二维主分量分析的脉内调制识别算法研究

随着雷达信号脉内调制方法日趋复杂,单纯地利用时域或频域的算法来进行信号调制类型的识别已很难奏效。借助于雷达信号的时频分布图像,提出了一种在时频联合域上进行信号识别的新算法。首先揭示了时频分布图像中确实蕴含着信号调制类型的本质特征,然后详细阐述了利用二维主分量分析来提取时频分布图像特征参数的算法,最后对算法进行了仿真,并从识别率、算法复杂度以及硬件需求和训练时间3个角度进行了比较。结果表明,该算法提取的特征参数具有很好的鲁棒性,可以取得较高的识别率,同时可以降低硬件需求,缩短训练时间。

基于特征选择的二维主分量分析

提出了一种基于分类性能的二维主分量特征选择方法。即将二维主分量分析中图像总体散布矩阵的特征向量在二维线性鉴别分析的目标函数上进行投影,并选择分类性更好的特征向量进行投影。另外,为了保持原有的二维主分量分析主特征的优点,对最后的投影特征向量进行组合,也就是最后的投影特征向量选取对图像重建和图像分类分别起着重要作用的特征进行组合。在XM2VTS标准人脸库上的试验结果表明,所提出的方法融合了两种具有互补性的图像并行特征,在识别性能上优于传统的二维主分量分析方法。

二维主分量分类器

在主分量分类器(PCC)的基础上提出了二维主分量分类器方法,具有速度快、算法简便的特点.人脸性别分类结果表明,所提出的方法在识别性能上优于主分量分类器;另外,算法执行时间具有很大的改进.

概率二维主分量分析

二维主分量分析是一种直接面向图像矩阵表达方式的特征抽取与降维方法.提出了一个基于二维主分量分析的概率模型.首先,通过对此产生式概率模型参数的最大似然估计得到主分量(矢量);然后,考虑到缺失数据问题,利用期望最大化算法迭代估计模型参数和主分量.混合概率二维主分量分析模型在人脸聚类问题上的应用表明概率二维主分量分析模型能作为图像矩阵的密度估计工具.含有缺失值的人脸图像重构实验阐述了此模型及迭代算法的有效性.

一种基于PSO权重优化的加权二维主分量分析方法

针对二维主分量分析中图像协方差矩阵的估计问题,在二维主分量分析的基础上给出了一种新的加权图像协方差估计方法,运用粒子群优化算法对权重参数进行并行优化,以抽取更有效的分类特征。在ORL人脸数据库上的实验结果表明,识别性能优于二维主分量分析。

基于双向二维加权主分量分析的面部表情识别

将二维主分量分析方法与加权的方法相结合,给出了一种双向二维加权主分量分析方法用于面部表情特征提取,该方法从水平和垂直两个方向对图像矩阵进行降维处理,大幅降低了所提取的特征数目;且考虑到面部不同部位包含不同的表情信息这一特点,对各个特征赋予不同的权重系数.经实验验证了该方法的有效性.

一种双向压缩的二维特征抽取算法及其应用

针对二维主分量分析(2DPCA)在最优投影轴上的投影是一个向量,其抽取出的图像特征是一个矩阵,特征数据量大,不便于直接分类的弱点,提出了一种特征抽取新方法。首先用2DPCA作一次横向压缩,对抽取出的特征矩阵再作一次2DPCA进行纵向压缩。这样抽取出的特征数量大大减少,可加快分类速度。ORL人脸库的试验结果表明了该方法的有效性。

基于二维双向PCA的手写数字识别算法研究

手写数字识别系统中,传统K最近邻(KNN)算法的识别速度较慢,而基于主分量分析(PCA)以及二维主分量分析(2DPCA)的KNN识别算法其识别速度虽有提升,但识别率仍然有待提高。为此,提出了一种基于二维双向主分量分析(Two Dimension Double PCA,2DDPCA)结合KNN的识别算法,并使用MINIST手写数据集进行了仿真实验验证,结果表明,该算法与2DPCA相比,在识别速度相当的情况下,识别率可提高近3个百分点。

