基于LRC与多样本扩充的指静脉识别方法

针对目前手指静脉识别由于训练样本不足引起图像识别率低的问题,提出基于线性回归分类(linear regression classification,LRC)与多样本扩充的指静脉识别方法。首先,利用矩阵变换生成原始图像的镜像,训练原始图像与镜像,增加指静脉图像中包含的有用信息;然后,基于LRC对测试和训练样本进行分类;最后,通过计算偏差得到最终分类结果,求出识别率。此外,设计了一种指静脉采集装置收集得到自建指静脉数据库。实验结果表明:所提算法在自建指静脉数据库、山东大学指静脉数据库、马来西亚理工大学指静脉数据库上的识别率分别达到98.93%、98.89%、99.67%,最低等误率为2.3888%。实验结果与其他传统和流行算法相比具有明显优势,拥有良好的实际应用价值。

基于卷积神经网络的SAR图像目标识别算法研究

传统的合成孔径雷达（SAR）图像目标识别算法需要独立设计特征提取算法和分类器,限制了SAR快速拓展到实际应用中。基于卷积神经网络（CNNs）构建一种可直接从输入图像到输出类别的一体化SAR图像目标识别框架,并引入AdaDelta梯度下降优化算法来进行网络优化学习。同时,由于SAR图像获取困难、数量有限,无法保证CNNs网络的大数据量训练样本需求,因此设计了一种基于多样本扩充CNNs的SAR图像目标识别算法。实验证实设计的算法在MSTAR数据集上10类军事目标平均识别率可达97.28%,且对目标平移、旋转、相干斑噪声和目标遮挡具有较强的鲁棒性。