广义DKL变换及其在人脸识别中的应用研究

1 引言在模式识别领域中,Fisher线性判别方法有着重大的影响,其基本思想是在Fisher鉴别准则函数取极值的条件下,求得一个最佳鉴别方向,然后再将模式高维特征向量投影到该最佳鉴别方向上,构成一维鉴别特征空间,于是模式鉴别分析就在一维空间中进行。 Foley和Sammon在1970年发展了Fisher线性判别方法,提出了Sammon最佳鉴别平面的技术,并将它用于解决两类问题。Sammon最佳鉴别平面的技术在模式识别领域     

基于多传感器信息融合的机器人障碍检测和环境建模

通过融合距离图象和彩色图象为移动式机器人构造二维环境模型及进行障碍检测. 其中,环境模型采用了多分辨的二维网格表示结构,较好地解决了计算速度和模型精度之间 的矛盾;融合算法的设计是以推广的Dempaser-Shafer证据理论(DSTE)为基础,较好地解决 了融合信息的相关性问题;所论及的系统和算法已在真实环境下经过测试,其有效性已被实 验所证明.     

一种基于多智能体系统的机器人群组织形式

提出了一种基于多智能体的机器人群高层的分层式组织形式及运行机制，它包括机器人组织的定义、组成类型以及组成的实现算法。机器人社会中的组员既可独立隶属于一个群体，也可动态分属于多个群体，该结构不仅有效地利用了资源，而且还可以提高系统的鲁棒性和抗毁性。     

炮兵气象条件测试及其规律性研究

地面炮兵通常采用规定使用时限的方法来减少因时间不同所造成的气象条件误差对诸元精度的影响,但由于气象条件变化复杂,这种方法有时会引起较大的开始诸元误差.本文应用模糊数学和炮兵射击理论等知识对气象数据的测试结果进行贴近度分析和对气象条件的稳定性进行模糊评判,为合理使用气象条件奠定了基础.     

基于轮廓和统计特征的手写体数字识别

提出了数字规范化模板特征,并利用这一特征与轮廓分段特征相结合对手写体数字进行识别。首先使用基于轮廓分段特征的分类器进行识别,通过提高拒识率获得高可靠性的分类结果。然后由基于数字规范化模板特征的分类器对前一级分类器的拒识样本分类。实验结果表明分别基于这两个特征的分类器在分类结果上具有较强的互补性。实验的数据为真实支票上采集的10000个手写体数字样本,该方法的识别率为98.06%。     

一种双向压缩的二维特征抽取算法及其应用

针对二维主分量分析（2DPCA）在最优投影轴上的投影是一个向量,其抽取出的图像特征是一个矩阵,特征数据量大,不便于直接分类的弱点,提出了一种特征抽取新方法。首先用2DPCA作一次横向压缩,对抽取出的特征矩阵再作一次2DPCA进行纵向压缩。这样抽取出的特征数量大大减少,可加快分类速度。ORL人脸库的试验结果表明了该方法的有效性。     

二维投影与PCA相结合的人脸识别算法

传统的特征抽取算法是基于向量的,在模式是图像时并不方便。二维投影方法利用图像矩阵直接计算,虽然抽取特征速度快,但抽取出的特征是矩阵,对应的特征数量大,影响分类速度。该文结合二者的优点,先用二维投影处理原始图像,降维后再做主分量分析,抽取出少量的特征进行分类,识别率和分类速度均有提高。在ORL人脸库上20次实验的平均识别率达95.83%。     

具有动态调节功能的Fisherface方法

高维、小样本数据的识别问题,始终是模式识别领域的热点和难点问题。由于训练样本数量很少,当以样本的协方差矩阵作为模式协方差矩阵的估计时,会产生较大的偏差。这是造成模式分类错误的主要原因。本文在详细论述Fisherface方法的基础上,提出了具有动态调节功能的Fisherface（DA-Fisherface）方法。该方法利用测试样本完成了对样本协方差矩阵的动态调节,减小了因样本数目很少所造成的偏差,从而实现了对Fisher鉴别矢量集的优化。最后,在ORL人脸库上的实验结果表明,该方法的模式分类正确率比Fisherface方法有显著提高。     

一种基于光流的障碍物估计算法

移动机器人在行进过程中必须能够检测和躲避障碍物,文章提出了一种使用光流场估计障碍物区域的算法。使用结合从粗到精策略的最小加权二乘法的方法计算光流,从而估计图像序列中可能的障碍物位置,为后续的接近时间计算提供了良好的基础。大量实地实验验证了该方法的有效性和可行性。     

一种新的基于最大散度差准则的特征抽取方法

本文基于最大散度差准则（MSDC）,利用统计不相关投影空间,提出了一组具有统计不相关性的最佳鉴别矢量的计算方法。该方法的目标是寻求一组鉴别矢量集,既要使投影后的特征空间的类间散度最大,而类内散度最小;又要使最佳鉴别矢量之间具有统计不相关性。另外,本文还揭示了最大散度差鉴别准则与Fisher准则的内在关系。在ORL与NUST603人脸库上的实验结果表明,本文所提出的方法在识别性能上优于原MSDC特征抽取方法与传统的PCA方法。