局部敏感判别直推学习机

为了充分挖掘样本内在的几何结构和蕴含的判别信息来指导样本数据分类,提出一种局部敏感的判别直推学习方法.该方法将局部敏感辨析（LSDA）的基本原理引入到直推学习中,在直推学习的正则化框架中同时引入有助于分类的样本局部结构信息和判别信息,在判别信息指导下构建了类内图和类间图来刻画类内紧性和类间散性,从而在每个局部邻域中进一步最大化类间样本的间隔.同时,用数学的形式给出了目标函数的解析表达,在几个典型数据集上的实验结果表明,相较传统的基于图的半监督学习算法,该方法能取得更高的分类效果.     

典型相关分析的局部保持投影算法

针对传统子空间线性分析方法无法准确地描述样本具有的流形结构的问题,依据典型相关分析算法和局部保持投影算法的理论,将两种算法结合起来,提出了限制类别的典型相关分析的局部保持投影算法,该算法通过引入类信息,在区分了样本类信息的基础上,又保持样本类内的局部信息结构,而且还使两组样本间达到最大相关化以及各个特征投影之间具有不相关性,极大地提高了算法的识别率.该算法分别在YALE人脸库和AR人脸库上进行实验,识别率最高可达98％.     

不相关局部保持鉴别分析算法

针对人脸识别中的特征提取问题,提出了一种新的不相关局部保持鉴别分析算法.根据局部保持投影方法的特点和类内样本之间的空间结构信息,重新定义类内散布矩阵与类间散布矩阵,结合不相关条件,推导出一个新的目标函数.在此基础上,通过理论分析给出了求解不相关局部保持鉴别矢量集的计算公式.人脸库上的实验结果表明,新算法优于传统的局部保持投影方法和其他改进的局部保持投影方法.     

基于Gabor滤波器的手机按键特征提取

本文将应用Gabor滤波器对散乱分布在深色背景上的手机按键特征进行提取。通过选取合适的Gabor滤波器参数,并根据Gabor滤波器的参数,采用自适应搜索窗口对按键图像的滤波响应提取局部极大值作为特征点,并以特征点周围领域的能量之和作为按键的特征信息,并利用该信息进行目标图像与样本图像的匹配率运算,达到识别的目的。     

基于聚类粒度的模糊支持向量机

为了提高模糊支持向量机在大规模数据集上的训练效率,提出了一种基于聚类粒度的模糊支持向量机算法.首先在每类训练样本上执行无监督聚类算法,产生聚类颗粒.在综合考虑了聚类中心、半径和聚类中的样本数目等聚类信息基础上,找到每个聚类内部的边缘点和交叉点集合,去除对分类贡献很小的聚类内部点,最终形成了新的用于模糊支持向量机训练的样本集合.随后的试验结果表明,由聚类颗粒生成的约简样本集合,很好的表示了原有样本的分布,不仅提高了训练效率,同时保持了较好的分类效果.     

层次型非线性子空间字典学习

为了提高遥感图像场景分类的准确率,提出层次型非线性子空间字典学习(HNSDL)方法. 用所提方法训练多层网络模型学习多层非线性变换. 将遥感图像投影到子空间中,构建稀疏编码和投影编码的局部信息保持项,在保持局部结构信息的同时最小化样本的类内差异,增强模型的分类识别能力. 在模型目标式求解中,使用交替学习算法求解子空间和字典的联合学习任务,使所有参数同时达到最优解. 在Ucmerced、Google和WHU-RS数据集上进行实验设计和测试,结果表明所提方法在遥感图像的多种场景分类上均表现出较高的分类准确率.     

