基于混合特征提取的易混淆三维目标识别研究

针对易混淆三维目标识别这一问题,通过提取混合特征完成识别;首先获取各类三维目标的若干二维视图,将这些视图放在一起提取它们的大体轮廓特征并进行分类,使得具有相似外形的目标分为一类;然后采用基于统计学的标志矩提取方法提取每类中能分辨各种目标的局部特征,这样特征库就建立了;识别过程中,针对实际要识别的目标,提取它的混合特征并与库中数据进行匹配,确定其类型;算例研究表明,基于混合特征提取的识别系统结构简单、高效。

车牌字符识别的混合特征提取方法

分析了特征维数与分类错误概率的关系 ,提出了增加新特征 ,采用混合特征提取方法进行分类器设计 .结果表明增加的新特征可以提高分类器的性能 ,并能使识别率明显提高 .在问题的概率结构完全已知的情况下 ,增添新特征不会增加Bayes风险 .

基于混合特征提取的图像来源鉴别算法

随着数码图像的普及,图像盲取证成为时下的研究热点之一。如何识别图像来源是其中主要的研究内容。特征提取是对图像进行鉴别的前提。文中通过对现有的特征提取方法进行研究,针对现有单一特征提取不能完全反映图像特质导致识别出错的问题,提出混合特征提取的概念,依次提取图像的颜色特征、纹理特征以及统计特征,从而提高图像来源的识别率。通过实验对文中提出的算法进行了验证。结果表明,文中提出的混合特征提取算法较任一单一特征提取算法都能取得更好的图像来源鉴别率。

室内外图像混合特征提取及分类

室内外图像分类能帮助人们在庞大的图像数据库中寻找有价值的信息.对图像数据库进行有效的分类,可以减少图像查找的工作量.室内、室外图像由于外部光线环境的影响加上室内图像自身的复杂性,仅提取单一特征已经无法满足需求,在分析图像视觉特性的基础上,采用基于颜色、纹理、形状的混合特征及基于K-近邻算法的图像分类方法,针对483幅在自然条件下拍摄的图像进行分类,获得了较高的正确率.

色彩直方图混合特征提取在海量图像数据检索中的应用

随着多媒体技术的发展,图像的应用越来越广泛,如何有效利用图像信息具有越来越重要的意义。颜色特征不受图像大小和旋转角度的影响,鲁棒性较好,在图像检索中具有较强的应用。本文在对图像特征进行提取的基础上,提出了一种新的图像检索数据方法。该方法引入了色彩直方图、颜色中心矩、灰度直方图等颜色特征,使用色彩直方图对整幅图像的色彩信息进行统计;使用分块颜色中心矩对色彩的空间分布信息进行统计;对由于色彩浓度和对比度发生变化而对检索效果的影响,采用了灰度直方图进行淡化。通过对这三种特征距离进行加权和计算,进行相似度匹配,检索出目标图像。本文针对性地设计了基于色彩直方图混合特征的图像检索系统,实验证明色彩直方图混合特征检索的结果与示例图像在颜色与空间分布上基本相似,具有较强的实用性。

基于ICA算法的智能电子鼻在混合气体特征提取中的应用

电子鼻传感器在对环境污染的混合气体浓度监测及对工业废气检测中具有重要的作用,但由于现有算法的辨识能力和抗干扰能力差,影响提取原始信息信号的准确度;独立分量分析(ICA)方法是一种高效盲信号分离方法;它将独立的源信号从混合信号中分离出来;文中经过电子鼻传感器检测出混合气体信号,通过ICA算法对混合气体进行分解,对外界干扰噪声进行消除,从而使气体成分辨别达到很好的效果;最后经过MATLAB仿真验证,对辨识出来的原始气体成分具有高精度,强抗干扰能力。

基于神经网络/模糊逻辑系统的混合式特征提取器

特征提取是水声目标分类的关键环节之一 ,用以获取各类目标的一些可鉴别性特征。螺旋桨轴频、叶率和叶片数是目标的本质性、鉴别性特征 ,是分类的重要线索。本文提出了一个基于神经网络 /模糊逻辑系统的混合式特征提取器 ,先利用侧抑制神经网络从目标辐射噪声的包络谱中提取线谱序列 ,再利用模糊逻辑系统从线谱序列中提取出螺旋桨轴频、叶率和叶片数。对目标数据的分析表明 :该特征提取器能够为目标分类提取有效的鉴别性特征。