一种新的SAR图像目标识别预处理方法

针对合成孔径雷达(SAR)目标识别问题,提出了一种有效的SAR图像预处理方法.首先通过自适应阈值分割、形态学滤波及几何聚类处理获得干净平滑的目标图像,再采用幂变换来增强图像质量,然后提取图像的主分量分析(PCA)、二维主分量分析(2DPCA)特征来进行识别.基于美国运动和静止目标获取与识别(MSTAR)计划录取的数据的实验结果表明,结合上述预处理,PCA,2DPCA的识别性能均可达到96.5%以上.

对单训练样本的人脸识别问题的研究

现在许多人脸识别算法都是在假定每个人提供了多幅训练样本的情况下展开的,对每人只有一幅训练图像的识别问题研究得很少,而实际中往往每人只提供了一幅图像。本文对这一问题进行了研究,给出了一些生成虚拟训练样本的方法;提出了基于类间散度最大的二维主分量分析方法,在 ORL 库上用单训练样本取得了75.28%的识别结果。

12导联高频心电信号的特征提取及聚类

针对心肌梗死(myocardial infarction,MI)12导联高频心电信号(high frequency electrocardiogram,HFECG)全局特征聚类问题,提出了一种计算机自动聚类算法。收集MIT-BIH标准心电数据库中的健康心电信号、早期心肌梗死心电信号、急性期心肌梗死心电信号、近期心肌梗死心电信号进行处理。应用二维主分量判别法(two dimensional principal component analysis,2D-PCA)对12导联HF-ECG进行融合特征提取,并应用基于均方差属性加权的遗传模拟退火K-means改进聚类算法。与常规K-means聚类算法相比,特征值更加简单直观,所提算法平均分类精度有较大提高,能对12导联HF-ECG进行更有效的聚类。

基于G2DPCA的SAR目标特征提取与识别

给出了基于广义二维主分量分析(G2DPCA)的合成孔径雷达(SAR)图像目标特征提取方法。与主分量分析(PCA)相比,在寻求最优投影方向时,它直接基于二维图像矩阵而不是一维向量,在特征提取前不必将2维图像矩阵转换成1维向量。与二维主分量分析(2DPCA)相比,它可以同时去除图像行和列像素间的相关性。基于美国运动和静止目标获取与识别(MSTAR)计划录取的数据的实验结果表明,结合预处理,G2DPCA在大大降低了特征维数的同时,又改善了识别性能,并且正确识别率在97%以上,且对目标方位变化具有较好的鲁棒性。

融合2DDCT、2DPCA和2DLDA的人脸识别方法

二维主分量分析(2DPCA)是人脸识别中的一种非常有效的特征提取方法。二维线性判别(2DLDA)方法具有很好的分类效果。在研究这两种理论的基础上提出一种基于2DDCT(二维离散余弦变换)与2DPCA+2DLDA相结合的人脸识别方法,并在0RL人脸库上分别对单一的方法与相融合的方法进行识别比较研究。实验结果表明,提出的方法不仅提高了识别率,而且减少了训练与分类时间。

一种基于Gabor小波和2DPCA的掌纹识别改进算法

提出一种改进的基于Gabor小波变换和二维主分量分析2DPCA(2-Dimensional Principal component analysis)的掌纹识别。2DPCA克服了传统Gabor小波变换后直接进行主分量分析PCA(Principal component analysis)遇到的维数灾难问题,并且将PCA与Fisher线性判别FLD(Fisher Linear Discriminate)结合起来,利用了以前仅用于降维的PCA特征和FLD特征相融合进行掌纹识别。基于PolyU掌纹库的实验结果表明,该方法不仅有更高的识别率,而且维数更低。

基于2D-PCA和2D-LDA的人脸识别方法

提出了基于2D-PCA、2D-LDA两种特征采用融合分类器的人脸识别方法。首先提取人脸图像的2D-PCA和2D-LDA特征,对不同特征在决策层对分类器进行融合。在ORL人脸库上的试验结果表明,分类器决策层融合方法在识别性能上优于2D-PCA和2D-LDA,更具有鲁棒性。

