基于独立成分分析的掌纹识别

本文研究了独立成分分析（ICA）两种不同的结构ICAⅠ和ICAⅡ在掌纹识别中的应用。为了提高识别准确性和可靠性,该方法首先对掌纹图像进行预处理,提取掌纹感兴趣（ROI）区域进行特征提取和匹配。为了减少计算量,运用ICA算法之前．先采用主成分分析（PCA）算法去除掌纹图像的二阶统计特征相关性,其余的高阶统计特征由ICA分离。对于PolyU掌纹图像库,基于ICA模型的预测误差平方和（SPE）小于PCA,而且重构的原始图像优于PCA。为了比较两种算法识别性能,本文分别用PCA、ICAⅠ、ICAⅡ提取特征掌纹子空间,然后将待识别图像投影到低维子空间上,最后用余弦距离进行掌纹匹配。实验结果表明,ICA算法两种结构的识别率均高于PCA,ICAⅡ在性能上优于ICAⅠ。     

基于局部纹理特征的三维掌纹识别研究

近年来,自动掌纹识别方法的研究吸引了越来越多的关注,已有的工作主要集中于二维掌纹识别。然而,二维掌纹图像存在着易伪造、抗噪能力差的缺陷,实际应用中会带来潜在的安全隐患。因此,三维掌纹识别被视为一种可行的解决方案来进一步提高识别的性能。基于局部纹理特征,本文提出一种有效的三维掌纹识别方法。该方法首先利用形状指数来描述三维掌纹的局部几何特征,接着提取形状指数图像的局部三值模式以及Gabor小波特征,最后在匹配分数层次上对这两种互补的局部纹理特征进行融合,随后的实验证明了融合特征较单独特征要好。在香港理工三维掌纹数据库上的实验结果表明,本文方法在识别率上要优于目前流行的其它三维掌纹识别方法,从而验证了本文方法的有效性。     

基于独立成分分析的掌纹识别

本文研究了独立成分分析(ICA)两种不同的结构ICA I和ICAII在掌纹识别中的应用.为了提高识别准确性和可靠性,该方法首先对掌纹图像进行预处理,提取掌纹感兴趣(ROI)区域进行特征提取和匹配.为了减少计算量,运用ICA算法之前,先采用主成分分析(PCA)算法去除掌纹图像的二阶统计特征相关性,其余的高阶统计特征由ICA分离.对于PolyU掌纹图像库,基于ICA模型的预测误差平方和(SPE)小于PCA,而且重构的原始图像优于PCA.为了比较两种算法识别性能,本丈分别用PCA、ICA I、ICAII提取特征掌纹子空间,然后将待识别图像投影到低维子空间上,最后用余弦距离进行掌纹匹配.实验结果表明,ICA算法两种结构的识别率均高于PCA,ICAII在性能上优于ICA I.     

我国研制出首个高精度自动学纹识别系统

我国首个高精度自动掌纹识别系统日前研制成功,并通过专家组鉴定。这标志着我国在该领域的研究走在世界前列。 人的掌纹具有唯一性,可以用做人体身份鉴别。由香港理工大学与哈尔滨工业大学联合组成的课题组,经过十年研究,首次提出并实现了三维、多光谱的掌纹识别技术及系统,掌纹与指纹、掌纹与掌脉融合识别系统。这些新技术显著提高了系统的识别精度、可靠性和安全性,成为目前最具应用前景的生物特征识别技术之一。     

Gabor滤波器的掌纹特征提取研究

掌纹识别是近年发展起来的一种生物识别技术,掌纹特征提取是掌纹识别核心部分之一,传统Gabor滤波器特征提取速度慢致使掌纹识别速度不能满足实时性的要求.将传统Gabor、改进Gabor和迭代Gabor应用于掌纹特征提取,对比研究了它们在掌纹识别中特征提取速度和识别精度的问题,旨在探求识别精度高且特征提取速度更快的Gabor滤波器,进而改良掌纹特征提取方法.实验表明,迭代Gabor滤波器能确保掌纹识别系统在高识别精度的前提下具有更快的识别速度.     

