融合核主成分分析和最小距离鉴别投影的人脸识别算法

针对人脸识别问题,在原有的最小距离鉴别投影算法的基础上,根据核主成分分析(KPCA)方法,提出一种新的融合核主成分分析和最小距离的鉴别投影算法。运用KPCA对高维样本空间进行降维,通过核技巧将样本映射到高维非线性空间,继而在降维后的核子空间上通过鉴别投影方法计算其相应的投影矩阵,采用最近邻分类方法对样本进行分类并最终实现人脸识别。在ORL,FERET和YALE人脸库上的实验结果表明,该算法的识别率优于其他算法,可避免高维矩阵的计算复杂问题,同时定义的核子空间相似度权重也较好地保持了样本之间的近邻关系。

基于投影数据主成分分析的图像篡改检测算法

传统算法处理图像复制-粘贴型篡改问题时速度较慢。为此,提出一种基于投影数据主成分分析(PCA)的图像篡改检测算法。利用分块图像的行、列投影构建图像块投影特征矩阵,通过PCA对其降维,并使用字典排序法进行排序,结合图像块偏移置信距离判断图像复制-粘贴区域,完成被动取证。实验结果表明,该算法能准确找出篡改区域,与Posucue算法相比速度较快。

改进主成分分析与低秩投影的鲁棒性人脸识别

针对光照变化、姿态变化等条件下人脸鲁棒性差的难题,提出了一种改进主成分分析与低秩投影的鲁棒性人脸识别算法。首先利用改进主成分分析对人脸图像进行学习,形成低秩稀疏误差矩阵,然后根据稀疏误差图像计算平滑度和边缘,并进行加权实现人脸识别,最后进行仿真实验。结果表明,相对于当前经典人脸识别算法,本文算法获得更高的人脸识别率,并且具有较强的鲁棒性。

基于非相关多线性主成分分析的人脸识别算法

针对在人脸识别算法中,维数的增加往往会给算法的运算带来沉重负担的问题,提出了一种新的基于非相关多线性主成分分析(UMPCA)和线性判别分析(LDA)的人脸识别算法,算法在保证在降维的时候保留尽可能多的内部结构信息。UMPCA通过一张量至向量的过程,可直接获取原张量数据的绝大部分非相关特征,提取的特征再通过经典算法LDA处理。利用AT&T人脸数据库对该算法进行了实验,实验数据分析显示该算法优于其他同类算法。

基于PCA和三元组的非封闭点云轮廓特征提取方法研究

针对RGB-D相机获取的物体非封闭点云轮廓特征点和特征线提取不完整的问题,提出了一种基于主成分分析法(PCA)和三元组的轮廓边界提取方法。该方法包括2个步骤:特征点检测和特征线提取。在特征点检测中,通过对邻域点集进行主成分分析,利用采样点曲率和法向夹角双参数判定棱线特征点;根据边界点局部邻域在第二主成分上的分布特点,提出了一种边界检测算子,用于外边界特征点检测。最后,采用三元组聚类方法进行特征线提取。实验结果表明,该方法可以有效地检测非封闭点云模型的轮廓特征点,并分离和提取出目标轮廓曲线,且具有较高的精度。

基于移动主成分分析特征的智能损伤诊断方法

文章在移动主成分分析(moving principal component analysis,MPCA)基础上,提出一种优化的MPCA特征——特征向量差方向角(directional angle of eigenvector variation,DAEV),并将其作为机器学习的输入建立损伤识别模型。利用双跨连续梁的仿真应变监测数据验证了以DAEV建立机器学习模型诊断结构损伤的有效性。结果表明,与MPCA特征向量相比,DAEV能更好地表征桥梁状态的变化,以DAEV为输入的机器学习模型损伤识别能力更强;对于早期损伤,以DAEV特征为输入的模型识别准确率比以MPCA特征向量为输入的模型高38%~79%。

基于主方向加权投票的非结构化道路消失点检测

为提高弯曲道路的消失点检测效果,提出一种新的非结构化道路消失点检测方法。利用垂直投影校正方法校正投票点的Gabor纹理主方向,采用纹理主方向和边缘信息对投票点上方的一系列投票点权值进行加权,并通过投票点权值完成主方向加权投票,从投票点中选择接收的投票值之和最多的候选点为消失点,从而实现消失点检测。实验结果表明,与现有非结构化道路消失点检测方法相比,该方法对于弯曲道路具有更低的运行时间及更高的检测准确率。

二维投影非负矩阵分解算法及其在人脸识别中的应用

建立在最小化非负矩阵分解损失函数上的人脸识别算法需同时计算基矩阵和系数矩阵,导致求解这类问题十分耗时.本文把非负属性引入二维主成分分析(2-dimensional principal component analysis,2DPCA)中,提出了一种新的二维投影非负矩阵分解(2-dimensional projective non-negative matrix factorization,2DPNMF)人脸识别算法.该算法在保持人脸图像的局部结构情况下,突破了最小化非负矩阵分解损失函数的约束,仅需计算投影矩阵(基矩阵),从而降低了计算复杂度.本文从理论上证明了所提出算法的收敛性,同时,使用了YALE、FERET和AR三个人脸库进行实验,结果表明2DPNMF不仅识别率高,而且速度优于非负矩阵分解和二维主成分分析.

