基于二阶多项式回归和权重主成分分析法的多光谱降维算法研究

基于主成分或者权重主成分的多光谱降维方法实现高维多光谱数据和低维空间数据之间相互转换,但低维空间数据含有大量负值,不能和色度空间如CIELAB等连接起来,给光谱颜色复制的后续研究带来困扰;建立XYZ三刺激到多光谱数据的转换,在多光谱数据降维到XYZ三刺激值过程中保留更多的颜色信息;通过二阶多项式回归建立XYZ三刺激值与多光谱通过权重主成分降维的得到的三维空间数据对应关系,实现XYZ三刺激值到多光谱数据转换;在不同的训练样本,不同的测试样本时,相对于主成分和权重主成分,推荐的方法在多种照明条件下色度重建精度得到提高,可以较好地应用到多光谱图像的高保真降维和压缩。

二维主成分分析方法的推广及其在人脸识别中的应用

提出了分块二维主成分分析(分块2DPCA)的人脸识别方法。分块2DPCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵直接进行鉴别分析。其特点是:能方便地降低鉴别特征的维数;可以完全避免使用矩阵的奇异值分解,特征抽取方便;与2DPCA方法相比,使用低维的鉴别特征矩阵,而达到较高(至少是不低)的正确识别率。此外,2DPCA是分块2DPCA的特例。在ORL和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上优于2DPCA方法。

采用Radon变换和二维主成分分析的步态识别算法

针对主成分分析算法将图像矩阵转化为向量的维数过高、求取特征向量耗时的问题,综合步态的静态和动态信息,对一个步态周期中的图像进行Radon变换,再通过模板构造,仅用一幅图像来刻画步态特征,接着用二维主成分分析(2DPCA)进行降维.为了验证所提出的算法的有效性,在CASIA步态数据库上进行实验,采用最近邻分类器来测试识别.实验结果表明在特征模板构造时选择合适的频率,采用Radon变换结合列2DPCA进行步态特征提取是有效的.

基于改进二维主成分分析及神经网络的人耳识别方法

针对人耳识别特征提取阶段二维主成分分析算法(2DPCA)所提取的人耳特征维数较大,从而造成实时性差、数据存储空间不足等问题提出了一种改进方法。该方法首先对人耳图片进行预处理,然后采用改进的两级2DPCA算法,进一步压缩提取的人耳特征维数,最后采用BP神经网络进行分类识别。实验表明,将改进的两级2DPCA算法同BP神经网络相结合,具有较好的实时性,同时节约了特征数据的存储空间,并保持了较好的识别率。

基于主成分和二维差示扫描量热法分析掺假油菜蜜

结合主成分分析和二维相关分析方法深入挖掘掺假油菜蜜在30~100℃温度范围的差示扫描量热(differential scanning calorimetry,DSC)曲线,揭示该温度范围掺假对油菜蜜的影响。结果表明,温度微扰下的二维DSC相关谱图和主成分分析结果能相互印证,都能深入揭示原始曲线内含的细节信息。掺假对DSC分析中热流率的影响总体是不规则表现。前者在呈现不规则表现的特点上更为直观,后者则能呈现隐藏着的微弱规律。两者结合可用来深入分析掺假油菜蜜样本的DSC特性。

基于条纹投影和二维主成分分析的边坡监测方法

针对现有边坡监测方法存在监测点少、分辨率低、测量周期长等问题,为了实时监测煤矿边坡的沉降并有效抑制虚警,提出了一种基于条纹投影和二维主成分分析的边坡监测方法。该方法首先使用三频彩色条纹投影轮廓术快速精确地获取被测边坡的高程信息,然后对其进行二维主成分分析,简化计算量,最后根据被测边坡对应位置不同时刻的欧氏距离来判断边坡是否发生虚警。实验结果表明,该监测方法能有效地监测到边坡的虚警,具有良好的实时性和鲁棒性。

一种局部加权的二维主成分分析算法及其在人脸识别中的应用

提出了一种将局部特征加权与二维主成分分析相结合的局部加权的二维主成分分析方法.引入了二维局部加权特征子空间的概念,将各类样本映射到这个局部加权特征子空间,再通过计算测试样本到加权子空间的距离进行样本的分类.使用这种方法在ORL人脸库上进行测试,结果表明,经过局部特征加权的二维主成分分析方法比普通的二维主成分分析方法具有更优的性能,并且在提高识别率的同时算法的复杂程度并没有明显增加.

