基于最小均值约束闭环树覆盖模型的一类分类器构造

传统的覆盖型一类分类器难以同时对数据主体和局部边缘结构进行准确描述。为此本文构造一种新的空间覆盖模型———闭环树结构。对数据主体流形,采用最小均衡树模型进行拟合,对局部边缘的多分枝结构以闭合环链模型链接包裹,形成平滑,明确的覆盖边缘。并通过最小均值约束原则实现两种模型的匹配对应,整合为一个整体。使数据流形的主干与边缘细节同时得到有效描述,多个数据库的实验也证明了该覆盖模型的合理性。

基于Gabor滤波特征和一类分类器的人脸检测

人脸检测是人脸识别的一项重要任务。论文提出了一种基于Gabor滤波特征和一类分类器的正面人脸检测方法。算法首先利用了Gabor滤波器的良好的空间位置与方向的选择特性,采用了四种方向的Gabor滤波器提取人脸样本图像特征并用PCA方法对特征降维,然后用已降维的特征训练支持向量机分类器。最后应用一类分类器分类检测人脸。实验结果证明该方法是十分有效。

不确定环境下基于SIFT算法和一类分类的火焰识别

在不确定的复杂环境下,基于图像的火焰早期检测是一个未解难题。因此,将灰度均衡化理论延伸至此领域来对疑似火焰图像进行预处理,通过引入SIFT算法发现火焰图像的多尺度特征,确定火焰极值点并进行特征匹配,有效识别火焰尖角以提高侦测的有效性。将分形理论的分数维作为火焰的特征加以使用。由于通常情况下火焰是异常值,一类分类器具有代价低、特征易获取、精度高等诸多优点,因此使用一类分类器完成火焰识别。实验证明,该研究不仅在近距离光照强的条件下具有良好的真阳性率和假阳性率,而且在光照弱的情况下具有较高的火焰发现率和较低的虚警率。

基于高维空间典型样本Steiner最小树覆盖模型的一类分类算法

最小生成树数据描述方法在刻画高维空间样本点分布时,将所有图形的边作为新增虚拟样本以提供同类样本分布描述,这种描述存在分支多覆盖模型复杂,且局部覆盖不够合理的问题。针对该问题,依据特征空间中同类样本分布的连续性规律,提出基于高维空间典型样本Steiner最小树覆盖模型的一类分类算法,该算法首先对目标类训练集进行样本修剪,去除冗余信息和噪声信息,选择最具代表性的样本作为训练集,然后对保留的典型样本构建Steiner最小树覆盖模型。算法分析和仿真实验结果表明,相比最小生成树数据描述,文中提出的方法能在较低覆盖模型复杂度的前提下更合理的描述目标类样本空间分布,构建更合理的覆盖模型,在分类正确率和适用样本规模上都表现出一定的优越性。

基于高维空间凸壳数据描述的一类分类算法研究

一类分类问题的研究目标是设计目标类样本的覆盖函数,理想情况下使得目标类样本被接受,所有非目标类的样本被拒绝。经典SVDD覆盖模型寻找包含训练数据的最小半径超球对其进行覆盖,该模型对非规则复杂分布的数据描述存在较多的冗余区域。本文提出一种基于训练集样本凸壳数据描述(Convex Hull Data Description,CHDD)的紧致覆盖模型。该模型无须参数设置,可实现对样本非规则复杂分布的自适应覆盖,并可通过利用核函数方法获得更强的非线性分类能力。当训练集包含噪声样本时,通过拒绝一定比例的目标类样本可获得更为鲁棒的凸壳边界描述。在UCI数据库、MNIST手写体数据库和MIT-CBCL人脸识别数据库上的实验结果表明了本文方法的有效性,相比现有一类分类算法,CHDD取得更好的分类效果。

基于精简随机子空间的多生成树集成一类分类算法

由于高维数据通常存在冗余和噪声,在其上直接构造覆盖模型不能充分反映数据的分布信息,导致分类器性能下降.为此提出一种基于精简随机子空间多树集成分类方法.该方法首先生成多个随机子空间,并在每个子空间上构造独立的最小生成树覆盖模型.其次对每个子空间上构造的分类模型进行精简处理,通过一个评估准则(AUC值),对生成的一类分类器进行精简.最后均值合并融合这些分类器为一个集成分类器.实验结果表明,与其它直接覆盖分类模型和bagging算法相比,多树集成覆盖分类器具有更高的分类正确率.