改进主成分分析法在南淝河水质评价中的应用

针对传统主成分法的逆指标化、无量纲化和构建综合指标三方面的问题进行改进,将指标特征值变换为指标相对隶属度、同步解决逆指标和无量纲化问题,改进特征向量方向选取方法,据此构建的综合指标解决了传统主成分分析法可能出现的指标相悖问题,并将其应用于南淝河水质综合评价中,与传统主成分分析法做了比较。结果表明,改进的主成分法计算效率高、水质评价合理。

主成分分析法在故障诊断中的应用

本文简单地介绍了用主成分分析法进行故障诊断的依据和方法 。

直观推导式演进特征投影法在拖尾重叠色谱峰解析中的应用

直观推导式演进特征投影法 ( HELP)已成功应用于复杂体系的重叠色谱峰解析 .当色谱峰拖尾时 ,演进特征投影图 ( ELPG)显示的直线段对应的区域中可能含有前面拖尾组分的信息 ,据此进行 HELP解析可能得不到满意结果 .选择 ELPG上直线段的一部分 ,即拖尾组分末端 ,前面组分的信息已基本消失的区域作为选择性区域进行 HELP解析 .同时 ,提出一种新的定量方法 :用主成分分析法 ( PCA)分解待测组分标准样品的二维数据 ,将得到的“标准”色谱引入 HELP的定量过程 ,在色谱峰拖尾或解得谱峰不平滑时 ,得到更准确的结果 .用 HELP方法解析了依诺沙星、诺氟沙星和环丙沙星三组分实验体系 ,结果表明 ,加入上述措施的HELP可有效改善拖尾重叠色谱峰的解析结果 .

基于非负分解方法的质谱成像数据特征提取

质谱成像技术能够在同一个实验里无需标记手段而获得样品表面的分子信息及其分布信息,是当前质谱分析的热点。其分析所得数据量大且复杂,使其特征难以提取。多元统计分析方法,特别是主成分分析法已应用于质谱成像数据的压缩和特征提取。然而由于主成分分析常产生负的数据结果,其意义难以解释且不易分解为单一的特征。本研究开发出一种基于非负分解的质谱成像数据提取方法,能够提取单一的分子特征及其在样品上的分布特征,并将多个单一的特征分布通过红、绿、蓝三色叠加显示,获得轮廓直观的综合特征分布。应用本方法对小鼠脑组织切片质谱成像数据进行分析,可直观分解出灰质区域、白质区域和背景区域,相对主成分分析方法更直观且易于解释。应用本方法对在同一个样品靶上的人膀胱癌变组织和其相邻非癌变组织切片质谱成像数据进行分析,癌变与非癌变组织间差异清晰直观。本研究设计的质谱成像软件可由http://www.msimaging.net获取。

基于人体轮廓中线投影的步态特征提取

提出了一种新颖且简单有效的步态特征提取方法。用背景差方法得到运动人体的轮廓,对提取出来的轮廓沿中线进行投影,将二维的数据压缩为一维的中线向量。用PCA和SVM相结合的方法对其进行了验证,结果证明了该特征提取方法的有效性及良好的识别效果。

基于改进型局部保持投影的作物生长特征优化方法

由于现有的用于农业作物生长监测数据的特征优化方法—局部保持投影(locality preserving projection,LPP)只保留局部信息,同时存在未考虑样本类别信息导致特征提取时误分类,准确率与数据优化效率并不理想。针对上述问题,提出了改进型LPP方法,并将其用于作物生长特征的优化。首先将样本利用二维主成分分析(two-dimensional principal component analysis,2DPCA)进行初步降维,保留原样本数据中的整体空间信息;然后提出优化的2类子图—聚集子图和分离子图,用来描述不同类别数据之间的关联信息;然后提出优化的2类子图对不同类别数据间的远近关系进行描述;最后采用改进型LPP算法,将数据进一步投影到低维空间,提取样本的局部信息,完成样本特征优化。试验分析表明,改进型LPP具有很好的适应性,最高支持向量机(support vector machine,SVM)分类准确率能够达到96%以上,使精度达到最高的最优维数比主成分分析(principal component analysis,PCA)和二维主成分分析2种算法降低了25%以上,同时算法运行效率比PCA与2DPCA算法提升32.4%与8.3%,整体性能比基本LPP算法更为优越,能够适应农作物多维数据的优化处理。研究结果为现代精准农业信息监测过程中的数据处理与分析提供了参考。

