DWT和Fast PCA与SVM在人脸识别技术中的应用

采用结合小波变换和改进的Fast PCA算法进行特征提取。人脸识别算法在特征提取阶段,采用离散小波分解和快速主成分分析法相结合的算法进行特征提取;在分类阶段,采用基于改进的二叉树算法的支持向量机进行分类。最后给出人脸识别系统的系统原型。通过在MATLAB 7.10.0(R2010a)软件上对ORL人脸库进行仿真训练测试,验证了本系统算法不仅在识别率上有所提高,而且相对于其他算法具有较快的识别速度。

基于fast PCA和K-CV优化SVM的人脸识别算法研究

为了解决支持向量机(Support Vector Machine,SVM)分类器人脸识别率不高的问题,提出了一种快速主成分分析法(fast Principal Component Analysis,fast PCA)与优化参数支持向量机分类器相结合的人脸识别算法.首先,在传统的PCA算法理论基础上提出一种快速PCA算法,用于人脸图像的降维和特征提取,减少特征提取时间,降低计算量,缩短SVM识别时间;其次,利用K折交叉验证法(K-fold cross-validation method,K-CV)联合改进的网格搜索法对SVM分类器最优参数进行搜索,减少最优参数搜索时间,提高算法人脸识别率和泛化能力.在ORL人脸库实验结果表明:该算法在每类训练样本数大于5时,人脸识别率为100%;在训练样本较少时,仍然保持较高识别率.与一般的SVM算法及PCA算法比较,该算法平均识别率提高了0.61%~8.92%.

基于MB_LBP与改进Fast PCA算法的人脸特征提取

针对MB_LBP算法对人脸特征提取维数较高,使用PCA方法会造成图像原始空间结构破坏和维数变得过大等问题,提出一种基于多块LBP(Multi-scale Block Local Binary Patterns,MB_LBP),结合改进的Fast PCA算法进行人脸特征提取的方案。首先用MB_LBP算法提取人脸图像的特征,接着用本文所改进Fast PCA方法加速计算矩阵S非零本征值所对应的本征向量,对人脸特征进行降维,最后在ORL人脸库进行验证。实验表明,该方法对后期人脸特征提取效果优于改进前的效果,很大程度上降低了提取时间,效果明显。

基于PCA和SVM的人脸识别技术研究

从人脸图像特征提取和分类器构建两方面分析了人脸识别系统设计的关键点，提出了以主成分分析技术和支持向量机技术相结合构建人脸识别系统的策略，同时在主成分分析技术的理论基础上提出了一种快速PCA算法。通过实验系统在ORL人脸库上的测试结果，分析了该系统的相关参数和特征向量维度的选取对系统识别率的影响，并得到了其最优解。同时，通过实验证明了所提出方法在小训练集下的识别率优于其它一般方法，其识别率比一般的人工神经网络法提高了7％～10％左右。

利用快速S变换及2DPCA的同调机组识别

提出一种基于快速S变换及二维主成分分析法（2DPCA）的机组同调识别方法。根据相量测量装置测得的电气运行变量计算得到机组实时功角信息,采用快速S变换将每台发电机的功角信号转换为时频特征模值矩阵,用2DPCA提取矩阵特征指标,并利用自组织神经网络实现机组同调分群。IEEE-39节点系统和加纳实际电网系统算例表明,该方法能够很好消除噪声影响,充分提取功角信息时频域特征,准确识别系统机组同调性。

基于Fast RCNN模型的车辆阴影去除

针对运动车辆阴影带来车辆合并及形状失真的问题,提出一种基于Fast RCNN模型的车辆阴影检测去除算法。采用Selective search法对视频车辆图像提取多个车辆候选目标矩形区域,采用Hessenberg分解法将运动车辆和其阴影区域分开;利用深度网络提取阴影特征,用PCA分析法检测阴影,训练优化该网络,识别移动阴影中包含的车辆区域,实现快速去除阴影的效果。实验结果表明,该方法有效解决传统算法多车辆阴影检测去除效率低下问题,平均检测精度mAP(mean average precision)提高2.78%,为智能交通系统提供良好技术基础。

基于PCA的快速字典学习算法研究

针对传统K奇异值分解(K-singular value decomposition,K-SVD)算法在训练中存在运行时间过长的问题,本文将主成分分析(principal component analysis,PCA)与K-SVD算法相结合,提出一种基于PCA的快速字典学习算法。该方法对原信号进行PCA降维,获取其主要成分,并对主成分信息进行字典学习,同时利用主成分字典作正交变换获取原信号字典。为验证本方法的有效性,采用快速字典学习算法对语音信号进行处理。研究结果表明,与传统K-SVD算法相比,基于PCA的快速字典学习算法在运行上时间减少了近1/2。新算法通过消除训练样本的冗余信息,使样本结构更加紧凑,极大程度降低了学习复杂度,在保证稀疏表示可靠性的同时,提升了字典学习效率,具有较好的应用前景。