分块Radon变换在低对比度掌纹特征提取中的应用

特征提取是低对比度掌纹识别的关键步骤.针对掌纹纹理特征明显的特点,本文提出了一种分块Radon变换的掌纹特征提取方法.该方法先对掌纹感兴趣区域进行一级小波分解去噪降维,接着对低频子图像进行分块以圈定局部主要纹理,最后把所有分块后的子图像进行70°～140°Radon变换,所获得的线积分组合在一起构成该图像的特征向量.运...     

采用均匀局部二元模式及稀疏表示的掌纹识别

针对传统掌纹识别方法易受噪声干扰,且旋转鲁棒性差的问题,提出一种采用均匀局部二元模式(Uniform Local Binary Patterns,ULBP)及稀疏表示的掌纹识别方法。该方法利用善于表达图像纹理特征,且具有良好旋转不变性和抗干扰性的ULBP提取掌纹图像特征;同时考虑到直接对整幅图像进行ULBP处理会丢失局部纹理,采用先对各图像进行分块,再对各块分别进行ULBP处理的特征提取方案。在分类算法的设计上,本文利用掌纹图像库中训练样本的ULBP特征构造过完备字典,通过求解l1范数意义下的最优化问题实现测试样本的稀疏分解,并提出一种基于统计残差平均的稀疏表示分类方法,实现了测试掌纹图像的分类识别。实验结果表明,本文方法不仅具有良好的旋转及噪声鲁棒性,而且总体识别率明显优于基于PCA及2DPCA的传统稀疏表示分类方法,对于包含5 000031 0人的掌纹数据库,识别率分别提高了8.8%和6.8%。     

身份验证中的签名鉴别技术

引言 自前用于身份验证的特征主要有两类：非生物特征和生物特征。前者是指口令、证件、钥匙、PIN码（个人密码）等；后者是指人体本身所固有的物理特征（如指纹、掌纹、虹膜、脸部等）及行为特征（如笔迹、语音等）。非生物特征虽然简单却不可靠，如口令可能被忘记或被猜测，甚至被窃取。     

基于EMD与GA-PLS的特征选择算法及应用

针对振动信号非平稳性和特征优化选择的问题,提出一种基于EMD和GA-PLS的特征选择算法。在该算法中,首先,采用EMD方法将振动信号分解成多个固有模态函数(Intrinsic Mode Function, IMF),对IMF分量建立自回归（AR）模型,以AR模型系数和残差作为初始特征向量,然后,遗传算法与偏最小二乘法相结合(GA-PLS)的算法对初始特征向量进行筛选得到新的特征向量,最后,以新的特征向量为输入,建立分类器,用来识别手动换向阀的工作状态和判断故障类型。实验结果表明,采用该特征选择算法能准确地选择出特征,并能应用于手动换向阀的故障诊断     

基于非广延小波特征尺度熵和支持向量机的轴承状态识别

摘要：为了对轴承的运行状态进行有效的识别,以便进一步评估和预测轴承的寿命,提出了基于非广延小波特征尺度熵和Morlet小波核支持向量机（Morlet wavelet kernel support vector machine, MWSVM）的轴承运行状态识别的新方法。对采集到的轴承振动信号进行小波分解,得到相应的小波分解系数,在此基础上结合非广延熵理论提出了沿尺度分布的非广延小波尺度熵特征提取方法。但是通过小波特征尺度熵分析后获得的特征信息存在维数较高,特征信息间冗余严重的问题,因此,引入了流形学维数约简算法(locality preserving projection, LPP)进行敏感特征信息的提取,减少在特征信息提取过程中人为因素的干扰。以约简后的特征信息作为MWSVM的输入进行训练,建立轴承的状态识别模型,从而实现轴承状态的识别。通过对某轴承内圈正常状态和几种故障程度不同的状态进行识别,试验结果表明了方法的有效性。     

