应用二维EMD和独立成分分析的掌纹识别

提出一种基于二维经验模式分解(Two-dimensional Empirical Mode Decomposition,2-DEMD)和独立成分分析(Independent Comment Analysis,ICA)相结合的掌纹识别新方法。利用2-DEMD自适应的时频局域化多尺度和ICAII表征数据的高阶统计特性来提取掌纹特征。首先,对预处理过的掌纹图像进行2-DEMD分解得到多层本征模函数(Intrinsic Mode Function,IMF);其次,利用基于PCA(Principal Component Analysis)降维处理的FastICAII算法提取IMF子图像集的掌纹特征基向量;最后,设计实验测试(2-DEMD+ICAII)的识别性能。实验结果表明,该方法能更有效地提取掌纹特征,与传统的ICAII相比,具有重构图像信噪比好、识别率高等优点。

一种基于人脸垂直对称性的变形2DPCA算法

本文分析了人脸的对称性和主成分分析法(PCA)、二维主成分分析法(2DPCA)的特性,证明了2DPCA协方差矩阵就是PCA协方差矩阵的主角线的平均值,同时表明2DPCA减少了对人脸识别有用的协方差信息。提出了一种基于人脸垂直对称性的变形2DPCA算法(S2DPCA),该算法最大程度地利用了协方差鉴别信息,用更少的系数表示一张人脸图像。通过在ORL的实验比较表明,该算法与PCA算法相比降低了计算复杂性,与2DPCA方法和PCA方法相比提高了人脸识别率,在识别率方面优于传统算法(PCA(Eigenfaces)、ICA、Kernel Eigenfaces),同时也压缩了人脸的存储空间。

Curvelet变换结合(2D)~2PCA的人脸识别算法

作为一种新的多尺度多方向性的信号分析工具,Curvelet变换不但具有小波变换多尺度和多分辨率的特点,还具有很强的方向性,对包含大量面部轮廓和五官曲线信息的人脸图像能实现最优的稀疏表示。本文提出并实现了一种基于Curvelet变换结合双向二维主成分分析((2D)~2PCA)的人脸识别算法,以Yale人脸数据库进行人脸识别实验,结果表明,该算法相对于传统基于小波变换的人脸识别算法,能有效提高识别率,缩短识别时间。

基于DCT和分块2D2PCA的人脸识别

为了解决人脸识别算法双向二维主元分析(2D2PCA)表征的信息不全面,鲁棒性差、识别速率较慢的问题,提出了一种结合二维离散余弦变换(DCT)算法和改进的双向二维主成分分析算法(模块(2D)2PCA)的新的人脸图像识别算法,该算法首先利用二维离散余弦逆变换(DCT)对人脸图像进行压缩,利用二维离散余弦逆变换(IDCT)对图像进行重建,可以去除了人脸图像中的干扰冗余信息。然后通过改进的2D2PCA算法即分块2D2PCA提取重建人脸图像中的特征。最后,用最近邻法对人脸图像进行识别,并定义了人脸图像相似度的概念。本文对ORL人脸图像数据库进行了实验。实验表明,本文算法有效的增强了识别的鲁棒性,缩短了识别的时间。

图像特征抽取的MDNIB2DPCA方法

在多方向二维主成分分析法MD2DPCA和无迭代双边二维主成分分析(NIB2DPCA)的基础上,提出了多方向无迭代双边二维主成分分析(MDNIB2DPCA)的特征抽取新方法。该方法可以对图像矩阵在多个方向上进行特征抽取,与MD2DPCA方法相比也提高了特征抽取速度。在灰度人脸图像库上的对比实验表明,所提的方法可以提高灰度图像识别率两个百分点以上;进一步地,在基于NIB2DPCA的彩色图像识别方法的基础上,提出了将所提的MDNIB2DPCA替换NIB2DPCA的彩色图像处理的新方法。在彩色人脸库上的对比实验表明,所提方法的识别正确率也可提高约一个百分点。

基于局部特征自适应加权2DPCA提取表情特征

本文提出了基于局部特征自适应加权2维主成分分析(2DPCA)表情识别方法。该方法采用分块来融合基于整体模板的分类方法和基于几何特征的分类方法,通过虚拟样本自适应地计算出不同特征对识别的不同贡献,并加权到分类器中。

