基于并行特征组合与广义K-L变换的字符识别

针对传统的串行特征融合方法的弱点,提出了一种新的并行特征融合方法.该方法的基本思路是:首先,利用复向量将样本空间上的两组特征集组合起来,构成复特征向量空间;然后,从理论上推广了经典的K-L变换方法与3种基本的K-L展开方法,使其适用于复特征向量空间内的特征抽取.此外,还揭示了并行特征融合的对称性质,并详细讨论了并行特征组合的策略问题.最后,用所提出的方法来解决手写体字符的特征抽取与识别问题.在南京理工大学NUST603HW手写体汉字库以及Concordia大学的CENPARMI手写体阿拉伯数字数据库上的实验结果表明,所提出的特征融合方法不仅较大幅度地提高了识别率,而且识别结果优于传统的串行特征融合方法.

基于改进的广义K-L变换的掌纹识别

提出了一种基于改进的广义K-L变换的掌纹识别方法.在主成分分析思想的基础上,改进后的广义K-L变换把样本的类间信息也加入到算法的分类过程中,相对于广义K-L变换,识别效果得到了提高.将原始图像投影到一个由图像的类间散布矩阵的特征向量所构成较低维的特征子空间中,在这个特征子空间中,用欧式距离来对分属于不同手掌的掌纹图像进行分类.基于不同的特征长度和训练样本数,做了一系列的实验,最佳识别率达99 17%.

一种广义的K-L变换与人脸识别

提出了一种直接基于图像矩阵的包含在类平均图像中判别信息的最优压缩方法。在 ORL标准人脸库上的试验结果表明 ,提出的方法不仅识别性能优于传统的主分量分析和 Fishr线性鉴别分析 ,而且特征抽取的速度得到了很大的提高。

基于K-L变换的红外图像弱小目标检测与分析

针对红外图像中的目标对比度低、尺寸小及背景复杂等特点 ,利用正交变换的去相关特性 ,提出了一种改进的 K - L变换和广义 K- L变换的红外弱小目标检测与描述方法 ,从而实现低信噪比条件下红外弱小目标的检测 .

人脸识别:一种基于特征融合及神经网络的方法(英文)

基于特征融合和神经网络构建了一个完整的人脸识别系统。首先使用广义K-L变换对人脸的自组织特征和形状特征进行融合;然后使用UDT(UncorrelatedDiscriminantTransform)对融合后的特征进行变换,以获得最优鉴别矢量;最后使用多层感知器作为分类器。仿真结果证明了该方法的有效性。

基于数学形态学的脱机手写体汉字识别方法

笔画特征是一种有效的脱机手写体汉字的识别特征,但是笔画细化往往会造成字体的变形,提出一种无需细化预处理的笔画特征提取方法,通过数学形态学中的腐蚀、膨胀等运算,采用不同的、具有自适应性的结构元素对汉字图像进行笔画分解,并利用弹性网格提取其方向特征,最后使用广义K-L变换对特征向量的维数进行压缩,去除冗余信息。实验结果验证了本方法的有效性。

并行特征融合在金融手写汉字识别中的应用

针对金融票据自动识别应用中的脱机手写体汉字识别进行特征提取的研究,首先提出了用Gabor特征和Zernike矩特征来分别表征汉字的局部特征和全局特征。针对传统的串行特征融合方法的缺陷,提出了一种并行特征融合方法,将Gabor特征和Zernike矩特征组合成新的特征向量,然后使用广义K-L变换对新特征向量的维数进行压缩,去除冗余信息。实验结果验证了该方法的有效性。