自动全局上下文感知相关滤波器跟踪算法

在相关滤波器跟踪算法中引入正则化后可以有效提高跟踪效率,但需要花费大量精力调整预定义参数,此外还有目标响应发生在非目标区域会导致跟踪漂移等问题,因此提出一种自动全局上下文感知相关滤波器(Automatic Global Context Awareness Correlation Filter, AGCACF)跟踪算法.首先,在跟踪过程中利用目标局部响应变化实现自动空间正则化,将自动空间正则化模块加入目标函数,使滤波器专注于目标对象的学习;其次,跟踪器利用目标全局上下文信息,结合自动空间正则化,使滤波器能及时学习到更多与目标有关的信息,减少背景对跟踪性能的影响;接着,在滤波器中加入时间正则化项,来充分学习目标在相邻帧之间的变化,从而获得更准确的模型样本.实验结果表明,与其他跟踪算法相比,AGCACF跟踪算法在距离精度和成功率方面具备更好的跟踪效果.     

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 Cmeans,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.     

基于随机旋转局部保持哈希的图像检索技术

针对基于局部保持投影（locality preserving projection,LPP）的哈希用于图像检索造成图像表征力不强、检索效率低下的问题,融合LPP及主成分分析（principal component analysis,PCA）技术,提出一种随机旋转局部保持哈希的图像检索算法。首先对样本进行PCA降维,对PCA变换矩阵进行随机旋转形成PCA降维矩阵,将原始样本在降维矩阵上进行投影,得到PCA降维样本。为充分利用样本间的相似性结构,对PCA降维样本进行LPP映射,并引入随机矩阵对特征向量进行偏移构造最终编码投影矩阵。再将原始样本投影到编码投影矩阵,得到最终的降维样本;最后对其进行哈希编码,得到有效的二进制编码用于图像检索。算法充分考虑样本间的全局和局部相似性结构,体现了样本间所蕴含的局部和全局信息,把随机旋转应用于PCA降维矩阵,减少了编码之间的量化误差,提高了图像特征的识别能力。分别在3个人脸数据集上进行性能测试实验,并与相关方法进行比较,得到了较好的效果。实验结果表明该方法是有效的。     

基于改进的有监督无参局部保持投影算法的人脸识别

针对局部保持投影算法的无监督性质和参数选择复杂性问题,提出一种改进的有监督无参数局部保持投影算法(supervised dice parameter-free locality preserving projection, SdPLPP)。SdPLPP算法使用广义Dice系数构建近邻矩阵,有效避免局部保持投影(locality preserving projection algorithm, LPP)算法参数选择调整的问题,采用监督模式对数据进行特征提取。SdPLPP在Iris数据集进行了图像可视化试验,直观分析试验分类后的样本距离值与算法性能的关系,并在ORL, Yale, FERET 3种人脸库上进行试验,通过对人脸数据的特征提取,采用最近邻分类法统计识别率,验证SdPLPP算法的有效性。试验结果表明:在人脸识别率方面, SdPLPP算法优于PCA, ULDA, LPP, SPLPP和EP-SLPP的算法,并优于已提出的其他有监督无参数局部保持投影算法。     

类内子流形局部间隔对齐的人脸图像判别方法

提出利用类内子流形对高维人脸图像进行判别分析的新方法,沿对齐的类间局部间隔法向扩展类内子图,获得一系列线性投影,并正交化线性投影得到一组子空间的正交基向量。使用局部相邻关系增大类间差异,并将类内结构保存到与类间间隔区域对齐的子空间中,能有效降低因人脸图像拍摄角度、姿态、光照、眼镜和性别等因素导致的数据多模态或低维流形的高曲率对识别性能的影响。在Yale Face Database B和UMIST face database上进行的实验证明,较之LPP和FDA等方法,该方法能更加可靠地保留类内和类间的子流形结构,且有更高的识别准确率。     

基于主成分分析的图像哈希算法

提出了一种基于主成分分析的图像哈希算法.采用主成分分析对样本进行降维,取位于变换矩阵顶端最具有识别信息的少量特征向量构造投影矩阵,再对降维后样本进行局部保持映射,同时,对主成分分析投影矩阵进行随机旋转,形成多个小投影矩阵,采用矩阵拼接方法将小投影矩阵合并构造编码投影矩阵;最后,将训练样本投影到编码投影矩阵,得到降维样本,并对其进行哈希编码,得到最终的二进制编码.实验结果证明,同其他经典算法相比,该算法具有较好的稳定性,可降低内存消耗,并提高效率.     

