基于增量式双向主成分分析的机器人感知学习方法研究

针对直观协方差无关增量式主成分分析算法(CCIPCA)需要满足零均值高斯分布的问题,该文提出含均值差向量更新的泛化CCIPCA算法(GCCIPCA),拓展了算法的适用范围。其次,针对机器人感知学习存在的在线增量计算及有效数据降维等问题,将GCCIPCA的增量思想引入到现有的双向主成分分析算法(BDPCA),提出基于增量式BDPCA(IBDPCA)的机器人感知学习方法。该方法直接针对图像矩阵行列方向的类散度矩阵进行迭代估计,具有一定的泛化能力和快速的增量学习能力,提高了实时处理速度。最后,以机器人待抓取物块作为感知对象进行实验,结果表明所提算法能够满足机器人感知学习的实时处理需求,相比现有的增量式主成分分析算法,在收敛率、分类识别率、计算时间及所需内存等性能方面均得到显著提升。     

一种基于Gabor小波及互协方差降维运算的人脸识别方法

针对传统的人脸识别方法对人脸图像的曝光量、表情比较敏感,并且具有较大类内离散度的缺点,该文提出一种基于Gabor小波以及加权互协方差运算的人脸识别算法。该算法首先对人脸图像提取Gabor特征,然后使用加权的互协方差矩阵对经过处理的特征图像进行降维及特征提取;最后使用最近邻分类器进行分类。在ORL数据库和AR数据库上的实验表明,该方法的降维和识别性能优于传统2DPCA及其改进算法,能兼顾维度简约性和准确性,有效地提高了识别性能。     

大鱼际掌纹图像特征提取方法研究

为了更客观更准确的判断出患者的大鱼际掌纹的级数,可以采用图像处理技术对大鱼际掌纹进行预处理、特征提取和分类,以实现大鱼际掌纹的量化与客观识别.文中提出一种基于改进的二维主成分分析技术（2DPCA）再结合Gabor滤波的特征提取方法.以定位分割并经增强处理的大鱼际掌纹图像为基础,获得图像的特征矩阵,作为下一步量化分级的特征输入量.仿真实验结果表明该方法是适用有效的.     

基于代数特征的多光谱图像特征提取方法

多光谱图像特征提取的好坏直接关系着目标识别算法的复杂程度,也影响着最终目标识别的性能。研究了一维主成分分析（1DPCA）、二维主成分分析（2DPCA）、一维奇异值分解(1DSVD)和二维奇异值分解(2DSVD)等代数特征提取方法,并用这些方法构成图像识别框架的特征提取部分,通过识别率的大小来验证是否适合于多光谱图像特征提取。实验结果表明：①与可见光图像目标识别相比,PCA和SVD特征更适合于红外图像目标识别;②训练样本分类时,PCA和SVD特征的识别性能改善不明显;③训练样本少时,SVD重构图像、2DSVD和1DPCA特征的识别性能较好。     

基于小波分析的视频图像字符特征提取方法研究

文章提出了一种基于小波变换的字符小波特征向量提取方法。通过对字符图像的小波分解子图求取风格特征向量，构造出字符的小波特征向量。该特征反映了图像字符结构特征和统计特征的综合信息，特征向量稳定、简单、算法快，且特征提取方法具有类人视觉特点。     

增量式块主成分分析的焊缝图像特征提取算法北大核心CSCD

针对焊缝图像特征提取的实时性问题,该文提出一种增量式块主成分分析(incremental block principal component analysis,IBlockPCA)算法,用于焊缝特征主成分的提取。该算法先将焊缝表面图像分割成子图像块并对其进行重构,然后利用提出的IBlockPCA算法对局部块图像进行增量式特征提取,并采用KNN算法对提取的特征主成分进行分类识别;最后在焊缝数据集上进行了算法的性能对比。实验结果表明,该算法在收敛率、分类率及复杂度等方面均优于其他主成分分析(principal component analysis,PCA)算法,其分类识别率为97.5%,其平均处理速度可达50 frame/s,能够满足焊缝表面图像的实时性处理需求。     