基于边界不变特征的扩展目标识别方法

提出一种新的以边界不变矩作为识别特征,运用BP网络识别扩展目标的方法。首次通过详细的理论证明和实验分析,揭示了离散边界不变矩不再具有严格的比例不变性,而位移和旋转不变性保持相对稳定,并对该不变矩作为识别特征的误差进行了深入分析,给出了正确计算边界不变矩的途径。在此基础上,以该边界不变矩作为识别特征,输入BP网络,采用合理的网络结构,实现对发生位移、旋转和尺度变化的扩展目标的识别。边界不变特征的引入,减少了数据运算量,实验结果表明,识别率达到95.9%。     

基于Zernike矩的网壳结构的振型表征及损伤识别

在结构模态识别中常用的模态保证准则(MAC)仅能显示结构不同振型的相关性,并不能反映模态的细节,对于模态复杂的网壳结构则更是如此。因此,提出利用Zernike矩表征网壳结构的振型,即将振型数据视为图像函数,通过离散Zernike矩变换,得到表征各阶模态的Zernike矩值(包括幅值和相位角)。对一个单层球面网壳结构的有限元模型进行数值模拟,结果表明,此矩可有效地反映模态的振型特性并能识别结构的重频模态,较传统的MAC具有明显的优越性。在此基础上,初步提出将Zernike矩的幅值及相位角作为结构损伤识别的新指标。构造了网壳结构杆件物理参数改变的几种损伤工况,通过分析,发现了不同的损伤形式导致的Zernike矩的不同变化规律,验证了Zernike矩用于损伤识别的可行性。     

Neural-network classifiers for automatic real-world aerial image recognition

We describe the application of the multilayer perceptron (MLP) network and a version of the adaptive resonance theory version 2-A (ART 2-A) network to the problem of automatic aerial image recognition (AAIR). The classification of aerial images, independent of their positions and orientations, is required for automatic tracking and target recognition. Invariance is achieved by the use of different invariant feature spaces in combination with supervised and unsupervised neural networks. The performance of neural-network-based classifiers in conjunction with several types of invariant AAIR global features, such as the Fourier-transform space, Zernike moments, central moments, and polar transforms, are examined. The advantages of this approach are discussed. The performance of the MLP network is compared with that of a classical correlator. The MLP neural-network correlator outperformed the binary phase-only filter (BPOF) correlator. It was found that the ART 2-A distinguished itself with its speed and its low number of required training vectors. However, only the MLP classifier was able to deal with a combination of shift and rotation geometric distortions.     

Detection and classification of buried dielectric anomalies usingneural networks-further results

The development of a neural network-based detection and classification system for use with buried dielectric anomalies is the main focus of this paper. Several methods of data representation are developed to study their effects on the trainability and generalization capabilities of the neural networks. The method of Karhonen-Loeve (KL) transform is used to extract energy dependent features and to reduce the dimensionality of the weight space of the original data set. To extract the shape-dependent features of the data, another data preprocessing method known as Zernike moments is also studied for its use in the detector/classifier system. The effects of different neural network paradigms, architectural variations, and selection of proper training data on detection and classification rates are studied. Simulation results for nylon and wood targets indicate superior performance when compared to conventional schemes     

A simple and efficient optical character recognition system for basic symbols in printed Kannada text

Optical Character Recognition (OCR) systems have been effectively developed for the recognition of printed characters of non-Indian languages. Efforts are on the way for the development of efficient OCR systems for Indian languages, especially for Kannada, a popular South Indian language. We present in this paper an OCR system developed for the recognition of basic characters (vowels and consonants) in printed Kannada text, which can handle different font sizes and font types. Hu’s invariant moments and Zernike moments that have been progressively used in pattern recognition are used in our system to extract the features of printed Kannada characters. Neural classifiers have been effectively used for the classification of characters based on moment features. An encouraging recognition rate of 96.8% has been obtained. The system methodology can be extended for the recognition of other south Indian languages, especially for Telugu.     

Research on automatic identification system of tobacco diseases

In order to improve recognition accuracy of tobacco diseases, an identification method based on multi-feature and genetic algorithms optimizing BP neural network was proposed. First, Otsu method was used to obtain disease location information and GrabCut function was initialized for extracting diseased area effectively. Second, colour moments, disease contour and GLCM were used to get colour, multi-contour and texture features. Once again, BP neural network was optimized by genetic algorithm, and the optimal initial weights and thresholds were obtained, which shortened the training time and improved the accuracy of disease identification. Finally, BP neural network model for tobacco diseases diagnosis was established with the mobile client as input and the user services as output. The field experiment showed that the method could diagnose eight types of tobacco diseases effectively and automatically. The average recognition accuracy rate of selected tobacco diseases was about 92.5%.     