基于加权广义匹配滤波联合SVDD的FOD检测算法

利用毫米波雷达进行机场跑道异物(FOD)检测是当前民航安全领域的一种流行解决方案。由于非均匀杂波的存在,传统基于恒虚警率的检测方法存在虚警率过高、检测性能较差的问题。文中提出一种加权广义匹配滤波(WGMF)联合支撑向量数据描述(SVDD)的FOD检测方法。首先,利用WGMF对雷达记录的FOD回波数据进行预处理,实现杂波抑制的同时降低虚警概率;然后,对回波数据提取双谱特征,实现数据由原始回波域向差异性更大的特征域的转变;最后,利用SVDD一类分类器实现FOD检测。在某机场跑道真实场景开展验证实验,结果表明所提方法能够有效降低虚警概率,提升检测性能。

稀疏降维的近似凸壳覆盖一类分类器构造

针对高维数据集常常存在冗余和维数灾难,在其上直接构造覆盖模型难以充分反映数据分布信息的问题,提出一种基于稀疏降维近似凸壳覆盖模型.首先采用同伦算法求解稀疏表示中l_1优化问题,通过稀疏约束自动获取合理近邻数并构建图,再通过LPP(Locality Preserving Projections)来进行局部保持投影,进而实现对高维空间快速有效地降维,最后在低维空间通过构造近似凸壳覆盖实现一类分类.在UCI数据库,MNIST手写体数据库和MIT-CBCL人脸识别数据库上的实验结果证实了方法的有效性,与现有的一类分类算法相比,提出的覆盖模型具有更高的分类正确率.

基于净图描述的通用隐写分析技术

针对互联网上大量的隐写软件利用数字图像隐藏秘密消息,文中提出了基于净图描述的通用隐写分析技术.这种隐写分析技术能有效地检测出图像是否含秘密信息,通过提取两种新颖特征,即纹理特征和虚特征值分解(IED)特征,对净图进行完整的定量描述,又经过降维处理,解决了维数灾难问题,提高了检测速度;并且设计了与特征相匹配的柔性化超椭球体一类分类器,提高了检测性能.

基于JPEG净图定量描述的隐写分析方法

在隐写分析领域,国内外已有很多学者对JPEG图像的DCT系数统计分布模型进行过研究.本文根据数据的统计特征,系统地描述了JPEG净图DCT系数的SαS模型.SαS模型具有很强的柔韧性,随着特征指数α改变,其分布形状就会改变.根据SαS模型的柔韧性,本文提出了一种新颖的、基于净图定量描述的隐写分析方法,这种隐写分析方法与传统模型的隐写分析方法相比,具有更好的隐藏信息检测性能.

基于MobileNetV3-SVDD的雷达信号调制方式开集识别

针对常见雷达信号调制方式识别方法无法识别未知调制方式的问题,本文提出了一种基于MobileNetV3-SVDD的雷达信号调制方式开集识别方法。将不同调制方式的雷达信号转换成时频图像,使用轻量级深度神经网络MobileNetV3网络提取图像特征。基于一类分类器SVDD构建调制方式超球体来测试识别在训练中未出现过的未知调制方式,完成了对雷达信号调制方式的开集识别。实验结果表明:该方法在信噪比等于8 dB时,已知调制方式识别率均达到100%,未知调制方式识别率均达到95%以上,实现了对未知调制方式的有效分类识别。

一种毫米波雷达机场跑道异物检测算法

针对毫米波雷达机场跑道异物(Foreign Object Debris,FOD)检测算法存在虚警率较高,检测性能较差的问题,提出一种基于双谱特征和支撑向量数据描述(Support Vector Domain Description,SVDD)一类分类器的FOD检测方法。首先利用双谱变换将毫米波雷达接收到的FOD和杂波信号转换至差异性更大的双谱域,然后提取双谱熵和二阶统计量二维特征构成特征向量作为SVDD的输入,最后利用SVDD一类分类器在特征域实现FOD检测,同时为了提升SVDD算法性能,提出一种基于遗传模拟退火算法(Genetic Simulated Annealing Algorithm,GSAA)的参数优化方法对SVDD的核参数和惩罚因子进行全局寻优。基于77 GHz毫米波雷达获取的真实机场数据开展试验,结果表明相对于传统方法所提方法不仅能够获得更高的检测性能,同时能够明显降低虚警率。