基于PCA、SVM算法实现人脸识别

人脸识别是视觉图像识别领域的一项重要技术。本文结合目前主流的两种算法PCA和SVM,先通过PCA提取低维度的人脸图像特征向量,再用SVM进行分类识别。使用MATLAB对ORL人脸库进行仿真实验,测试仿真结果正确率在90%以上,表明该方法行之有效。

一种基于快速PCA和简化PSO的带噪声人脸识别

针对传统人脸识别算法在带噪声环境下识别效率低下的问题,文中以FERET、CMU_PIE_FAC及ORL数据库的人脸图像为研究对象,提出一种基于快速PCA和简化PSO的人脸识别改进方法。通过对不同噪声环境下的人脸图像进行滤波消噪处理,并引入快速PCA算法对图像数据进行特征降维,然后利用简化PSO算法进行SVM的参数优化,构建最终的SVM分类模型,以实现人脸识别。结果表明:人脸图像受高斯或椒盐噪声污染会对识别效果产生一定的影响,利用滤波消噪处理可以从一定程度上抑制噪声干扰,与此同时,在数据降维过程中,采用快速PCA算法以计算低维度矩阵的本征值去替代高维度协方差矩阵的本征向量求解,在保证较高的图像解释程度的同时,运算速度明显加快,与传统的PCA、PSO算法结合SVM模型进行人脸识别效果相比,提出的改进算法在保证较高的人脸识别精度情况下,识别过程的计算量大大减少,具有一定的实用价值。

基于UVE-PCA的两级三维荧光光谱波长选择方法

针对三维荧光光谱仪的传统分析手段不适于现场快速测量的特点,在分析传统红外二维波长选择方法的基础上,提出了基于UVE-PCA的两级准三维荧光光谱波长选择方法。通过UVE初选和PCA终选,在保证回归精度的前提下最大限度地压缩波长变量,实现三维荧光光谱的在线检测。使用丹麦数据库中的三维荧光光谱数据进行验证,实验表明经该方法筛选后的激发-发射波长序列压缩为全波长序列的1.86%时,模型预测能力提高了19.7倍,预测速度提高了7.6倍。该方法对三维荧光光谱在现场快速定量测量的实现提供了依据。

一种基于距离测度的改进快速PCA人脸识别

目的针对传统PCA在人脸识别过程中对光照敏感、特征提取中出现的耗时长、内存高、首次命中识别率不高等问题进行研究,提出改进方案。方法通过直方图均衡化来减少图像亮度变化带来的影响。使用1种快速PCA方法来加速计算降维过程中的样本协方差矩阵的本征值和本征向量,进一步提出根据特征向量重构测试样本特征向量的方法来提高首次命中识别率。结果将其应用到FERET人脸库进行特征提取,采用多种不同的距离测度进行分类。实验结果验证了该方法在有效降低运算时间的同时能获取较高的识别率。结论提出了1种改进的快速PCA算法进行人脸识别。与传统PCA算法相比,提出的方法减少了计算时间,提高了识别率。

基于KPCA-LSSVM的健康档案空腹血糖水平预测研究

糖尿病是一种可防可控的慢性疾病,会产生很多并发症,对人体危害很大,因此早期诊断糖尿病并干预生活方式对预防糖尿病慢性并发症十分必要。利用健康档案中数据来预测空腹血糖水平,因为空腹血糖水平的高低是早期诊断和干预的一个重要依据,但是健康档案中数据存在维度广、噪声多、强耦合、非线性等特点,为此提出了基于KPCA和LSSVM结合的方法进行建模,并将LSSVM、PCA-LSSVM、KPCA-LSSVM这3种模型进行比较,结果表明KPCA-LSSVM准确性比LSSVM、PCA-LSSVM大幅提高,ROC曲线的积分面积也接近于1,说明KPCA-LSSVM能够运用于空腹血糖的预测,也为医疗数据挖掘提供一种新的参考办法。

基于拉曼光谱的汽油牌号快速识别

提出了一种基于拉曼光谱的汽油牌号快速识别方法。该方法首先基于已知牌号的成品汽油样本进行建模,获取不同牌号成品汽油建模样本的拉曼谱图,经过谱图预处理后对谱图进行主成分分析(principal component analysis,简称PCA),获得载荷矩阵和得分矩阵,同时分别计算不同牌号汽油样本的平均得分向量,即不同牌号的得分中心坐标;然后对未知牌号汽油样本进行识别,先将未知牌号汽油样本拉曼谱图进行相同的谱图预处理,再计算该样品在载荷矩阵上的得分向量,根据PCA类中心最小距离法,计算该得分向量到不同牌号的得分中心坐标的欧式距离,依最小距离直接确定汽油牌号。针对45个取自国内不同炼油厂的成品汽油样本的实验结果表明这些汽油样本拉曼谱图经谱图预处理和PCA后,不同牌号汽油样本在主元得分空间上存在明显类间距,使用PCA类中心最小距离法可实现汽油牌号快速准确的分类。