基于核二维主成分分析算法的步态识别

步态识别是一种新的生物认证技术,它是通过人的行走方式来识别人类身份的方法。为了更加快速有效地对人体步态特征进行提取和识别,采用了基于核二维主成分分析(Kernel two Dimensional Principal Component Analyses,K2DPCA)的方法进行步态特征提取,运用支持向量机(SVM)进行步态识别。根据人体步态下肢摆动距离统计出步态周期,得到步态能量图(GEI),对生成的GEI采用核二维主成分分析方法进行步态特征向量提取,采用SVM分类器进行分类识别。实验结果表明该方法具有很好的识别效果。

一种改进的核二维主成分分析人脸识别算法

结合二维主成分分析(two-dimensional principal component analysis,2DPCA)、核二维主成分分析(kernel two-dimensional principal component analysis,K2DPCA)、二维最佳判别式(two-dimensional Linear Discriminant Analysis,2DLDA)的特点,本文提出了一种改进的核二维主成分分析人脸识别算法,可以巧妙地将图像同时映射到最佳投影空间和最优判别空间。首先通过标准的K2DPCA算法在图像的行方向上去相关性;其次在K2DPCA空间通过2DLDA算法对图像做进一步投影;最后利用最近邻准则分类器计算相似度进行判别。在标准人脸库ORL和Yale进行验证,结果表明,所提出算法可以获得更高的识别率。

基于双向二维主成分分析的掌纹识别

掌纹识别是一门新兴的生物特征识别技术。使用主成分分析对图像向量进行处理,向量维数一般都很高。二维主成分分析是直接采用二维图像矩阵来构建方差矩阵,与一维主成分分析相比能更精确地计算原始数据的协方差矩阵,双向二维主成分分析是二维主成分分析的改进算法,将其应用于掌纹识别,通过在水平和垂直2个方向上各执行1次二维主成分分析运算,消除了掌纹图像行和列的相关性,运用新准则选取了更适合于分类的主分量,大大压缩了特征的维数。在香港Poly-technic University的Palmprint Database测试结果表明,该方法具有更高的识别率和更低的计算复杂度。

基于双向二维主成分分析的运动目标跟踪

为克服二维主成分分析(2DPCA)跟踪效率低的缺点,提出一种基于双向二维主成分分析(Bi-2DPCA)的运动目标跟踪算法。采用双向二维主成分分析作为目标表示的方法建立目标图像子空间,同时在图像均值与协方差矩阵的更新中引入基于目标图像匹配程度的自适应增量因子的增量学习的方法进一步提高算法效率。在多个包含动态背景的图像序列上的对比实验结果表明算法能在目标处于部分遮挡的情况下准确跟踪目标,同时算法在效率上高于基于二维主成分分析的目标跟踪算法。

基于二维主成分分析的指纹识别算法

提出一种基于指纹统计特性的识别算法。该算法根据奇异点的位置和方向,提取指纹图像的感兴趣区域(ROI),并使用二维主成分分析(2DPCA)的方法进行统计特征的提取和识别。在FVC2002指纹数据库上进行实验,结果表明:相对于PCA,该方法的计算速度更快。相对于传统的基于特征点的方法,该方法的实现更为简便。

分块双向二维主成分分析与模糊分类的掌纹识别

掌纹识别是一门新兴的生物特征识别技术。提出基于分块双向二维主成分分析(M(2D)2PCA)和模糊分类的掌纹识别方法。该算法利用M(2D)2PCA提取掌纹的局部特征,并利用模糊分类策略。这种方法可以有效提取掌纹的局部特征,并且直接对子图像矩阵进行特征抽取,能够精确计算协方差矩阵的特征向量;分类阶段引入模糊理论,应用于掌纹识别问题。最后使用北京交通大学掌纹数据库进行识别实验,结果表明,该方法可得到更高的识别率和更少的识别时间。

基于分块双向二维主成分分析的步态识别

提出了一种基于步态能量图和分块双向二维主成分分析进行步态特征的算法。首先对图像序列预处理提取运动轮廓,通过分析区域分布直方图检测出运动周期,生成步态能量图描述步态的空间和时间特性,继而使用分块双向二维主成分提取步态特征用以分类,最后在USF步态数据库上测试,并与其它几个算法进行比较。实验结果显示,该方法有更高的识别率和更低的计算复杂度。

