基于三维荧光光谱结合2D-LDA的食用油掺假鉴别研究

食用油掺假行为严重威胁消费者的身体健康并扰乱社会市场秩序。研究有效的食用油掺假鉴别方法对于构建安全、可靠的食品供应链和提升消费者福祉具有重要意义。以食用油中的香油为例开展食用油掺假鉴别方法研究。通过芝麻香精与玉米油、大豆油以及菜籽油三种食用油配制了3类掺假香油;使用FLS920稳态荧光光谱仪采集了这3类掺假香油以及不同品牌香油共计45个实验样本的三维荧光光谱数据;基于2D-LDA方法提取了实验样本的二维特征,并以此为依据采用最近邻分类原理实现了掺假食用油的准确鉴别。将所述方法与平行因子结合非线性判别分析(PARAFAC-QDA)、多维偏最小二乘——判别分析(NPLS-DA)两种方法进行了对比。结果表明,2D-LDA方法能够有效提取掺假香油的二维特征。这些特征能够使不同类别的实验样本在投影子空间中实现最大程度分离;同时可使相同类别的实验样本在子空间中尽可能地紧密聚集,进而使得样本在低维子空间中具有更好的可分性,从而获得了100%的鉴别准确率。而PARAFAC-QDA和NPLS-DA两种方法仅分别获得了85%和95%的鉴别准确率。2D-LDA方法相比于这两种方法在食用油掺假鉴别特别是现场快速检测的实际应用中更具优势和潜力,其鉴别过程与结果更加简捷和精确。研究为现场食品安全监管提供了一种高效可行的新方案。

基于2D-LDA的车牌字符识别

传统的基于LDA的字符识别需要将图像向量化,这会造成协方差矩阵维数过大和奇异问题,而基于2D-LDA的识别算法能够克服上述传统算法的缺陷。首先介绍了2D-LDA算法的原理;然后,在车牌字符数据集上测试了算法的识别率;最后,与多层感知机神经网络做了对比,表明2D-LDA算法有较高的识别率。

基于多通道Log-Gabor小波与（2D）~2 PCALDA的人脸识别方法

为了降低光照变化对基于子空间的人脸识别方法性能的影响,结合多通道Log-Gabor策略与(2D)2 PCALDA特征提取方法,提出了一种新的人脸识别方法。将不同尺度与方向作为独立通道,在每个通道内采用(2D)2 PCALDA对人脸图像的Log-Gabor表示进行特征提取、分类,然后对各通道分类结果进行决策融合得到最终的类别归属。在CAS-PEAL-R1、ORL与Yale人脸数据库上的实验结果表明,该算法具有较好的识别性能。

基于TSFS结合高阶张量特征提取方法的海水半潜油种类鉴别研究

半潜油是一种隐藏于海面之下并呈现悬浮状态的溢油,其长期毒害并侵蚀着海洋生态环境。然而,针对半潜油污染到目前还未形成有效地监测手段和处理方式,致使其污染的突发性和危害性更甚于海面溢油。因此,研究有效地半潜油鉴别方法对保护海洋生态环境具有重要意义。三维荧光光谱技术中的总同步荧光光谱(TSFS)在油类污染物检测与鉴别中具有不存在瑞利散射干扰以及冗余数据少的优势,但由于TSFS数据本身不具备三线性结构,使得多维校正分析方法在其应用上受到了一定的限制。基于此,开展基于TSFS结合高阶张量特征提取方法的海水半潜油种类鉴别研究。首先,利用有机分散剂和六种不同种类的油品配制了90个半潜油实验样本;然后,利用FS920荧光光谱仪采集实验样本的TSFS数据,并对该数据进行标准化预处理;最后,通过高阶张量特征提取方法二维线性判别分析(2D-LDA)以及二维主成分分析(2D-PCA)分别建立了半潜油样本的鉴别模型;并将所建模型与常规方法多元曲线分辨率交替最小二乘法(MCR-ALS)结合线性判别分析(LDA)以及多维偏最小二乘判别分析(NPLS-DA)进行了对比。分析结果表明,2D-LDA和2D-PCA所建立的半潜油样本鉴别模型具有可靠的性能,鉴别模型的精确率、灵敏度及特异性分别为100%,100%和100%。并且,2D-LDA和2D-PCA能够直接提取TSFS光谱图像矩阵在空间、统计学以及图形学上的精细光谱特征,为区分半潜油样本带来更为精准的鉴别依据。因此,相较于常规的基于展开或分解数据的方法,高阶张量特征提取方法所建立鉴别模型所得到的预测结果更加精确。该研究为半潜油种类鉴别提供了一种参考。

