基于核局部Fisher判别分析的掌纹识别

运用核局部Fisher判别分析(KLFDA)进行掌纹识别。为了解决小样本图像识别中特征方程矩阵的奇异性问题,首先运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用KLF-DA提取低维的投影向量;然后将训练图像和待识别图像的核矩阵向投影向量上投影,得到非线性局部判别特征;最后计算特征向量间的余弦距离,进行掌纹匹配。运用PolyU掌纹图像库对算法进行测试,实验结果表明,与主元分析(PCA)、Fisher判别分析(FDA)、独立元分析(ICA)、核主元分析(KPCA)和局部Fisher判别分析(LFDA)相比,本文算法的识别率(RR)最高为99%,特征提取和匹配总时间0.031 s,满足实时系统的要求。     

基于小波变换和部分最小二乘的掌纹识别

子空间法作为一种传统的识别方法,识别时基于整幅图像,复杂性比较高,而且没有考虑类别信息.为了降低计算复杂性和在提取数据特征的同时融入类别信息,研究了一种基于小波变换和部分最小二乘(PLS)的掌纹识别算法.在建议的识别方法中,首先通过小波三级分解提取低频子图像,对低频子图像应用PLS提取掌纹特征,然后将样本投影到提取的特征上作为特征向量进行分类识别.应用PolyU掌纹图像库进行实验分析,实验结果表明:与主元分析(PCA)、二维主元分析(2DPCA)和独立主元分析(ICA)相比,该方法的识别率得到了很大的提高,大大减小了误识率和拒识率,验证了该方法的有效性.     

基于多线性核主成分分析的掌纹识别

提出运用多线性核主成分分析(MKPCA)的一种新方法进行掌纹识别.首先MKPCA通过非线性变换,将输入样本图像向高维特征空间F上投影,运用多线性主成分分析(MPCA)直接对掌纹张量进行降维,得到低维的投影张量;然后掌纹图像向张量子空间上投影提取特征向量;最后计算特征向量间的余弦距离进行掌纹匹配.运用PolyU掌纹图像库...     

基于最近相关性分类器的单样本掌纹识别

为了解决单样本掌纹识别的困难,研究了基于最近相关性分类器(NCC)的单样本掌纹识别方法。首先对掌纹图像进行分块,划分为若干个子图像;然后运用统计特征、傅里叶变换、离散余弦变换(DCT)和Gabor变换4种方法对子图像进行特征提取,将所有子图像的特征向量组合在一起形成该图像的特征向量;最后应用NCC进行分类识别。运用PolyU掌纹图像库,对本文算法进行测试。实验结果表明:与最近邻分类器(NNC)和支持向量机(SVM)相比,在不同大小的子图像上,运用不同的特征提取算法,NCC均提高了识别率;分类时间在0.3～0.7s之间,满足实时系统的需求。     

2DPCA-ICA算法在人脸识别中的应用

传统独立元分析(Independent Component Analysis,ICA)用于人脸识别首先是将人脸图像矩阵转换成向量求白化矩阵,然后利用快速固定点算法求分离矩阵,获得人脸图像独立基子空间,从而实现人脸识别.二维主元分析(Two-dimensional Principle Component Analysis,2DPCA)无须将人脸图像矩阵转换成向量,直接利用二维人脸图像矩阵求协方差矩阵,其特征值与特征向量的计算得到简化.本文结合2DPCA与ICA算法的特点,提出2DPCA-ICA人脸识别算法.该方法通过2DPCA算法计算白化矩阵;接着利用ICA算法获得人脸图像的独立元;然后构造独立基子空间;最后依据测试样本在独立基子空间上的投影特征实现人脸识别.基于ORL与Yale人脸数据库的实验结果表明,2DPCA-ICA算法正确识别率与识别效率均高于PCA-ICA算法与2DPCA算法,是一种有效的人脸识别方法.     