手写体数字识别与认证的小波特征提取

本文提出了基于Kirsch边缘增强的二维小波特征与二维复小波特征的提取技术。这两类特征与几何特征融合识别手写体数字。此外,对所提取的小波特征提取方法的优点进行了讨论。最后进行的手写体数字识别与认证实验表明,这两类混合特征的集合能获得很好的识别与认证性能。

基于帧间隔-总线电压混合特征的汽车ECU伪装攻击识别

汽车的网联化和智能化发展提高了汽车内部总线CAN(controller aera network)网络被入侵的风险。不像以太网具有完善的身份认证机制和加密传输协议,总线CAN网络采用明文传输数据,其报文非常容易被非法ECU窃取和攻击。因此,如何设计车载的入侵检测系统识别ECU的非法篡改和伪装攻击成为当前汽车网络安全研究的重点和难点。基于此,本文提出了基于帧间隔-总线电压混合特征提取的汽车ECU伪装攻击识别技术。首先,借助嵌入式设备的时间戳机制获取报文帧的帧间隔时间;同时,采样汽车总线网络的电压信号,并采用快速信号处理技术获取总线电压的特征参数(如电压众数和边沿时间等),以此构建ECU识别的指纹特征(即混合特征参数,包含帧间隔时间、电压众数、位时间、边沿时间等)。然后,利用轻量化的Softmax学习算法训练IDS模型并在线识别潜在的伪装攻击等非法入侵行为。为了验证所提方法的有效性,本文开展了基于ECU设备的硬件试验测试;结果表明,所提方法对所有合法ECU的识别精度高达98.33%,即可以通过甄别报文消息源头判断非法入侵;并且相较于传统的基于单特征指纹的方法,本文所提方法能够提高7%左右的识别精度。

双分支多维注意特征融合的高光谱图像分类

为改善高光谱图像小样本类别的分类性能,提高模型特征表达的稳健性,提出了双分支多维注意力特征融合的神经网络分类模型(DBMD)。DBMD采用两个分支分别进行光谱特征提取和混合特征提取。光谱分支通过密集连接的扩张卷积逐级提取特征,然后融合低、中、高级语义信息作为特征输出。混合分支采用3D-2D网络架构,并通过改进的Inception块提取空间尺度特征。此外,注意力机制分别应用于光谱、空间和空谱特征,进行特征细化,增强重要区域的特征响应。最后,将不同维度的细化特征联合输入至分类器进行分类。在Indian Pines和Salinas Valley数据集上利用5%和1%的样本进行实验,分别取得了98.40%和99.78%的总体精度,与其他六种网络架构相比,该模型在准确性和稳定性上都具有更优的表现。

基于CEEMD散布熵和Hjorth参数的混合特征滚动轴承故障诊断研究

由于依靠单一的物理特征难以全面反映机械的故障信息,针对这一问题,对机器学习中常用的故障特征提取方法进行了研究,在此基础上提出了一种基于完备总体经验模态分解(CEEMD)、散布熵(DE)和Hjorth参数的混合特征滚动轴承故障诊断方法。首先,基于CEEMD对轴承原始信号进行分解,得到了若干个固有模态函数(IMF)分量;然后,根据与原信号的相关性选取敏感IMF分量,并求出其DE和Hjorth参数,形成散布熵特征向量和Hjorth参数矩阵,再对Hjorth参数矩阵进行奇异值分解,提取出奇异值作为特征向量,并将该向量与散布熵特征向量形成混合特征向量;最后,利用基于粒子群优化算法的最小二乘支持向量机(LSSVM),对滚动轴承不同故障特征向量进行了训练和识别。研究结果表明:该方法能够准确地诊断出滚动轴承的故障类型和程度,突出不同故障的特征;与采用单一特征的方法相比,该方法能更准确地辨别出滚动轴承的故障信息,采用该方法获得的故障识别率可达到100%。

基于车牌混合特征的车牌定位算法研究

随着社会的发展和科技的进步,国家对交通控制、安全管理的要求日益提高,智能交通管理已成为当前交通管理发展的主要方向,而车牌定位技术则是智能交通系统的基础。为了解决车牌定位区域精确度差,定位不准等问题,采用基于车牌混合特征的车牌定位技术,不仅可以有效地解决上述问题而且通过仿真实验证明本文提出的车牌定位算法综合性强,运行速度快,精确度可以达到96.7%,可以在复杂的环境中实现精准定位。

基于SVM与C4.5混合分类器的人脸表情识别

针对人脸表情识别特点,首先使用几何特征与基于灰度共生矩阵纹理特征的低维混合特征提取方法来提取易分类表情图片的特征向量,然后使用C4.5决策树分类器识别出脸部变化较为明显的表情,再使用SVM支持向量机对较难分类表情图片进行分类。实验结果表明,通过改变决策树算法剪枝中错误样本比率的方法可以获得最佳预测精度,识别率达到90%。

