基于因子分析的实用人脸识别研究

该文针对实用人脸识别中的光照、表情、姿态等变化问题,通过因子分析和数据挖掘提出一种鲁棒的人脸识别方法。本文首次提出基于因子分析的人脸识别方法,并分析基于内容与风格信息的因子分析模型的人脸识别方法与基于Fisher线性判别分析的人脸识别方法的一致性。为了提高该方法的鲁棒性,通过两因子方差分析与加性模型分离人脸内因子与外因子,降低风格信息对人脸观察特征的影响。实验结果表明:此方法比Fisher脸方法具有更高、更稳健的性能,特别是在Fisher脸方法无能为力的复杂环境下能表现出较好的性能。

基于奇异值与稀疏表示的稳健性人脸识别

目前基于二维的正面人脸识别面临着两大难题,一是光照、表情变化问题,二是遮挡、噪声问题。这些正是研究人脸表情、光照、遮挡和噪声变化的稳健性人脸自动识别问题。将识别问题看作是多个线性回归模型中的分类问题,并用稀疏表示理论解决这些问题。基于奇异值与稀疏表示理论可以显著提高对噪声和遮挡变化的稳健性并降低计算复杂度。在公用的人脸数据库上进行实验,并证实算法的有效性。

基于鉴别主成份分析的基因表达数据特征提取

针对高维小样本数据特征提取问题,通过融合主成份分析(PCA)和线性判别分析(LDA),提出一种鉴别主成份分析方法。通过对PCA主成份进行单个线性判别,选择主要反应类间差异的主成份来构造特征空间。对yeast和NCI基因表达数据的实验结果表明:该方法在降维的同时能获得较好的判别特征,且能避免线性判别分析方法的奇异性。在子空间的聚类识别率相比PCA提高了20%以上,且具有较好的可视化效果,说明了用该方法对高维小样本数据进行特征提取的有效性。

航空机型快速有效识别方法研究

在大量的航空图像中如何自动准确而且快速地识别出飞机型号,对于战地指挥员有着重要的意义。提出一种将傅里叶变换和奇异值分解相结合的航空机型自动并行识别方法。首先,对航空图像进行傅里叶变换,得到其具有位移不变特性的振幅谱表征特征;其次,对图像进行奇异值分解,用类估计基空间作为同类图像奇异值分解时对应的基空间;最后,在集群系统下用最近邻法从航片中自动识别出机型。

基于稀疏表示的人脸姿态估计研究

针对人脸光照、遮挡、身份、表情等因素变化的人脸姿态估计难题,结合稀疏表示分类(SRC)方法的优秀识别性能,对SRC理论进行了深入分析,并将其应用于人脸姿态分类。为了解决姿态估计中人脸光照、噪声和遮挡变化问题,将人脸姿态离散化为不同的子空间,每个子空间对应一个类别,据此,提出基于字典学习与稀疏约束的人脸姿态识别方法。通过在公开的XJTU和PIE人脸库上实验表明:所研究的方法对人脸光照、噪声和遮挡变化具有鲁棒性。

基于灰色理论的车型自动分类识别

在灰色理论基础上提出了一种车型自动分类识别技术。该技术分为二大部分:第一部分是测量车辆的三维信息,即完成从二维信息到三维信息的转换,获得车辆的长度、宽度和高度特征;第二部分是利用灰色关联分析对车辆进行分类识别。实验表明,与传统的识别方法相比明显提高识别速度与识别精度,且具有很好的实用性。

融合LLE和ISOMAP的非线性降维方法

局部线性嵌入(LLE)和等距映射(ISOMAP)在降维过程中都只单一地保留数据集的某一种特性结构,从而使降维后的数据集往往存在顾此失彼的情况。针对这种情况,借助流形学习的核框架,提出融合LLE和ISOMAP的非线性降维方法。新的融合方法使降维后的数据集既保持着数据点间的局部邻域关系,也保持着数据点间的全局距离关系。在仿真数据集和实际数据集上的实验结果证实了该方法的优越性。

基于因子分析与稀疏表示的多姿态人脸识别

在非可控环境下,人脸识别面临的最大难题之一是姿态变化与遮挡问题。基于稀疏表示的人脸识别方法将测试人脸表示成训练人脸的稀疏线性组合,根据其组合系数的稀疏性进行人脸识别。该方法对人脸的噪声和遮挡变化具有很好的鲁棒性,但对人脸的姿态变化表现力极差,这是因为当人脸具有姿态变化时,同一个人不同姿态情况下很难对应起来,这违背线性组合的前提条件。为了克服稀疏表示方法对人脸姿态变化表现力极差问题,对人脸进行因子分析,分离出人脸姿态因子,得到合成的正面人脸;利用稀疏表示进行人脸分类识别。实验结果表明,该方法对人脸的遮挡和姿态变化具有很好的鲁棒性。

因子分析判别准则的线性降维方法研究

提取稳定且具有判别性的低维特征是模式识别研究中的关键问题。在深入研究Fisher判别准则的基础上,从因子分析的实际角度考虑,提出基于因子分析的判别准则,解决Fisher判别准则类内和类间散布矩阵非最优定义问题。通过在合成数据集和真实人脸数据集上进行实验比较表明,该方法在解决数据集中的边缘类和人脸的表情、姿态变化等问题上比Fisher判别准则更优。

基于奇异值与特征融合矩阵的自适应人脸识别

为了准确快速地进行人脸识别,提出了融合人脸全局和局部特征的自适应算法。该方法利用奇异值提取人脸的全局特征和6个关键部分的局部特征进行加权融合得出特征融合矩阵,同时给出了局部特征权值的动态选择方法,并证明了特征融合矩阵的推导公式;最后使用改进的支持向量机(SVM)方法进行分类识别。试验表明,该方法不仅计算速度快、简单易用,而且有效解决了SVD识别率不高和LDA小样本空间问题,应用前景良好。