融合2D-PCA及稀疏表示的掌纹识别方法

提出一种基于稀疏表示的掌纹识别方法,该方法借鉴二维主成分分析(PCA)良好的数据压缩属性和较快的特征提取速度,生成掌纹特征图像.二维PCA不仅克服了一维PCA数据维数过大不易计算的缺点,而且保留了原始图像的数据结构,提取的特征能更好的代表原始图像.为了便于稀疏表达,对提取的掌纹特征图像利用一维主成分分析进行二次特征提取,得到训练样本.虽然此处使用了一维PCA,但是由于这是二次特征提取,提取的特征还是保留了原始图像的数据结构,相比单纯的一维PCA,提高了识别率.利用训练样本构造出冗余字典,并采用稀疏表示理论将测试样本表示为字典原子的线性组合,然后根据表示系数的稀疏性与稀疏集中度实现分类识别.由于该方法利用了表达系数的稀疏性,因此减小了算法的时间和空间复杂度.实验表明,针对香港理工大学的MSpalmprints Database,本文方法的识别率较传统方法有明显提高.     

结合Zernike矩的多尺度模板形状匹配

针对形状匹配中小波表达对起始点依赖的问题,提出一种结合Zernike矩的多尺度模板进行形状匹配的方法。该算法对输入图像进行预处理后提取目标轮廓,经过归一化处理得到目标形状的平移、尺度不变的链状表达,再通过小波变换进行多尺度分析;引入Zernike矩,利用Zernike矩的特性,实现小波表达的旋转不变性,解决了小波变换对起始点的依赖。匹配过程是以小波表达的各阶Zernike矩为特征向量,在由粗到精的尺度上进行的。实验结果表明,对于同一目标,原图像与旋转不同角度的图像的正确匹配率为91％。该算法适用于轮廓较明显的目标。     

Image analysis by fast improved radial harmonic-Fourier moments algorithm

Radial harmonic-Fourier moments (RHFMs) are popular for image reconstruction and invariant pattern recognition due to their properties of translation, scaling and rotation invariant. RHFMs possess lower computation complexity as compared to Zernike moments and Bessel-Fourier moments. However, they always suffer from discontinuity, numerical instability near the center of image, and reconstruction error, especially have a rise for higher order of moments. In this paper, an improvement of radial harmonic-Fourier moments (IRHFMs) is proposed for effectively avoiding the above-mentioned problems.In this paper, a 2D fast Fourier transform algorithm also is applied to the image matrix to obtain the IRHFMs. Simulation experimental results demonstrate the proposed IRHFMs perform better than traditional RHFMs and other classic orthogonal moments including the latest image moments, for example, polar harmonic Fourier moments in terms of the image reconstruction capability and rotation invariant recognition accuracy in noise-free and noisy conditions.     

基于改进小波阈值去噪的深度学习水下目标分类

由于海洋环境噪声复杂,噪声等级高,水下待识别目标信噪比低,从而造成了特征提取困难,目标识别率低的问题。基于此,文章提出了基于改进小波阈值的深度学习水下目标分类方法。此方法在传统小波阈值去噪的基础上提出了一种新的小波阈值函数,对于所采用的具体阈值将其与分解尺度相联系,从而实现降低背景噪声,提升水下目标分类识别率的目的。此方法对实测舰船辐射噪声信号进行小波分解,提取每一层的高频小波系数并对其进行处理;对处理完的信号再提取时频特征,最后将其输入后续的深度学习网络中。实验结果发现：在利用原有数据集情况下,利用基于改进小波阈值的深度学习进行水下目标的分类识别,采用卷积神经网络算法可达到88.56%的分类识别率。对前述实验结果进一步分析后,采用生成对抗网络的方法扩充数据样本,可达到96.673%的分类识别率。