首先利用交叉迭代模糊聚类算法确定样本数据的模糊聚类中心,然后采用正则化正交最小二乘法从模糊聚类中心中进一步优选径向基函数中心,并将广义交叉有效性指标作为停止选择过程的标准. 该方法集中了交叉迭代模糊聚类和正则化正交最小二乘法的优势,可有效减小网络规模,提高网络推广能力,而且能够避免数值病态情况发生. 以新疆伊犁河雅马渡站的年径流量预测为例进行计算,其结果验证了所提方法的有效性.     

一种基于肤色和模板匹配的人脸检测方法

提出了一种基于肤色和模板匹配的人脸检测方法,该方法首先对搜集到的人脸肤色样本在YCbCr空间中进行聚类,然后根据聚类的范围在输入的图像中确定候选的人脸区域(假设存在)的位置,接着对该候选人脸区域进行归一化处理,再计算人脸模板和该候选区域的Hausdorff距离,根据该距离大小最终确定该候选区域是否为人脸.实验表明:该算法检测准确率高,具有良好的实时性和鲁棒性.     

基于卷积神经网络的大规模人脸聚类

大规模人脸聚类不仅要求高效的人脸特征,还要求聚类算法在保持高准确率的同时耗时短.本文通过构建卷积神经网络高效提取人脸特征,并采用经典K-means算法和现阶段新颖的CFSFDP（Clustering by Fast Search and Find of Density Peaks）算法进行大规模人脸聚类.实验在聚类数目递增的情况下进行,并通过随机指标(Rand Index,RI)、信息熵、F₁-measure和混淆矩阵可视化来综合评估聚类的质量.结果表明,在大规模人脸聚类的情况下,卷积神经网络特征融合K-means的人脸聚类算法速度和准确率均优于CFSFDP算法.这一结论对大规模人脸聚类的实际应用具有重要的指导意义.     

基于Semi-Supervised LLE的人脸表情识别方法

目的 为提取有效的鉴别特征和降低鉴别向量的维数来识别人脸表情图像.方法 将流行学习(Manifold leaming,ML)和半监督学习(Semi-Supervised leaming,SSL)结合起来,利用人脸表情图像数据本身的非线性流形结构信息和部分标签信息来调整点与点之间的距离形成距离矩阵,而后基于被调整的距离矩阵进行线性近邻重建来实现维数约简,提取低维鉴别特征用于人脸表情识别.结果 该方法 能充分利用数据的结构信息和有限的标签信息,使具有标签信息的同类样本之间的距离最小化,不同类数据之间的距离最大化,进而可以有效地提取数据的低维鉴别子流形,使得分类性能要优于非监督的雏数约简方法 .结论 笔者提出的半监督局部线性嵌入算法能有效地提高人脸表情识别的性能.     

基于PCA降维的SVM人脸快速检测方法

提出一种改进的快速人脸检测方法。人脸模式训练阶段,先将训练样本的人脸特征经PCA降维提取主要特征,然后训练SVM人脸模式函数,由于训练样本维数的降低,节约了训练时间。检测阶段,利用肤色在YCbCr空间的聚类性,在色度空间建立高斯肤色模型进行皮肤分割。对分割区域进行连通域体态分析后,用PCA方法将待检测样本降维处理,利用SVM检测识别人脸。实验结果表明,这种方法可以快速有效检测图像中的单幅或多幅人脸区域。     

基于RBF-FCM-ROLSR 砼安全性评估方法

提出了一种基于径向基函数神经网络RBFNN(Radial Basis Function Neural Networks)、模糊C-均值聚类(FCM)算法和递归正交最小二乘法(ROLS)的混凝土安全性专家系统评估预测方法.此方法先用FCM算法初选多个RBFNN的函数中心,再采用ROLS训练网络,最后结合后向选择法,减少初选的中心数目,以得到最终的有效中心值.该方法加快了RBFNN的训练速度,提高了网络的运算效率.将其运用到混凝土安全性评估专家系统中,获得了满意的结果.将这种新算法得出的评估数据与传统的BP网络计算出的数据进行了比较,进一步证明了RBFNN及其学习算法的优越性和实用性.     

基于归一化最小均方算法的自适应核RBFNN

为了使自适应核径向基函数神经网络(RBFNN)有更好的收敛速度和稳态误差,提出了以归一化最小均方为学习算法对自适应核RBFNN进行优化的方法。在梯度下降算法的基础上,通过一个可变的步长因子,对归一化最小均方(NLMS)算法进行推导,并将其作为学习算法对自适应核RBFNN的权系数及偏差进行更新训练。在非线性系统辨识及模式分类中的仿真实验结果表明,使用NLMS学习算法训练自适应核RBFNN相较于其他学习算法下的自适应核RBFNN,具有更快的收敛速度及相对较小的稳态误差。     