文本无关的说话人识别研究

介绍说话人识别技术发展情况,阐述包括特征提取、识别算法和区分算法在内的文本无关说话人识别系统的整体技术框架和基本工作原理针对文本无关说话人识别相关技术给出了近几年主要发展的高斯超向量—支持向量机模型(GSV-SVM)、联合因子分析模型(JFA)和鉴别性向量(i-vector)模型,并对3种模型进行了分析比较:指出GSV-SVM模型可以提高识别系统性能;JFA模型能提高系统性能但计算量过大,难以实现应用;i-vector模型降低了计算量,并能提高识别精确度和效率,是目前的研究热点。最后指出当前文本无关说话人识别的研究难点和热点。     

一种基于图像分块加权的（2D）2PCA人脸特征提取方法

论文针对二维主成分分析法（2DPCA）表征信息不全面且系数多的不足,提出分块加权处理的双向2DPCA（（2D）2PCA）方法提取人脸特征。该方法利用（2D）2PCA方法对人脸的各个分块提取特征,并对各分块的特征进行加权处理,然后应用支持向量机（SVM ）实现分类识别。经过在ORL人脸库的实验研究表明,该方法压缩了人脸识别系数,缩短了识别时间,提高了识别准确率。     

基于深度学习的医学图像特征提取方法研究

早期筛查病因和诊断病情已被证明可以显著提升癌症患者的存活率,因此准确解读医学图像成为早期癌症筛查的关键。基于内容的医学图像检索系统(Content-based Medical Image Retrieval, CBMIR)能够对输入医学图像进行特征提取得到对应图像的特征表示,最后通过相似性度量的方法找出相似病例的诊断资料反馈给医生,可以大大减少误诊率。文章主要介绍了基于深度学习医学图像特征提取方法,并对医学图像特征提取方向做了总结与展望。     

一种基于加权变形的2DPCA的人脸特征提取方法

该文首先分析了主成分分析法(PCA)和2维主成分分析法(2DPCA)的关系,针对2DPCA丢失具有鉴别能力的协方差信息以及PCA方法不能解决小样本的问题,提出了基于一种加权变形的2DPCA的人脸特征提取方法(WV2DPCA),该方法利用变形的2DPCA方法分别对人脸3个子部分分别提取特征,然后根据最近邻理论和权值进行分类。经过在ORL人脸库和YALE人脸库的实验研究表明：与2DPCA相比,提高了人脸空间的识别率,压缩了人脸空间的系数,减少了识别时间;在识别的准确率方面,更优于传统的Fisherfaces,IC,Kernel Eigenfaces的算法。     

基于图像矩阵的广义主分量分析

传统的主分量分析在处理图像识别问题时是基于向量的,且没有充分利用训练样本的类别信息。该文提出了一种直接基于图像矩阵的广义主分量分析方法,该方法能够提取包含在类平均图像中的鉴别信息,与传统的主分量分析相比,具有更强的鉴别力。在ORL标准人脸库上的试验结果表明,所提出的方法不仅识别性能优于传统的主分量分析和Fisher线性鉴别分析,而且极大地提高了特征抽取的速度。     

基于核主分量相关判别分析特征提取方法的目标HRRP识别

为有效提高雷达高分辨1维距离像目标识别系统的总体性能,需要对目标高分辨1维距离像进行特征提取,以得到具有最小信息损失、高可分性且低维度的目标特征,为实现该目的提出一种基于核主分量相关判别分析的特征提取算法。该算法基于目标高分辨1维距离像的统计特性,通过对核主分量分析中核函数的选择,实现对不同类型距离单元的特征提取。同时综合线性判别分析与典型相关分析理论构建新的准则函数,以实现特征空间中类内相关性与类间差异性最大化,同时减少目标特征中的冗余信息。利用实测数据进行实验,结果表明该方法提高了特征向量的可分性,降低了特征向量的维度,并且对该算法在不同强度杂波下的识别性能进行了分析,实验结果表明,该方法可以有效的提高目标高分辨1维距离像目标识别系统的总体性能。     