真实感3D人脸快速建模研究

现有的三维人脸建模方法存在三点不足:建模条件苛刻、建模精度不高和建模时间长。针对以上不足,提出明暗恢复形状(SFS)和局部形变模型融合的3D人脸建模方法。该方法利用SFS快速恢复3D人脸粗糙数据,得到3D轮廓脸;然后分别对人脸不同局部应用形变模型恢复其局部3D精确数据,并使用其对轮廓脸进行内插平滑处理重建出高精度3D人脸模型。实验结果表明:该方法能够获得较好的建模精度,在短时间内可以通过单幅真实图像重建出个性化的三维人脸模型。

基于局部形变模型三维人脸快速建模

针对传统三维形变模型计算量大,难以满足实时性的不足,提出一种实用、高效的三维形变模型,进行个性化三维人脸重建。首先,对三维人脸关键特征点定位,分割划片;然后,对每个分片分别建立形变模型并进行匹配恢复其局部形状信息;最后,把每部分进行无缝拼接,生成逼真的三维人脸。实验结果表明,该方法能够获得较好的建模精度,在短时间内可以通过单幅真实图像重建出逼真的三维人脸模型。

基于灰色理论的电力变压器故障预测

文章提出了一种基于综合灰色模型的电力变压器油中溶解气体浓度预测的方法,进而预测电力变压器的故障。首先对非等间隔时间序列进行等间隔处理,然后对序列进行级比检验,对于级比检验不合格的序列进行弱化处理,使用GM(1,1)得到预测序列,检验预测序列精度,对精度未满足要求的序列使用残差GM(1,1)进行残差修正。通过预测某超高压公司电力变压器的油中溶解气体的历史数据,证明了该预测模型具有较强的实用性。

基于MQTT的物联网平台设计与分析

介绍服务器通信协议MQTT的基本原理,基于该协议设计一个简单的物联网平台,通过架设代理服务器,实现移动APP和前端设备节点的信息发布与订阅,且该系统具有良好的稳定性、实时性和并发性.

基于同态滤波的高分辨率遥感影像阴影消除方法

遥感影像中的阴影现象作为图像退化的一种特殊形式,使得影像阴影区域所反映的目标信息有所损失或受到干扰。根据阴影属性提出了一种基于同态滤波的高分辨率遥感影像阴影消除方法。首先将遥感影像变换到频率域空间,使用一种增强高频、抑制低频的滤波器对图像进行处理,然后反变换回空间域。实验表明,与基于色彩空间的阴影消除方法相比,本文方法在成功实现阴影消除的同时大大降低了人机交互操作与处理速度。

融合局部奇异值特性的人脸识别方法

针对仅在整幅人脸图像上进行奇异值分解无法得到人脸识别所需的足够信息的不足,提出了一种利用人脸图像的局部奇异值和灰色关联分析进行人脸识别的方法。该方法的关键是不在整幅人脸图像上进行,而是在人脸的不同区域进行奇异值分解以提取更丰富的信息和克服小样本效应。在识别阶段,对待识别人脸,计算其与各人脸样本的隶属度,最后作出判别。该方法与传统方法在ORL与AR人脸库上进行的对比实验结果表明,该方法不仅提高了识别率,且对人脸姿态变化与部分遮挡也具有一定的鲁棒性。

基于字典学习与稀疏表达分类的低质量字符识别

为解决低质量字符中的断笔、噪声和模糊问题,以及不同字体与字号的字符识别问题,提出了基于字典学习与稀疏表达分类的低质量字符识别方法.首先,收集不同字体和字号的字符样本构建字符超完备字典;然后,对测试字符进行稀疏表达建模,并根据求解的稀疏系数进行字符分类.为了使字典更具鉴别性,文中提出了基于因子分析的字典学习方法.实验结果表明,文中所提方法不仅可以同时识别不同字体和字号的字符,还具有对断笔、噪声和模糊的鲁棒性.

融合人脸几何和皱纹信息的年龄分组

为提高人脸年龄估计的鲁棒性,在年龄分类设计方面,采用几何比率+皱纹模型的人脸年龄分组方案。为更好地描述年龄变化,特别是针对成年人,在特征提取方面,提出基于分形维的皱纹特征提取方法。为使提取的特征更加精炼且更具鉴别性,引入多目标遗传算法进行特征选择。利用公共年龄库FG-NET、IFDB和实验室收集的年龄库进行实验,实验结果表明,该方法年龄分组准确率达到94.62%,优于其它比较方法。

一种互信息梯度不变的非线性特征提取方法

针对线性的互信息特征提取方法,通过研究互信息梯度在核空间中的线性不变性,提出一种快速、高效的非线性特征提取方法。该方法采用互信息二次熵快速算法及梯度上升的寻优策略,提取有判别能力的非线性高阶统计量;在计算时避免传统非线性特征提取中的特征值分解运算,有效降低计算量。通过UCT数据的投影和分类实验表明,该方法无论在投影空间的可分性上,还是在算法时间复杂度上,都明显优于传统算法。

融合互信息与线性变换的非线性特征提取

由于线性变换无法较好保留数据的非线性结构而非线性变换往往需要进行大量的复杂运算,提出一种快速、高效的非线性特征提取方法。该方法通过研究互信息梯度在核空间中的线性不变性,采用互信息二次熵快速算法及梯度上升寻优策略,在有效降低计算量的同时能够提取有判别力的非线性高阶统计量。详细的数据投影和分类实验表明该方法在分类性能和算法时间复杂度上都优于传统算法。