基于改进二维主成分分析的在线掌纹识别

掌纹识别是生物特征识别技术的新热点,论文提出使用二维主成分分析算法(2D PCA)提取掌纹图像的统计特征,实验表明其泛化能力优于传统主成分分析算法(PCA).在此基础上,论文提出且定义了改进的二维主成分分析,并证明它在保持训练样本图像总体散度的同时更有效的提取样本特征.改进的算法在得到99.72%高识别率的同时,大幅降低了原算法的特征维数、识别计算的复杂度,使系统的实用性进一步提高.     

基于独立分量分析的人脸自动识别方法研究

提出了一种独立分量分析(ICA)和遗传算法(GA)相结合的人脸自动识别方法,人脸图像的独立基的获取是采用基于四阶统计信息的ICA算法;为了减少计算复杂度,对原图像进行滤波降维,并用遗传算法对ICA求得的独立基集合进行搜索得到了一个最优的独立基子集;最后,选择合适的分类器根据待识别图像在独立基上投影系数进行分类判决.对人脸图像库的实验表明本方法识别率比基于主元分析的特征脸方法高,且计算量小于传统的基于ICA人脸识别方法.     

基于局部保持投影和核直接判别分析的掌纹识别

为了提高识别性能,提出运用局部保持投影(LPP)和核直接判别分析(KDDA)相结合的方法进行掌纹识别.在小样本图像识别中,为了解决特征方程矩阵的奇异性,首先运用图像下抽样降低掌纹空间的维数,然后应用LPP提取掌纹局部结构特征作为KDDA的输入提取分类特征,计算特征向量间的余弦距离进行掌纹匹配.运用PolyU掌纹图像库,...     

基于判别核窗宽的掌纹识别方法

提出了一种新的判别 核窗宽方法,进而研究了基于判别核窗宽的KPCA和LPP在掌纹识别中的应用。首先根据训练 样本和类标签计 算类内核窗宽和类间核窗宽;在分类密集区选择较小窗宽,在分类稀疏区选择较大窗宽,可 以有效提取数 据的关联特征;然后运用基于判别核窗宽的KPCA和LPP方法提取低维特征向量,计算特征向 量间的余弦 距离进行掌纹匹配;最后运用PolyU掌纹图像库,对本文算法进行测试。实验结果表明,与 传统算法相比, 本文算法的识别率最高,识别时间小于0.6s,验证了方法的有效性 。     

MEEMD特征掌纹的2DPCA识别方法

为了提高识别率,提出了基于MEEMD和2DPCA的掌纹识别方法.利用MEEMD技术对掌纹图像进行分解,得到本征模式函数（IMF）分量,用高频分量重构掌纹图像,形成掌纹识别图像集.然后利用2DPCA技术进行识别.MEEMD重构掌纹能够突出掌纹细节特征,提高识别率.采用香港理工大学掌纹数据库进行实验,将此方法与不包含MEEMD的2DPCA方法进行比较,实验结果说明此方法有较高的识别率和较快的识别速度.     

基于核主元分析和Fisher线性判别的掌纹识别

提出了基于核主元分析(KPCA)和FLD相结合的掌纹识别方法.对每幅掌纹图像应用KPCA进行降维,然后将二维图像矩阵转换成一维图像矢量.PolyU掌纹图像库中所有图像矢量组成的数据矩阵作为FLD的输入,进行特征提取,计算特征矢量间的余弦距离进行掌纹匹配.实验结果说明,与传统的PCA+FLD相比,在不同的特征个数下,本文方法均取得了较小的等错率(EER),而且特征提取时间较短,运行速度较快.在三种不同的核函数中,RBF核函数的识别效果最佳,等错率最小为0.     

结合Gabor滤波器和ICA技术的纹理分类方法

提取有效的特征用于纹理描述和分类一直是纹理分析的难点.本文提出一种结合Gabor滤波器和ICA技术的纹理特征提取方法,即纹理图像首先经过Gabor滤波器组滤波,然后由滤波图像直接构建高维特征矢量;再将这些高维特征矢量通过主成分分析PCA进行降维,最后采用ICA技术分析和提取降维后的特征矢量中的独立成分用于纹理分类.通过与经典Gabor滤波器和ICA方法的对比实验,验证和评价了本文方法的性能.     