基于2D-PCA的两级LDA人脸识别方法

线性鉴别分析(LDA)小样本问题的已有解决方法在构造最优投影子空间时未完整利用LDA的4个信息空间,为此,提出一种基于二维主成分分析(2D-PCA)的两级LDA人脸识别方法。采用减法运算对样本类内散度矩阵和类间散度矩阵的特征值矩阵求逆,以解决小样本问题,并连续应用Fisher准则和修改后的Fisher准则连接2个投影子空间,获取包含LDA的4个信息空间的最优投影方向,利用2D-PCA对输入样本做预处理,以减少计算复杂度。在ORL和YALE人脸库上的实验结果表明,该方法虽然训练时间略有增加,但识别率分别为92.5%和95.8%,优于其他常用LDA算法。

基于HOG多特征融合与随机森林的人脸识别

针对人脸识别在复杂环境下识别率低的问题,提出了一种基于梯度直方图(HOG)多特征融合与随机森林的人脸识别方法。该方法通过HOG特征描述子对人脸进行特征提取。首先以网格作为采样窗在整个人脸图上进行整体HOG特征的提取,并将人脸图像分成均匀子块,在包含有人脸关键部分的子块中提取局部HOG特征。然后通过二维主成分分析(2DPCA)和线性判别分析(LDA)对整体和局部特征进行降维,并进行特征层融合形成最终分类特征,最后通过随机森林分类器对其进行分类。FERET人脸库、CAS-PEAL-R1人脸库、真实场景人脸库实验表明,该方法对光照具有鲁棒性,且有较高的识别率和较短的识别时间。

基于列最近邻的线性鉴别分析方法及应用

人脸识别是模式识别中重要的研究内容,具有广泛的应用前景。为了进一步提高人脸识别中线性鉴别方法的鲁棒性,提出了一种基于列最近邻的线性鉴别方法(CBLDA)。CBLDA为每一类找到一个投影矩阵,使得人脸图像中的每一列经过投影矩阵投影后,能够更靠近类内列最近邻同时离类间列最近邻越远。当测试样本与经过其类别的投影矩阵投影后能够得到更有利于分类的结果。CBLDA类似于分块或者子图的方法,选择最近邻列作为分块的策略的主要优点:(1)列是图像的固有尺寸,会随分辨率的变化而变化,因此不需要决定分块的大小;(2)人脸具有对称性,对列求得类内列最近邻可以较好克服一些左右姿态和光照变化的影响,提高算法的鲁棒性。为了验证CBLDA的有效性,在ORL和FERET人脸数据库中与2D-LDA、2D-LPP和2D-LGEDA等二维算法进行了对比实验,结果表明CBLDA在识别率有大幅的提升,证明了算法的有效性。

融合LDA主题模型和二维卷积的短文本分类

由于受到短文本文本长度的限制,传统分类模型不能够充分挖掘短文本序列信息,导致短文本分类效果不佳。对此提出两种融合LDA主题模型和二维卷积的短文本分类模型。采用LDA主题模型预训练得到的主题词项分布来弥补短文本缺乏的主题信息,通过预训练词向量来补充短文本通用语义信息。同时将随机初始化词向量、预训练词向量,以及主题词项分布进行拼接,应用二维卷积学习拼接后短文本表示的空间层次结构。实验结果表明,相比于其他短文本分类算法,提出的两种短文本分类模型可以充分挖掘利用短文本特征,其分类准确度明显提升。

一种基于2D-PLDA和小波子带的虹膜识别算法

近年来,基于线性判别分析(LDA)的图像模式识别方法研究越来越受到人们的关注。然而LDA方法自身存在的小样本难题,极大的影响了样本集特征矩阵的获取。研究者随后提出的2维线性分析(2D-LDA)在一定程度上解决了这个问题。在传统2D-LDA基础上,提出一种改进的2维线性分析方法——2D-PLDA,该方法通过对样本集进行预分类,使得散布矩阵更加合理;在此基础上将2D-PLDA和离散小波相结合,应用于虹膜识别中。实验结果证明,该算法在识别精度和计算复杂度等方面均较传统LDA和2D-LDA方法有很大的改进,同时采用小波的不同子带作为输入空间也在一定程度上增加了算法的鲁棒性。