AVIRIS高光谱数据空-谱特征在植被分类中的对比分析

植被分类是高光谱影像分类中的特定应用问题,光谱特征和空间特征是植被分类中常用的两类特征,比较这两类特征的性能,对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析(PCA)提取光谱特征时,常选择前几个主成分(PCs)作为光谱特征,虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率,针对这一问题本研究提出了一种混合特征提取方法,对高光谱影像在PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的PCs用于后续分类。利用一景AVIRIS高光谱植被影像,从分类精度的角度,首先比较了所提出的混合特征提取方法和原始PCA、独立主成分分析(ICA)及线性判别分析(LDA) 3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集1和2上均获得了最高的总体分类正确率,分别为82.7%和86.5%。与原始PCA相比,本研究提出的混合特征提取方法的总体分类正确率,在数据集1和2上分别提高了1.5%和2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中,总体上空间特征获得的分类正确率比光谱特征高,特别是Gabor特征,在两个数据集上均获得了最高的总体分类正确率分别为95.5%和96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空-谱特征方法及其两者有效结合,进一步提高植被分类正确率提供了参考。

基于EMD-BPNN的水电机组空蚀故障诊断

针对水电机组空蚀信号非平稳和非线性的特点,提出一种基于经验模态分解-BP神经网络(EMDBPNN)的空蚀故障混合特征提取与分类方法。首先对空蚀信号进行经验模态分解,得到一系列的本征模态函数(IMFs),提取各IMFs分量的能量特征和奇异值特征,同时提取常规的时域和频域特征,构建混合特征向量;然后将此向量作为神经网络的输入,对水电机组空载工况、导叶30%开度和满负荷运行等三种工况下的空蚀数据进行识别分类。试验结果显示,该方法能够对水电机组空蚀故障进行准确诊断,具有较强的工程应用价值。

联合超像素降维和后处理优化的高光谱图像分类方法

针对高光谱图像样本标签量少且空间—光谱信息利用不充分而导致图像分类精度较低的问题,本文提出一种联合超像素降维和后验概率优化的高光谱图像分类方法。该方法首先基于高光谱图像的空间—光谱信息为每个样本构建局部邻域集合,并从局部邻域集合中提取超像素稀疏混合特征来充分表征图像的空谱信息和相关变化信息,然后将全局稀疏混合特征输入支持向量机分类器中生成像素的类别概率向量,最后采用后验概率模型优化类别概率向量,并依据概率最大值得到分类标签图。在3组常用的小规模数据集Indian Pines、Pavia University和Salinas以及一组大规模数据集HoustonU上的实验结果表明:本研究所提出的分类方法能够自适应地充分提取高光谱图像的高判别性特征信息,且在少量样本标签情形下,该方法在这4组实验数据集上分别获得了98.58%、96.88%、98.54%和91.01%的总体分类精度,优于文中对比的7种先进分类方法。

基于流形学习的SAR目标识别

主成分分析法(PCA)及其常用的推广的线性特征提取方法在SAR识别中通过变量的少数几个线性组合来解释随机向量的协方差结构并提取特征值,然而在线性变化及特征选取中容易丢失大量信息,对样本的描述性不够。针对该问题,本文提出了一种基于形学习算法,根据每一类MSTAR目标图像存在小幅姿态、方向微弱变化,从而判断处于高维数据空间的某个低维流形上这一特征,利用混合因子分析模型来对流形建模,根据不同目标所在的流形的特征参数,构建全局字典,实验证明,所提出的方法在识别率及速度上优于常规的线性特征提取方法。

利用改进型AAGD算法的红外小目标检测

针对红外目标检测中小目标检测精度较低的问题,提出了一种利用改进型平均绝对灰度差(AAGD)算法的红外小目标检测。针对AAGD算法的缺点,在其基础上,融合灰度与显著性特征,用于核相关滤波器,以解决红外目标特征简单且信息量少的问题;提出一种自适应双滑动窗口,针对不同区域调节聚合窗口形状及像素点权重,以实现高强度结构背景附近的机动目标的匹配,提高小目标检测的准确度;利用MATLAB仿真平台对所提方法进行实验论证,结果表明,所提方法能够在噪声、高强度锐利边缘和结构背景等复杂图像中准确检测出小目标,且其准确度、稳定性、执行时间等方面均优于其他对比方法。