基于2DPCA和支持向量机的人脸检测研究

提出一种基于二维主分量(2DPCA)分析和支持向量机的层叠人脸检测算法,用于复杂背景灰度图像的人脸检测。算法首先采用2DPCA分析方法滤去大量非人脸窗口,之后用支持向量机对通过的窗口进行检测。由于在通过2DPCA分析方法的子空间内训练SVM,降低了分类器的训练难度。并且和传统的PCA方法相比,2DPCA直接采用二维图像矩阵表示人脸,进行特征提取,提高了计算效率。实验对比数据表明该算法大大提高了检测速度,降低了虚警率。

改进的LTP与2DPCA结合的掌纹识别

本文以将掌纹作为研究的对象,提出了改进的局部三值模式(Local Ternary Pattern,LTP)与二维主分量分析(Modular 2 Dimensional Principle Component Analysis,2DPCA)相结合的掌纹识别方法。该方法先对原始的掌纹图像利用改进的局部三值模式方法提取特征,然后利用二维主分量分析的方法对提取的特征进行降维,同时消除特征之间的冗余性,最后用欧氏距离判别法进行掌纹的识别。在Poly U标准数据库中进行实验,结果显示,在相同的训练样本下,改进的LTP与2DPCA结合的方法相比于LTP方法,大大降低了特征维数且具有更高的正确识别率。从而证明了该方法的有效性。

一种基于2DPCA的人耳识别方法

针对人耳识别问题,提出一种二维主分量分析(2DPCA)的人耳识别方法,该方法不需要预先将图像转换为一维向量,而是基于图像矩阵,直接计算图像协方差矩阵的特征向量作为人耳特征提取,大大加快特征提取的速度,从根本上克服了传统PCA在进行图像特征提取时耗时过多的缺点。并通过BP神经网络进行分类识别。实验结果表明,应用2DPCA方法提取人耳图像特征,可以大大提高识别效果。

基于多通道Gabor滤波和2DPCA的虹膜识别算法

为提高虹膜识别系统的识别率和识别时效性,设计了基于多通道Gabor滤波和二维主分量分析(2DPCA)的虹膜识别算法。利用多通道Gabor滤波器对采集的虹膜进行特征提取。由于得到的特征向量矩阵的维数通常较大,会影响特征匹配和虹膜识别的运算速度,因而需要对特征矩阵进行降维处理。2DPCA算法能有效地克服传统虹膜识别系统中的"维数危机"问题,在保留虹膜特征主分量的基础上,降低虹膜匹配运算量,提高虹膜系统的识别效率。虹膜识别采用差异度匹配法,通过阈值比较得到识别结果,对容量不等的各类虹膜图库均具有良好的适应性。实验中对容量为50的虹膜图库进行了算法测试,系统的最低识别率达到了88%,识别时间仅为传统非降维识别方法的一半。理论分析和实验结果表明,该算法对虹膜纹理的特征提取精度高,识别率高,识别速度快。

基于多频带2D-PCA的虹膜识别算法

近年来,二维主分量分析(2D-PCA)和离散小波变换作为图像分析的两种有效方法,受到人们的广泛关注。结合以上两种方法,提出了一种多频带2D-PCA虹膜识别快速算法。该算法首先对虹膜图像做预处理,然后将预处理后的图像做2维离散小波变换,取小波系数的两个中频子带作为2D-PCA的输入空间;在训练阶段,求得训练样本输入空间的特征空间并由此得到训练样本的特征向量,形成样本特征库;在识别阶段,计算得到未知样本特征向量;同时为了提高特征向量对图像旋转的鲁棒性,在该阶段进行了基于不同起始角度的归一化处理。最后采用Hamming距离,对未知样本的特征向量在特征库中进行多模板匹配,通过K临法则和阈值法得到识别结果。实验结果验证了所提算法的有效性。