基于子模式双向二维主成分分析的人脸识别

为了减轻人脸姿态、表情和光照条件等因素变化对识别率的影响,采用了一种子模式双向二维主成分分析(Sp-(2D)2PCA)的人脸识别新方法。该方法通过对原图像进行分块处理,能有效地抽取原图像的局部特征;同时,通过采用(2D)2PCA对分块得到的子图像矩阵直接进行特征抽取,避免了矩阵向量间的转化,能精确地计算协方差矩阵的特征向量,并能有效地降低特征维数。试验结果表明,在姿态、表情和光照条件变化的情况下,Sp-(2D)2PCA都具有较好的识别性能。

基于MW（2D）^2PCA的单训练样本人脸识别

传统的人脸识别方法在单训练样本条件下性能会急剧下降,因此,研究出适合于单样本情况下的识别算法是人脸识别问题面临的巨大挑战.针对两个方向的二维主成分分析((2D)2PCA)算法进行改进,文中提出将加权和分块与(2D)2PCA相结合的方法称为分块加权(2D)2PCA,以便更有效地提取人脸的局部特征.同时把模糊理论引入分类决策,应用于单训练样本人脸识别问题.在ORL人脸库以及部分CAS-PEAL人脸库中的实验结果表明,文中方法能取得较好的识别效果.

归一双向加权（2D）^2PCA的手指静脉识别方法

为快速有效地进行手指静脉识别,针对双向二维主成分分析算法降维的特点,并对该算法进行改进,提出在经过图像预处理的手指静脉图像基础上,特征值归一化并双向加权(2D)2PCA的手指静脉识别方法((OW2D)2PCA).分析了累积特征率对(2D)2PCA的影响,以及加权值、特征值归一加权值和累积特征率对W(2D)2PCA、OW(2D)2PCA、(W2D)2PCA、(OW2D)2PCA的影响.通过建立手指静脉图像库的实验结果表明,文中提出方法能够取得较好的识别效果;对(2D)2PCA提取特征向量中的冗余信息有很强的抑制作用,双向加权比单向加权效果更好;而且(OW2D)2PCA的平均识别率高于2DPCA、(2D)2PCA、W(2D)2PCA、(W2D)2PCA和OW(2D)2PCA.

基于Log-Gabor滤波特征的黎曼流形图像集分类算法

生物神经中的感知理论符合黎曼流形,相比其它滤波器,Log-Gabor滤波器更适合人眼的非线性对数特性,因此两者结合符合人类视觉的感知过程.基于上述情况,文中利用协方差鉴别学习,提出基于Log-Gabor滤波特征的黎曼流形图像集分类算法.使用Log-Gabor滤波器滤波图像,获得多尺度多方向的图像特征,然后对高维的协方差矩阵使用双向二维主成分分析进行降维,利用协方差鉴别学习进行分类.在多个标准数据库上的实验结果表明文中算法效果较好,从而验证算法的有效性.

七种牛肝菌的红外光谱鉴别

运用傅里叶变换红外光谱、二维相关谱及主成分分析对7种同属牛肝菌进行分析鉴别。结果显示:7种牛肝菌的原始光谱总体特征相似,主要由蛋白质、多糖等的吸收峰组成,但在吸收峰强度、位置仍存在差异。对样品进行二维相关红外光谱分析,在二维相关红外光谱1 680~1 300 cm^(-1)范围内,茶褐牛肝菌和双色牛肝菌出现了6个明显的自动峰;小美牛肝菌出现了5个明显的自动峰;灰褐牛肝菌和美柄牛肝菌出现4个明显自动峰;美味牛肝菌和铜色牛肝菌自动峰相对较少,只出现了3个明显的自动峰;而且自动峰和交叉峰的强度、位置也存在较大差异。同样在二维相关红外光谱1 150~920 cm^(-1)范围内,不同牛肝菌的同步谱中自动峰和交叉峰的数量、强度和位置也不同。对光谱1 800~800 cm^(-1)范围内的二阶导数进行主成分分析,所有样品均区分开,其分类正确率达100%。结果表明,傅里叶变换红外光谱结合二维相关红外光谱或者主成分分析可以有效地区分茶褐牛肝菌、小美牛肝菌、双色牛肝菌、灰褐牛肝菌、美柄牛肝菌、美味牛肝菌和铜色牛肝菌。该方法对于分类鉴别蘑菇是一种快速、准确、有效的方法。

