一种求解Fisher最佳鉴别矢量的新算法及人脸识别

Ｆｉｓｈｅｒ最佳鉴别矢量是高维模式分析中的有效方法,当训练样本数相对于特征空间的维数较小时,就成了小样本问题。为了求解小样本问题,人们提出了一系列方法并取得了的效果。但在类内距离为零的情况下民的方法均得不到最佳解,该文从理论上说明了这一点,并给一种在任何情况下都能得到最佳解的新算法,试验结果这样的推断。     

基于子块均值的快速块匹配算法

根据积分图像对匹配误差函数进行变形,提出了一种新的局部匹配误差函数——基于子块均值的匹配误差函数。实验表明,基于子块均值的匹配误差函数与完全匹配误差函数相比具有相当的运动估算质量和更快的运动估算速度,与基于子抽样的匹配误差函数相比同时具有更优的运动估算质量和速度。子块划分的恒常性,也保证了基于子块均值的匹配误差函数对于不同的匹配图像所消耗的时间大致相同,非常适合于实时视频压缩等应用。     

分块二维主成分分析鉴别特征抽取能力研究

基于二维主成分分析(2DPCA),文章提出了分块二维主成分分析(M2DPCA)人脸识别方法。M2DPCA从模式的原始数字图像出发,先对图像进行分块,对分块得到的子图像矩阵采用2DPCA方法进行特征抽取,从而实现模式的分类。新方法的特点是能有效地抽取图像的局部特征,正是这些特征使此类模式区别于彼类。在ORL人脸数据库上测试了该方法的鉴别能力。实验的结果表明,M2DPCA在鉴别性能上优于通常的2DPCA和PCA方法,也优于基于Fisher鉴别准则的鉴别分析方法:Fisherfaces方法、F-S方法和J-Y方法。     

基于类间散布矩阵的二维主分量分析

主分量分析是一种线性特征抽取方法,被广泛地应用在人脸等图像识别领域。但传统的PCA都以总体散布矩阵作为产生矩阵,并且要将作为图像的矩阵转换为列向量进行计算。该文给出了一种利用图像矩阵直接计算的二维PCA,以类间散布矩阵的本征向量作为投影方向,取得了比利用总体散布矩阵更好的识别效果,并且特征抽取速度更快。在ORL和NUSTFDBⅡ标准人脸库上的实验验证了该方法的有效性。     

一种改进的彩色图像匹配算法

首先比较了彩色图像不同匹配策略下视差的精确率,并采用了匹配效果较好的策略。同时针对彩色图像的特点,加入色差梯度的约束条件,使用SAD算法实现了彩色图像的匹配,最后通过对比试验进行了验证。试验结果表明该方法有更高的匹配精确性和正确率。     

交互式多区域模型

一种被称为交互式多区域模型(IMRM)的非线性滤波算法被提出,用于对状态和连续系统参数进行联合估计.IMRM将连续的系统参数空间视为由若干子区域所构成的集合,并将每个子区域分别分配给一个子模型.IM-RM使用一组子滤波器并行滤波.在每一时刻,IMRM利用交互操作计算各子模型的混合初始化环境,之后各子滤波器在假设系统参数跳变到特定子区域的前提下,对状态和系统参数进行估计.为了有效地应用IMRM,提出了一种基于无迹变换的交互式多区域模型(UT-IMRM)算法.UT-IMRM对每个子模型使用无迹卡尔曼滤波器(UKF)进行滤波.在目标跟踪实验中对UT-IMRM性能进行测试.实验结果显示当系统参数不属于IMM模型集合时,UT-IMRM能够比IMM获得更好的估计性能.     

基于改进隐马尔可夫模型的网络攻击检测方法

提出了一种基于改进隐马尔可夫模型的网络攻击检测方法.正常的网络行为符合一定的语法规则,异常的行为会偏离正常的语法规则.通过对正常行为样本的学习得到的基于隐马尔可夫模型的语法可以根据网络行为和语法的符合程度有效地检测正常行为和攻击行为.在基于现实数据的实验测试中,得到了比较好的检测性能.     

基于主动式传感器的道路导航

由于林荫道中阴影的影响,目前常用的基于被动式传感器技术的视觉导航方法(如采用图像的方法),难以取得比较理想的结果。对于这种环境,主动式传感器具有一定的优势,文中采用了激光雷达传感器。首先利用传感器对路边的树木等物体作为障碍物来进行检测,并据此信息来推算道路边界,详细介绍了具体的方案和算法。实验结果表明,所设计的方法具有很好的鲁棒性,可以满足实际导航的需要。     

一种快速SVM学习算法

在对两种SVM学习算法(SMO和SVMlight)进行分析的基础上,提出了一种改进的基于集合划分和SMO的算法SDBSMO。该算法根据样本违背最优化条件的厉害程度将训练集划分为多个集合,每次迭代后利用集合信息快速更新工作集和相关参数,从而减少迭代开销,提高训练速度。实验结果表明该算法能很好地提高支持向量机的训练速度。     

PIFS多分辨率特性研究

本文在更一般的条件下（二维，不同大小ｒａｎｇｅ块）证明了分形图像上压缩中ＰＩＦＳ（Ｐａｒｔｉ－ｔｉｏｎｅｄＩｔｅｒａｔｅｄＦｕｎｃｔｉｏｎＳｙｓｔｅｍ）不动点的多分辨率特性，即低分辨率不动点可以通过对高分辨率不动点进行收缩变换得到，高分辨率不动点可以通过对低分辨率不动点进行仿射变换得到，所得结论是Ｂａｈａｒａｖ等文中结论的推广。