融合类别信息的二维主成分分析人脸识别算法

二维主成分分析(2DPCA)已被成功地应用在人脸识别领域,但是这种2DPCA是无监督方法,投影没有考虑到类别信息,在一定程度上影响了识别性能。因此提出一种新的2DPCA,它利用训练样本的类别标记来生成K-L变换的产生矩阵,融合了样本的类别信息,从而使2DPCA的识别性能更好。基于ORL和Yale人脸数据库的实验表明该方法比传统的2DPCA的识别性能更高。

改进的二维主成分分析的人脸识别新算法

传统二维主成分分析(2DPCA)中的变换只提取人脸图像数据的行内特征,特征提取的方向相对比较单一,没有考虑到其他方向上的特征提取。为了多角度提取图像的特征,识别提供更丰富的信息,文中提出一种改进的2DPCA人脸识别算法。该算法先将人脸图像进行倾斜角度自矫正,同时提取图片的低频信息,再利用改进的感知哈希技术得到图像的"指纹",然后将自矫正后的人脸图片进行多角度旋转,并分别提取特征,得到多角度旋转后的图像特征信息。

一种用于表情识别的局部二维主成分分析算法

人脸表情识别是生物特征识别技术的重要组成部分,在安全监测、人机交互等领域有着重要应用。主成分分析(PCA)算法是一种目前广泛应用于表情识别的算法,但在实际应用中识别对象存在个体间差异以及易混淆的相似表情,对算法的稳定性提出了很大挑战。针对于上述问题,在PCA基础上提出一种局部二维主成分分析(L-2DPCA)改进算法,并用于人脸表情特征提取。算法先为每个测试样本选取一组近邻的训练样本,作为局部样本结构;然后再对局部样本进行二维主成分分析;通过放大不同子集类样本间的距离并缩小子集中所有样本间距离的方式,使映射矩阵提取更为准确的表情特征。在Rafd和LMIP人脸表情库进行算法性能测试,实验结果表明,所提出的改进算法在保证实时性的前提下,识别率较标准算法平均分别提高了6%和10%。

基于二维主成分分析法的变压器声纹特征参数融合方法

运行中的变压器声信号以其非接触式测量、高灵敏度和强时效性等优点逐渐成为基于数据驱动模型的变压器状态监测领域的关注热点,如何从非平稳的声信号中获取合理有效及区分度高的声纹特征参数是变压器状态监测的关键。对此,在分别计算变压器声信号Mel频率倒谱系数和常Q倒谱系数特征参数的基础上,引入二维主成分分析法对这2种声纹特征参数进行融合降维,旨在降低数据维数的同时获取主要声纹特征,并以平均类间区分度表征声纹特征参数的区分度。某变压器不同直流偏磁状态下声信号的计算结果表明,所提出的变压器声信号特征参数表征方法更加全面高效且区分度高,可为变压器运行状态声信号监测技术提供重要参考。

基于主成分分析法和二阶多项式回归的多光谱降维算法研究

针对主成分多光谱降维算法得到的低维空间没有色度意义、不能很好地与目前主流的色彩管理系统兼容的问题,本研究提出根据色度学公式将高维光谱降维到三维XYZ空间,利用二阶多项式回归结合主成分分析法(PR-PCA)实现三维XYZ空间到高维光谱的转换。并以自然颜色系统(NCS)、孟塞尔颜色系统(Munsell)和2张多光谱图像作为测试样本比较PR-PCA和经典PCA的性能。实验结果表明,相对于经典PCA,基于PR-PCA的多光谱降维方法在牺牲少量光谱重建精度的条件下,色度重建精度得到很大提高,这对光谱颜色复制非常重要,同时该方法得到的低维空间是色度空间,具有色度意义。

分块式双向压缩的二维主成分分析

人脸识别是生物识别研究热点问题之一,目前,大多数传统的人脸识别算法运算速度慢,人脸识别精度较低。对此,提出了一种分块式双向压缩的二维主成分分析与径向基核函数支持向量机相结合的算法。将人脸图像分割为大小相等并且互不重合的子块,每个子块都包含重要的特征信息。使用双向压缩的2DPCA与PCA相结合的算法来进行人脸特征的提取,可以有效地减少特征数量和PCA的计算时间,充分地保留重要的信息,再与支持向量机相结合,其运算时间和训练时间都充分降低,并且提高了识别率。在ORL、Yale和自建的人脸库上的实验表明,该方法的运算速度和识别率明显高于传统的识别方法。