阶梯式景观河流夏季溶解性有机质构成与分布

溶解性有机质(dissolved organic matter,DOM)构成复杂,是河流生物地球化学循环中重要的组成部分,对水环境状况有很好的指示作用。为研究基于同步荧光光谱(synchronous fluorescence spectrum,SFS)的城市河流DOM含量与构成变化与水环境参数的相互作用关系,以阶梯式城市景观河流为研究对象,采用荧光区域积分、冗余分析(redundancy analysis,RDA)、二维相关分析(two-dimensional correlation spectroscopy,2D-COS)和主成分分析(principal component analysis,PCA)对SFS及水环境参数进行解析。将SFS光谱划分为类酪氨酸(tyrosine-like,TYRLF)、类色氨酸(tryptophan-like,TRPLF)、微生物源类腐殖质(microbial humic-like,MHLF)和陆源类腐殖质(humic-like,HLF)4个荧光积分区域,提出SFS区域积分校正因子算法以提高SFS的半定量分析的准确性。结果表明:阶梯式景观河流夏季水体中DOM以生物源(TYRLF、TRPLF和MHLF)组分为主(>80%);SFS-RDA表明环境参数对DOM构成有显著影响,水面覆盖率(Cover)与类腐殖质组分的占比呈正相关;SFS-2D-COS表明类蛋白组分(TYRLF和TRPLF)与类腐殖质组分(MHLF和HLF)变化趋势相反,水体中DOM组分变化顺序为:TYRLF>TRPLF>HLF>MHLF;SFS-PCA将水体DOM按结构特性进行了划分,实现了基于SFS的水体DOM快速归类定性分析。

面向图像集分类的切空间稀疏表示算法

目的在基于图像集的分类任务中,用SPD(symmetric positive definite)矩阵描述图像集,并考虑所得到的黎曼流形,已被证明对许多分类任务有较好的效果。但是,已有的经典分类算法大多应用于欧氏空间,无法直接应用于黎曼空间。为了将欧氏空间的分类方法应用于解决图像集的分类,综合考虑SPD流形的LEM(Log-Euclidean metric)度量和欧氏空间分类算法的特性,实现基于图像集的分类任务。方法通过矩阵的对数映射将SPD流形上的样本点映射到切空间中,切空间中的样本点与图像集是一一对应的关系,此时,再将切空间中的样本点作为欧氏空间中稀疏表示分类算法的输入以实现图像集的分类任务。但是切空间样本的形式为对称矩阵,且维度较大,包含一定冗余信息,为了提高算法的性能和运行效率,使用NYSTR?M METHOD和(2D) ~2PCA(two-directional twodimensional PCA)两种方法来获得包含图像集的主要信息且维度更低的数据表示形式。结果在实验中,对人脸、物体和病毒细胞3种不同的对象进行分类,并且与一些用于图像集分类的经典算法进行对比。实现结果表明,本文算法不仅具有较高的识别率,而且标准差也相对较小。在人脸数据集上,本文算法的识别率可以达到78.26%,比其他算法高出10%左右,同时,具有最小的标准差2.71。在病毒数细胞据集上,本文算法的识别率可以达到58.67%,在所有的方法中识别率最高。在物体识别的任务中,本文算法的识别率可以达到96.25%,标准差为2.12。结论实验结果表明,与一些经典的基于图像集的分类算法对比,本文算法的识别率有较大的提高且具有较小的标准差,对多种数据集有较强的泛化能力,这充分说明了本文算法可以广泛应用于解决基于图像集的分类任务。但是,本文是通过(2D) ~2PCA和NYSTR?M METHOD对切空间中样本进行降维来获得更低维度的样本,以提高算法的运行速度和性能。如何直接构建维度更低,且具有判别性的SPD流形将是下一步的研究重点。