基于RBF-FCM-ROLS的砼安全性评估方法

提出了一种基于径向基函数神经网络RBFNN(Radial Basis Function Neural Networks)、模糊C-均值聚类(FCM)算法和递归正交最小二乘法(ROLS)的混凝土安全性专家系统评估预测方法。此方法先用FCM算法初选多个RBFNN的函数中心，再采用ROLS训练网络，最后结合后向选择法，减少初选的中心数目，以得到最终的有效中心值。该方法加快了RBFNN的训练速度，提高了网络的运算效率。将其运用到混凝土安全性评估专家系统中，获得了满意的结果。将这种新算法得出的评估数据与传统的BP网络计算出的数据进行了比较，进一步证明了RBFNN及其学习算法的优越性和实用性。     

融合小波变换和张量PCA的人脸识别算法

张量主成分分析(PCA)方法用于人脸识别能获得比PCA方法更高的识别率．小波变换具有良好的时频分析特性,同时还能起到降维的作用．综合利用这两个算法的优点,提出了一种新的人脸识别算法,对人脸图像先采用小波变换做预处理得到4个子带图像,然后对每个子带图像用张量PCA进行特征提取,实现人脸图像的高效识别．仿真结果表明,新算法的识别率比张量PCA方法提高了6％,识别时间为张量PCA方法的35.74％．     

基于SOM-PCA-RBF的过程质量预测与整体调优

为实现过程输出质量的预防性改进,提出一种将SOM(self-organized map)神经网络、PCA(principal component analysis)法和RBF(radial basis function)神经网络集成的过程质量预测和多因素整体调优方法。采用SOM神经网络对过程数据进行分类;采用主成分分析法对分类后的过程输出进行评价,建立过程因素备选库;采用RBF神经网络建立过程预测模型,通过预测判断过程输出质量的符合性,给出过程多因素整体调优的方案。实例分析结果表明,该方法能够有效实现预防性质量改进。     

应用PCA理论进行多人脸姿态估计的方法

多人脸姿态估计是多姿态人脸识别的关键问题,至今尚未很好地解决。本文提出了一种基于PCA(Principal Component Analysis)算法的多人脸姿态估计方法,以获得人脸姿态与人脸图像在特征空间投影间的对应关系。算法首先利用PCA理论构建训练样本集的姿态子空间与特征向量,然后利用欧氏投影距离进行姿态估计,最后对方差贡献率与姿态估计准确率间的关系进行了研究。为了验证算法的有效性,利用23类姿态,共690个样本进行了实验,实验结果表明,该方法的姿态估计准确率为84%。说明将该方法应用与多姿态人脸估计是有效的,可行的。     

基于动态优化PCA人脸识别算法的实现

提出一种人脸识别动态优化PCA算法。采用ORL人脸数据库,对数据库中图像进行放缩归一化操作并按升序或降序排列。然后,将数据库分为最大值类、中值类、最小值类三个部分,求其各类平均值,特征值个数选取9和10,实现人脸识别和重建。随机采样人脸图像,采用DCT算法将其转换到频域进行分析,通过比较整个数据库平均脸与三类中各自平均脸,算法运行后,特征值个数可以实现自动优化。实验结果显示,该算法在一定程度上可用来对传统PCA算法部分关键参数进行优化。     

Tent混沌和变邻域局部搜索优化的GSA

针对引力搜索算法存在的易陷入局部最优、精度有待提高等问题,提出一种Tent混沌和变邻域局部搜索优化的引力搜索算法。首先改进Tent混沌,利用其遍历均匀性、随机性初始化种群,增强算法的全局搜索能力;然后改进粒子速度和引力系数公式,加快算法的收敛速度;最后设计一种基于莱维飞行的变邻域局部搜索策略,引导种群脱离局部最优,提高寻优精度。仿真结果显示,新算法能有效地抑制局部最优,相较其他测试算法有更好的寻优精度和稳定性。利用新算法优化径向基函数神经网络,对非线性系统的辨识结果证明,改进后的径向基函数神经网络比标准径向基函数神经网络和反向传播神经网络具备更好的模型逼近能力和泛化水平。     

基于径向基函数的混合神经网络模型研究

随着系统复杂程度的增加，构造一个径向基函数神经网络（RBFNN）所需样本及训练时间都急剧增加，得到的复杂网络往往不能完全揭示问题的层次和结构。采用“分而治之”的思想，提出了一种基于RBF的混合网络模型，通过最短距离均匀聚类方法划分样本空间，构造合适的子样本集和子网络模型对网络进行训练，与采用正交最小二乘法的单独RBF网络在结构、训练时间、泛化能力上做了对比。结果表明其时间复杂度有显著降低，网络的泛化能力与精度比全局RBFNN有明显提高。整个网络模型具有良好的扩展性和应用前景，适合于大样本神经网络的建模和训练问题。     

在智能手机上实现人脸识别算法

人脸识别技术,是近几年在全球范围内迅速发展起来的计算机安全技术.以高端智能手机的安全应用为载体,结合主元分析(PCA,Principle Component Analysis)法和多权值函数神经网络在人脸识别中的优势, 利用非线性多权值函数神经网络实现多主元提取,以及多权值函数神经网络识别.给出了完成人脸图像的检测、特征向量提取、人脸图像识别相对应的硬件系统架构、人脸识别算法流程和算法实现类图.