基于局部保持的KNN算法

距离度量对K近邻(KNN)算法分类精度起着重要的作用。传统KNN算法通常采用欧氏距离,但该距离将所有特征的差别平等对待,忽略了数据的局部内在几何结构特征。针对此问题,文章借鉴局部保持投影(LPP)的基本思想,在考虑数据的局部内在几何结构特征基础上,依据类内局部保持散度矩阵构造一种距离度量新方法,利用该距离度量提出一种局部保持K近邻算法。实验结果表明,与采用欧氏距离和传统马氏距离的KNN相比,本算法能够得到更好的分类精度。       

改进双向二维局部保持投影的人脸识别算法

为更好地处理图像小样本问题,且克服二维局部保持投影（2DLPP）算法只能保持数据局部性质的缺陷,通过结合二维主成分分析（2DPCA）和二维线性鉴别分析（2DLDA）的算法特性,提出了一种改进的双向二维局部保持投影的人脸识别算法。首先,引入样本类别信息改进权重矩阵,增强2DLPP算法对样本变化的鲁棒性;其次,提出改进2DLPP+2DPCA、2DLPP+2DLDA两种融合算法并分别用于输入样本图像数据的行、列方向特征提取。在特征选择后得到行、列方向上的最优投影;最后,通过对样本数据进行行、列方向投影,利用最近邻分类器对样本数据进行分类并获得在给定数据集上的识别结果。在人脸数据集ORL、YALE和AR上的实验结果表明,该算法在人脸识别性能上总体优于2DPCA、2DLDA、2DLPP、（2D）2PCA、（2D）2LDA、（2D）2PCALDA和（2D）2LPP-PCA等算法。     

判别近邻保持嵌入人脸识别

针对普通近邻保持嵌入算法侧重保持样本的局部结构,而没有考虑样本的类判别信息以及小样本问题,提出了一种新的人脸识别算法———判别近邻保持嵌入算法.在近邻保持嵌入算法的基础上,将最大散度差准则引入到其目标函数中.在嵌入低维空间后,类内样本保持它们固有的近邻几何结构关系,而类间样本彼此分离,能够充分提取具有判别力的特征.在AT&T人脸数据库上进行的对比实验表明,与主成分分析、线性判别分析以及近邻保持嵌入算法相比,判别近邻保持嵌入算法的最高识别率分别提高了15.35%、6.47%和6.94%;在Yale人脸数据库上进行的对比实验表明,判别近邻保持嵌入算法的最高识别率分别提高了20.27%、5.63%和2.27%.     

一种多特征和动态权重策略的目标跟踪算法

传统的单一特征很难准确描述目标的外观特征，无法对目标进行大范围的精确跟踪。针对这一问题，提取卷积特征和颜色直方图特征分别训练相关滤波模型，并提出了一种动态权重策略可自适应地融合两种特征响应图。在模型更新方面，引入目标周围的背景信息，共同训练相关滤波器。将该算法在OTB2013和OTB2015数据集上进行了测试。实验结果表明，该算法可以有效地提高跟踪的准确性和成功率。     

Constant modulus semi-blind space-time equalizer based on structure risk minimum criterion

A new adaptive filtering principle based on capability control and semi-blind method is presented. A new semi-blind space-time equalizer based on constant modulus characteristic and structure risk minimum （SRM） criterion is also proposed. The equalizer sufficiently exploits the learning information of communication signals by using the structure information of filter itself through capability control technique. Namely, it maximizes the amount of learning information to im- prove filter tracking performance. Simulations are carried out and the result is compared with that of typical recursive least squares space-time equalizer （RLS-STE） and constant modulus semi-blind space-time equalizer （ CM-SB-STE ）. The results show that, even if with insufficient training data, the SRM constant modulus semi-blind space-time equalizer （SCM-SB-STE） keeps good tracking per- formance, showing promises in mobile wireless communications.