基于局部保持投影的神经尖峰电位特征提取与分类

神经元尖峰电位的识别和分类,是神经信息处理中的关键环节之一,而尖峰电位的特征提取是识别和分类的重要基础。针对尖峰电位的特征提取和分类,提出一种基于局部保持投影(LPP)的无监督算法,对近邻参数进行了自动识别和选择,使用基于原型向量的分布离散度标准,尖峰电位的特征得到充分提取和分离。仿真和实际数据实验结果表明:基于局部保持投影的无监督特征提取和分类算法,比传统主成分分析(PCA)方法能更加有效地实现特征提取和分离。

基于主成分分析网络的车牌检测方法

车牌识别是智能交通系统的核心技术,车牌检测是车牌识别技术中至关重要的一步。传统的车牌检测方法多利用浅层的人工特征,在复杂场景下的车牌检测率不高。基于主成分分析网络的车牌检测算法,能够无监督地逐级提取车牌深层特征,可有效提高算法的鲁棒性。算法首先采用Sobel算子边缘检测和边缘对称性分析获取车牌候选区域;然后将候选区域输入到主成分分析网络中进行车牌深度特征提取,并利用支持向量机实现对车牌区域的判别;最后采用非极大值抑制算法标记最佳车牌检测区域。利用收集的复杂场景下的车辆图像对所提方法的参数进行分析,并将其与传统方法进行比较。实验结果表明,所提算法的鲁棒性高,性能优于传统的车牌检测方法。

辅以纹理特征的HJ-CCD海上溢油信息提取——以PL19-3溢油为例

鉴于依赖光谱特征的传统溢油信息提取方法面临信息提取精度低的困境,提出采用光谱特征与纹理分析结合的方法应用于溢油监测.选择位于渤海的蓬莱19-3油田溢油事故为研究对象,基于覆盖溢油事故阶段的8景30m分辨率HJ-CCD数据,在溢油目标提取过程中,引入了方向性纹理特征分析,将主成分光谱降维、方向梯度边缘检测等技术相结合,形成了基于光谱与纹理特征的溢油信息提取技术.所述方法经8组数据检验后,用类间分歧度方法进行了对比评价.结果表明:将纹理分析方法应用于溢油信息提取,类间分歧度提高到1.9999,提高了油膜影响边界和油膜厚度分区识别能力.

一种深度图像特征的建筑物内行人检测方法

针对传统建筑物内行人检测算法复杂背景遮挡、光照影响等导致的检测不准确、效率低等问题,提出一种基于深度差值及方向梯度特征的行人检测算法.利用Kinect采集图像,在深度图像中对深度差值及方向梯度进行计算,通过滑动窗口对整个深度图像进行特征提取,获得特征向量,并利用主成分分析法降维.最后利用随机森林选取分类能力较强的特征并进行分类,实现训练及检测.在不同背景及光照条件下进行检测实验,平均检测率达到87.89%,平均每帧检测时间为0.121s.将本方法与GEBCF(泛化和检测平衡共生特征)及FCF(滤波通道特征)算法对比,检测率分别提高0.92%、0.68%.实验结果表明本方法有效提高了行人检测的准确率,具有更高的检测效率,能快速、准确地检测行人.

手写数字深度特征学习与识别

深度学习中的网络结构设计、特征提取与融合是数据挖掘和模式识别理论和行业应用中的关键问题。文中以相关领域中的典型应用问题手写数字识别和权威数据库MNIST为实验平台(包含七万个手写数字图像),探索了深度学习网络结构的设计和特征融合问题,保证研究结果的实用性、代表性和可参考性。所给方案的步骤是:首先,设计非监督深度学习网络,进行非监督高层语义特征学习,提取深度特征(DF),探索特征的高层认知特点;其次,对手写数字数据库进行非监督多特征提取,包括HOG(梯度方向直方图)特征、PCA(主成分分析)特征、LDA(判别分析)特征、像素分布特征、穿越次数特征和投影特征,构建手写数字典型特征库(Library of Typical Features,LTF);最后,构建深度有监督学习网络,有监督地融合深度特征DF和典型特征库。实验结果表明,相比于文献中的典型特征,该方案能够将手写数字识别的错误率有效降低50%。

快速核有监督局部保留投影算法

为了提取样本中的非线性模式,保持其中的流形结构以及减少投影时间,该文提出了一种快速核有监督局部保留投影算法。该算法使用有监督聚类选择法选取训练集的一个子集进行子集核主成分分析,然后在子集核主成分分析形成的子空间中进行有监督局部保留投影。实验结果表明:相对于有监督局部保留投影算法以及现有的几种流行特征提取方法,新算法能够取得更高的识别率;相对于现有的核投影算法,新算法的投影速度更快。在有些数据集上,只要普通核投影十分之一左右的时间,就能达到相同甚至更高的识别率。