图像识别中的兴趣点匹配方法研究

针对图像检索识别的需求,提出了一种基于兴趣点的匹配算法,利用小波变换对图像进行降维和去噪,提取其SIFT点特征,同时进行PCA降维,最后采用基于K-d树的最近邻法进行快速匹配。通过对各种图像大量的实验,结果表明,该方法具有很强的匹配性和鲁棒性,是一种较好的图像匹配算法,可以广泛应用于图像的检索和识别中。

基于人工神经网络的核素识别分析方法

针对传统的方法解析γ谱数据实现核素识别存在步骤多、精度低、专业知识要求高、识别速度慢等缺点,提出了一种基于人工神经网络的核素识别分析方法。在对全谱γ数据进行主成分分析的基础上,提取出γ谱的主要特征,将此特征信息输入人工神经网络,利用BP网络算法和RBF网络算法可快速地完成γ谱解析。分析结果表明:该方法降低了对探测器能量分辨率的要求,同时避免了寻峰、能量刻度与效率刻度等问题,简化了核素识别的过程,有效地提高了放射性核素的快速识别能力。

基于矩阵完备投影的快速主分量分析算法

主分量分析是模式识别中经常采用的一种方法,但是由于经典的主分量分析在处理图像矩阵需要将图像展开成向量形式,因而造成其协方差矩阵维数和计算量太大,同时由于没有注意到图像矩阵中像素之间空间相关性,使得抽取的图像特征并不是优秀的,为此提出了一种基于矩阵完备投影的快速主分量分析算法(FMPCA),该算法不仅大大降低了分析过程中的计算量,而且发挥了图像矩阵行和列之间的空间特性,从而提高了整体性能。通过对NUST603、Yale和ORL图像库进行的实验证明,该算法不仅具有快速提取图像特征的能力,而且综合性能优于相应的一些主分量分析方法。

稳健主成分分析方法研究及其在经济管理中的应用

传统的多元统计分析方法,如主成分分析方法和因子分析方法等的共同点是计算样本的均值向量和协方差矩阵,并在这两者的基础上计算其他统计量。当样本数据中没有离群值时,这些方法都能得到优良的结果。但是当样本数据中包括离群值时,计算结果就会很容易受到这些离群值的影响,这是因为传统的均值向量和协方差矩阵都不是稳健的统计量。本文对目前较流行的FAST-MCD方法的算法进行研究,构造了稳健的均值向量和稳健的协方差矩阵,应用到主成分分析中,并针对其不足之处提出改进方法。从模拟和实证的结果来看,改进后的的方法和新的稳健估计量确实能够对离群值起到很好的抵抗作用,大幅度地降低它们对计算结果的影响。

基于角点特征分析的车辆排队长度检测方法

针对交通堵塞造成的各种状况,通过视频分析实现实时高效的车辆排队长度检测,从而获取更多的交通信息改善交通状况.本文通过传统的FAST角点检测方法与运动检测的过程相结合得到改进后的FAST算法,使用改进后的FAST角点特征分析技术,不仅可以提取出当前交通道路上表征车辆存在的角点特征图,还可以获取角点位置的运动状态.通过对交通监控下的视频进行预处理后,单一车道内处于静态的角点特征形成车辆排队,并进行PCA处理得到一维向量,最后对一维向量进行形态学处理来检测单一车道内的车辆排队长度.实验表明,本方法检测精度平均98%,满足应用于实际场景.

基于灰色模型的服装面料缝纫皱缩预测

对影响缝纫质量的重要指标——缝纫皱缩的预测方法进行探讨。选择16种典型面料,在FAST织物风格实验基础上,运用主成分分析法将面料的各项力学性能指标综合为3个主成分分量。通过缝纫实验,运用主客观方法评价织物缝纫后的外观质量,并借助于灰色模型研究以面料性能主成分分量为相关因素序列的缝纫皱缩预测模型,经检验,模型具有较好的精度。

基于快速三维主成分分析的肺CT图像检测

为解决基于二维图像处理的计算机辅助诊疗系统（CAD）仅考虑每幅图像自身包含的信息而忽略不同扫描层之间的联系,以及数据处理过程中的海量计算问题,提出一种新的基于快速三维主成分分析（3D PCA）的有效肺CT病灶检测算法。该算法首先引入高维张量奇异值分解（HOSVD）设计3D PCA;然后以提取出的三维空间特征点为种子点,进行区域增长以获取完整的疑似病灶区域;最后,根据医学图像具体特征,设计了一种HOSVD的简化分解算法。对来自吉林省肿瘤医院的10个典型病例的五百余幅临床CT图像进行了实验,并将实验结果与当前同类算法做了比较。结果表明,检测精确度提高了约10%~21%;另外,快速算法与原算法比较,计算复杂度可降低约1/3。由于快速3D PCA可以挖掘更多存在于不同连续扫描层间的有用信息,更精准提取病灶特征,在一定程度上提高了检测率。