一种缩减图像维数的方法及其在人脸图像上的应用

2DPCA是一种快速且有效的图像特征抽取方法。不同于传统的主分量分析(PCA)方法,该方法以全新的思路应用主分量分析技术,它直接计算图像矩阵到矢量的投影,并将其看作图像特征。实际上,2DPCA是此种思路下的最优压缩技术。对2DPCA而言,存在两种抽取图像矩阵特征的技术路线,这两种路线将图像变换到不同的空间,且分别突出人脸图像横向和纵向的特质。由于这两种技术路线抽取的特征具有互补性,该文分别设计两种方案对这两类特征加以融合。基于特征融合的识别实验取得了较优的识别正确率。     

基于时序特性的自适应增量主成分分析的视觉跟踪

当前基于增量主成分分析(PCA)学习的跟踪方法存在两个问题,首先,观测模型没有考虑目标外观变化的连续性;其次,当目标外观的低维流行分布为非线性结构时,基于固定频率更新模型的增量PCA学习不能适应子空间模型的变化。为此,该文首先基于目标外观变化的连续性,在子空间模型中提出更合理的目标先验概率分布假设。然后,根据当前跟踪结果与子空间模型之间的匹配程度,自适应调整遗忘比例因子,使得子空间模型更能适应目标外观变化。实验结果验证了所提方法能有效提高跟踪的鲁棒性和精度。     

一种基于复数域中二维特征提取的人脸识别方法

该文提出了一种新的基于复数域中的二维特征提取方法进行人脸识别。该方法首先对人脸样本进行镜像变换,根据原始人脸样本和相应的镜像样本分别计算偶对称样本和奇对称样本,通过奇偶加权因子将偶对称样本与奇对称样本组成复数样本,然后在复数域中分别定义复图像类内散布矩阵和复图像类间散布矩阵,并求解一组最优复投影轴,将复人脸样本投影到这组最优复投影轴上来提取人脸特征,最后采用最近邻距离分类器来分类所提取的特征。该方法在NUST603人脸图像库中进行了实验,实验结果表明该方法获得了较好的识别效果。     

一种基于奇异值分解的特征抽取方法

特征抽取是模式识别的基本问题之一,Fisher线性鉴别分析是特征抽取中最为经典和广泛使用的方法之一。该文分析了Fisher线性鉴别分析在求解过程中可能存在的问题:鉴别矢量的分量可能是复数;特征值对扰动的敏感性;鉴别矢量之间未必具有正交性。由此提出了均衡散布矩阵的概念,并利用均衡散布矩阵构造了一种新的线性鉴别准则。利用奇异值分解定理,将求取鉴别矢量转化为对矩阵求奇异向量。用该方法进行求解可以有效地避免前述的问题。试验结果表明,该鉴别准则具有良好的鉴别能力。     

一种基于SIFT的仿射不变特征提取新方法

图像局部特征提取是图像理解及机器视觉领域一个非常关键的问题,其中SIFT特征因具有良好的显著性和鲁棒性而得到广泛应用。但是,SIFT采用DOG检测子,定位的特征区域为各向同尺度变化的圆形区域,故其只具有尺度不变性,并不具备仿射不变性。此外,SIFT采用128维特征向量表示,当在图像特征点较多情况下进行匹配实验时,存在存储空间大、匹配耗时多等缺点。针对这两个问题,本文提出一种新的仿射不变特征提取方法,即HA-DR-SIFT(Hessian Affine-Dimensionality Reduction-SIFT)。首先,用Hessian-Affine 检测子代替DOG检测子,使提取的椭圆图像区域满足仿射不变性需求;其次,用PCA或NLPCA方法对128维特征向量进行降维处理,提高后续运算效率。实验表明,新方法不仅具有良好的仿射不变性,而且在匹配时间和存储空间上优于SIFT算子。      

基于深度学习的边际Fisher分析特征提取算法

提取符合数据分布结构的特征一直是模式识别领域的热点问题。基于固定核映射方法具有获取非线性特征的能力,但对映射函数类型及其参数十分敏感。论文提出一种基于多层自动编码器的特征提取算法,该深度学习网络模型的训练分为无监督预训练以及基于边际Fisher准则的监督式精雕训练过程。通过数据生成性预训练和精雕过程中正则化手段防止过拟合训练。在多个数据集进行分类的实验结果进一步验证算法的有效性。