基于高维空间稀疏最小生成树自适应覆盖模型的一类分类算法

最小生成树数据描述(MSTCD)在刻画高维空间样本点分布时,将所有图形的边作为新增虚拟样本以提供目标类样本分布描述,这种描述存在分支多、覆盖模型复杂的问题.针对该问题,依据特征空间中同类样本分布的连续性规律,文中提出基于稀疏最小生成树覆盖模型的一类分类算法.该方法首先构建目标类数据集的稀疏k近邻图表示,通过递归图分割算法发现数据分布的微聚类,再以微聚类的中心为图节点构建目标类的稀疏最小生成树覆盖模型.实验结果表明,文中方法与MSTCD和其它一类分类器相比有较优的描述性能和较低的模型复杂度.

基于矩特征的隐写分析方法

针对互联网上大量的隐写软件利用图像隐藏秘密消息,提出一种基于矩特征的隐写分析方法.这种隐写分析技术能有效地检测出图像是否含有秘密信息,通过多分辨率表示图像,在不失有效信息量的基础上减小了数据量的处理,提取2种新颖的、能反映图像隐写前后的统计特性变化的特征,即PDF矩特征和CF特征,对干净图像进行定量描述,并且设计了与特征相匹配的柔性化线性一类分类器,具有一定的稳健性和柔化特性,提高了检测性能.

毫米波雷达机场跑道异物分层检测算法

强杂波背景下的弱小静止目标检测是毫米波机场跑道异物(FOD)检测雷达面临的核心问题。该文提出一种基于功率谱特征和支持向量域描述(SVDD)一类分类器的FOD分层检测算法。该算法首先利用杂波图恒虚警率(CFAR)检测器对复杂背景杂波进行杂波对消处理,针对对消后虚警过多的问题,对对消后的数据提取功率谱特征,将其转换到特征域,最后利用SVDD一类分类器在特征域实现对FOD和虚警的分类。基于实测数据的试验结果表明所提方法可以获得较好的检测性能。

高维空间L1范数约束的一类数据稀疏距离测度学习算法与应用

现有一类分类算法通常采用经典欧氏测度描述样本间相似关系,然而欧氏测度不能较好地反映一些数据集样本的内在分布结构,从而影响这些方法对数据的描述能力.提出一种用于改善一类分类器描述性能的高维空间一类数据距离测度学习算法,与已有距离测度学习算法相比,该算法只需提供目标类数据,通过引入样本先验分布正则化项和L1范数惩罚的距离测度稀疏性约束,能有效解决高维空间小样本情况下的一类数据距离测度学习问题,并通过采用分块协调下降算法高效的解决距离测度学习的优化问题.学习的距离测度能容易的嵌入到一类分类器中,仿真实验结果表明采用学习的距离测度能有效改善一类分类器的描述性能,特别能够改善SVDD的描述能力,从而使得一类分类器具有更强的推广能力.

视频监控中的人群异常行为检测与定位

人群中的异常行为是一大潜在威胁,自动检测监控中的异常行为成为近年的研究热点之一。然而,由于异常的未知性与复杂性,已有的检测方法仍然存在检测率低、定位精度差的问题。为此,提出了对视频监控中的人群异常行为自动检测与定位的方法。结合灰度值与光流场的分布提取运动区域;对运动区域分割得到有效的运动块,从中提取表示外观和动态的两种特征,即局部H梯度方向直方图G和局部H光流方向直方图F特征;使用kmeans方法对运动块进行聚类,对每类样本使用一类分类器进行建模。最后,加入运动连续性约束,以抑制干扰噪声。在两个复杂的异常行为数据集上的实验结果表明,本文方法明显优于已有的检测方法,且可以满足正确率高、抗干扰能力强等实际工程需求。