一种改进的基于ICA特征空间的高空间分辨率影像的目标识别

为解决高空间分辨率影像目标的识别问题,一种好的方式是将充分考虑高阶累积量的独立分量分析方法引入高空间分辨率影像进行特征提取,但由于基于传统独立成分分析方法提取的特征空间不能最优区分不同类别的样本。为此,提出一种改进的基于独立成分分析的目标识别方法（Multi-ICA）。该方法为每个类别的样本构造单独的特征空间,通过投影到特征空间,得到表征该类别样本特征的特征向量集合。Multi-ICA方法提取的特征空间是基于某类样本图像的共性特征建立的,同一类别样本间的欧式距离要小于不同类别样本之间的欧式距离。因此,可以将待识别样本分类到具有最小欧式距离的特征空间所对应的类别上。现以北京地区的高分辨率卫星Quickbird影像为例,进行了Multi-ICA、传统ICA方法、主成分分析（PCA）方法,以及Multi-PCA方法的目标识别对比实验。结果表明,提出Multi-ICA算法的识别率有明显的提高,并且在一定程度上缓解了由于样本数量增加导致样本特征向量维数增加的问题。     

基于独立分量分析的人脸自动识别方法研究

提出了一种独立分量分析（ICA）和遗传算法（GA）相结合的人脸自动识别方法,人脸图像的独立的基的获取是采用基于四阶统计信息的ICA算法;为了减少计算复杂度,对原因像进行滤波降维,并用遗传算法对ICA求得的独立基集合进行搜索得到了一个最优的独立基子集,最后,选择合适的分类器根据待识别图像在独立基上投影系数进行分类判决,对人脸图像库的实验表明本方法识别率比基于主元分析 特征脸方法高,且计算量小于传统的基于ICA人脸识别方法。     

基于F范数的二维主成分分析算法及焊缝表面缺陷识别研究

针对传统二维主成分分析(two-dimensional principal component analysis, 2DPCA)算法应用于焊缝表面缺陷识别中存在重构性能及鲁棒性较弱等问题,本文将最大化投影距离和最小化重构误差引入到目标函数中,提出了一种基于F范数的非贪婪二维主成分分析算法(non-greedy 2DPCA with F-norm, NG-2DPCA-F),该算法具有良好的鲁棒性和较低的重构误差。为了进一步提取图像的结构信息和求解出维数更小的特征矩阵,进而提出一种基于F范数的非贪婪双向二维主成分分析算法(non-greedy bilateral 2DPCA with F-norm, NG-B2DPCA-F)。最后,以含有不同噪声块的焊缝表面图像数据集进行实验,结果表明,本文所提算法在平均重构误差、重构图像与分类识别实验中均表现出良好的鲁棒性能。     

基于PCA和ICA的人脸识别

提出利用主成分分析(PCA)和独立成分分析(ICA)相结合的方法对人脸进行识别。首先对预处理后的图像进行降维,即利用PCA算法对图像进行去二阶相关和降维处理,然后再利用ICA算法获得人脸影像独立基成分,利用人脸影像独立基来构造一子空间,最后利用待识别图像在这个空间上的投影系数进行人脸识别。从两个不同的数据集,将传统的PCA人脸识别算法和提出的人脸识别算法进行比较。从实验数据结果看,提出的PCA和ICA结合人脸识别算法优于传统的PCA人脸识别算法。     

基于PCA与Fisherface互补双特征提取的人耳图像识别

人耳识别目前是一种新的生物特征识别技术,特征提取是模式识别技术中的关键环节,决定着分类结果正确率的高低,单特征提取方法需要在一定的条件下才能取得较高的识别率,但是采用双特征提取却可以克服单特征提取的这一局限性.为了提高分类结果的正确率,提出了一个全新的方法,即基于主成分分析(PCA)与fisherface的互补双特征提取方法,并将其运用于人耳图像识别中,在北京科技大学提供的人耳图像库上的实验结果表明,该方法的人耳识别率明显高于PCA、fisherface、ICA单特征提取的人耳识别率.